场景应用

边缘计算的七项核心技术 作者：施巍松团队（张星洲、王一帆、张庆阳） 计算模型的创新带来的是技术的升级换代，而边缘计算的迅速发展也得益于技术的进步。本节总结了推动边缘计算发展的7项核心技术，它们包括网络、隔离技术、体系结构、边缘操作系统、算法执行框架、数据处理平台以及安全和隐私。 1、网络 边缘计算将计算推至靠近数据源的位置，甚至于将整个计算部署于从数据源到云计算中心的传输路径上的节点，这样的计算部署对现有的网络结构提出了 3个新的要求： 1)服务发现。在边缘计算中，由于计算服务请求者的动态性，计算服务请求者如何知道周边的服务，将是边缘计算在网络层面中的一个核心问题.传统的基于DNS的服务发现机制，主要应对服务静态或者服务地址变化较慢的场景下.当服务变化时，DNS的服务器通常需要一定的时间以完成域名服务的同步，在此期间会造成一定的网络抖动，因此并不适合大范围、动态性的边缘计算场景。 2)快速配置。在边缘计算中，由于用户和计算设备的动态性的增加，如智能网联车，以及计算设备由于用户开关造成的动态注册和撤销，服务通常也需要跟着进行迁移，而由此将会导致大量的突发网络流量。与云计算中心不同，广域网的网络情况更为复杂，带宽可能存在一定的限制.因此，如何从设备层支持服务的快速配置，是边缘计算中的一 个核心问题。 3)负载均衡。边缘计算中，边缘设备产生大量的数据，同时边缘服务器提供了大量的服务.因此

演讲嘉宾 | 王晶（华为云人工智能高级算法工程师王晶） 出品 | AI科技大本营（ID:rgznai100） 近期，由 CSDN 主办的 2019 中国AI 开发者大会（AI ProCon 2019）在北京举办。在计算机视觉技术专题，华为云OCR人工智能高级算法工程师王晶分享了“文字识别服务的技术实践、底层框架及应用场景”的主题演讲。 演讲的第一部分，他分享了文字检测和识别的基础知识以及难点和最新进展。第二部分是华为云文字识别服务关键能力、关键技术，以及落地过程中遇到的“坑”，这对其他人工智能产品甚至以数据为驱动的产品都具有实践参考意义。第三部分，他主要介绍了文字识别应用场景以及典型的落地方案 在王晶看来，虽然现在人工智能很火，但真正能落地的场景比较少，能大规模应用的场景更是少之又少，不过，文字识别服务在经典落地场景中显然有一席之地。 以下为王晶演讲内容实录，由AI科技大本营（ID:rgznai100）整理： 文字识别基本概述和最新进展 几年前我们开始做服务的时候心里还是比较忐忑的，因为文字识别听起来没有像人脸识别或者自动驾驶那么高大上，但是后来证明我们的选择是非常对的，现在这个产品基本上是整个华为云EI部门的明星产品，应用范围非常广。 先说一个概念，光学字符识别，英文简写是OCR。它的意思是将图片、PDF中文字转换为可编辑的文本文件。首先是检测过程

注意：本系列文章内容，均为作者结合自身经验，给出的建议性方案，作为实际应用的参考！如有不严谨或错误之处，敬请指出，不胜感激！ Axure不等于产品经理，它只是一个能够辅助产品经理工作的工具； Axure不等于交互设计，Axure能够帮助我们直