lhr廖华瑞-43230_个人页

这个从计算巢里做更新

我遇到过的很多问题，不能在第一时间定位到故障原因，主要是因为出现了问题以后现场被破坏导致，导致这个问题的主要原因是1、由于不好定位或者是因为生产系统要快速恢复运营，系统马上被重启了;2、自以为需要的资料已经采集全了，快速重启了系统3、由于日志打印不全，认为已经没有有价值的材料可以收集了，快速重启系统。其实现代系统已经在HA方面做了很多工作。在出现问题的情况下，只要系统整体能够提供服务的情况下，没必要马上进行重启，大部分异常情况下是可以通过引流和隔离的方式，将流量引入正常节点，为排查和分析过程留下更多的分析时间。般情况下，我们需要采集的资料包括但不限于:应用日志、im线程和内存的dump文件(每10-30秒截取一次，建议截取3次)，中间件、数据库日志、cpu、物理内存、网络带宽、磁盘io等。

伙伴，我没有直接使用过向量数据库，但我可以为你提供一些关于向量数据库的信息和它们可能的使用体验。 向量数据库，也称为向量搜索引擎或向量存储引擎，主要用于存储和搜索高维向量数据。这些数据库通常用于处理机器学习和人工智能应用中的数据，例如推荐系统、图像识别、自然语言处理等。 使用向量数据库，可以带来以下不同的体验： 1高效检索 ：传统的关系型数据库在处理高维向量数据时，可能无法充分利用向量的结构信息进行快速检索。而向量数据库通过优化的数据结构和算法，能够更快速地检索和查询向量数据。2近似搜索 ：向量数据库支持近似搜索，允许找到与查询向量相似的数据，而不是精确匹配。这使得在大量数据中找到相似项成为可能，同时保持较低的误查率。3实时分析 ：向量数据库支持实时数据分析，允许用户快速分析存储在数据库中的高维向量数据。这对于需要快速响应的应用程序非常有用，例如在线推荐系统。4灵活性 ：向量数据库通常具有更高的灵活性，支持各种不同的数据类型和操作。这使得它们能够适应各种不同的用例和需求，而不仅仅是局限于特定的任务或领域。可扩展性 ：许多向量数据库设计为分布式系统，可以轻松扩展以处理大规模数据集。这对于需要处理大量数据的机器学习应用来说非常重要。5易用性 ：随着向量数据库技术的不断发展，许多系统提供了友好的用户界面和丰富的功能，使得非专业人士也能够轻松使用。需要注意的是，向量数据库也有其局限性。例如，它们可能不适合存储非向量数据或执行传统关系型数据库的所有操作。因此，选择和使用向量数据库时，需要根据具体的应用需求和场景进行评估。 向量数据库的工作原理可以通过CPU和GPU的工作原理进行类比。CPU和GPU分别是计算机的运算和图形处理核心，而向量数据库则是大模型的记忆和存储核心。在大模型学习阶段，向量数据库接收多模态数据进行向量化表示，让大模型在训练时能够更高效地调用和处理数据。通过多线程机制和矩阵运算，GPU提供了强大的计算能力，让大模型的训练变得更加快速和高效。

工作中你遇到过的糟糕注释或优秀注释有哪些？/如果这段代码跑的通，那就是Paul DiLascia写的。要是跑不通那我就不知道是谁写的了/ 你有什么可以减少注释，但依然能让他人看得懂代码的方法吗？1使用尽量少的参数2避免魔法值的使用3将所有的计算步骤合并到一行4明确每个转变的含义5写注释

云服务器在哪家就在哪家备案.域名是可以做转移的，腾讯备案后转阿里使用就需要在阿里云重新做备案

一般会有以下几个场景会让我焦虑1.任务比较多的时候突然一下来个几个任务，时间冲突，都不能拖，这个时候挺容易焦虑的。解决方案：每次专注一个任务，例如你同时来了ABC这3个任务，再根据任务截止时间，你排一个序，接着按照排序来做，做A的时候就不要考虑BC，就是在做这个任务的时候100%专注，这样能高效完成任务，也能减少焦虑。 2.突然发现一起的伙伴取得了某项成绩这个时候的焦虑，是对成长的焦虑，但是导火索是跟别人的对比，觉得跟自己一样的人，怎么就TA取得了这么好的成绩呢？这种焦虑的产生，其实对自己的不自信，或者说是对近段时间表现的不满，一般来说这种焦虑会间歇性出现，虽然你会觉得它不久就会消失，但是对自身还是有影响的。所以积极的策略就是，不要跟别人比，跟自己比就好，你比之前多看了几本书，多完成几项任务，得到更多反馈…这都是自己的成功，从这些事项中获得能量，减少焦虑。当然，焦虑的场景还有很多，我觉得焦虑每个人都会有，这很正常，不要过度的觉得它是一件坏事，而是要正确对待，调整心态，认真过好每一天。

通过在实际开发中使用开源容器，个人觉得开源容器的使用非常简单，对实际业务帮助很大，这里做一个小小的总结分享，具体如下所示：1、容器化单体应用程序：我之前把传统的单体应用程序容器化，将其拆分为多个容器，在Kubernetes上进行部署，我觉得这样做的好处是可以实现应用程序的模块化和横向扩展，提高了应用程序的弹性和可靠性。2、构建微服务架构：通过使用开源容器技术，我成功地构建了具有微服务架构的应用程序，也就是将每个微服务打包为一个容器，并使用Kubernetes进行管理和调度，从而实现了服务的快速部署和水平扩展。3、多环境部署：借助开源容器技术，让我可以在不同的环境中轻松部署应用程序，包括开发、测试和生产环境，而且在实际使用中容器的可移植性和环境一致性确保了应用程序在各个环境中的一致性运行，简化了部署流程。4、持续集成/持续交付：我通过结合开源容器技术和持续集成/持续交付工具，轻松实现了当时工作中的自动化的构建、测试和部署流程，在每次代码提交后，容器会自动构建和部署，确保了应用程序的快速交付和质量控制，非常安逸、省心。

There are only 10 types of people in the world, those who understand binary and those who don’t

如果让我总结2023的关键词，那一定是（行动）把计划列好只是走好了第一步，剩下的需要你每天持之以恒不放弃才能完成。 最后，希望新的一年2024，大家都能达到自己想要的目标.

在没有实际竞争的情况下，还能够针对部分场景继续优化。如果不仅仅没有实际竞争，自始至终，使用锁的线程都只有一个，那么，维护轻量级锁都是浪费的。偏向锁的目标是，减少无竞争且只有一个线程使用锁的情况下，使用轻量级锁产生的性能消耗。轻量级锁每次申请、释放锁都至少需要一次CAS，但偏向锁只有初始化时需要一次CAS。 “偏向”的意思是，偏向锁假定将来只有第一个申请锁的线程会使用锁（不会有任何线程再来申请锁），因此，只需要在Mark Word中CAS记录owner（本质上也是更新，但初始值为空），如果记录成功，则偏向锁获取成功，记录锁状态为偏向锁，以后当前线程等于owner就可以零成本的直接获得锁；否则，说明有其他线程竞争，膨胀为轻量级锁。 偏向锁无法使用自旋锁优化，因为一旦有其他线程申请锁，就破坏了偏向锁的假定。 缺点： 同样的，如果明显存在其他线程申请锁，那么偏向锁将很快膨胀为轻量级锁。 不过这个副作用已经小的多。

在实际业务中，我确实遇到过优化代码却导致过度设计的状况。过度设计通常会导致代码变得复杂、难以维护和调试，并可能降低代码的性能。例如，在处理一些简单的问题时，可能会过度关注细节和边缘情况，引入不必要的复杂逻辑和数据结构。避免代码过度设计的方法包括：关注实际需求：首先明确实际需求，然后根据需求进行设计，避免过度关注细节和边缘情况。简单性原则：尽量使代码简单明了，避免引入不必要的复杂逻辑和数据结构。模块化设计：将代码拆分成小的模块，每个模块只负责特定的功能，这有助于降低代码的复杂性并使其更易于维护。优先使用标准库和现有解决方案：尽量使用标准库和现有解决方案，而不是自己重新发明轮子。这可以减少代码量并提高可维护性。测试和重构：通过测试来确保代码的正确性，并在必要时进行重构，将复杂的代码简化。代码审查：通过代码审查可以发现过度设计的代码，并对其进行改进。

在未来学习模式的变革中，个人觉得激励学习可能更具前景，因为激励化学习和智能化辅助工具的发展将更好地支持我们的规划和个性化学习需求。我认为未来学习模式的变革可能更加倾向于激励学习。

CodeReview 在提升代码质量方面发挥着关键作用

通过手撕代码，程序员可以更好地理解算法和数据结构的实现原理，提高代码质量和效率。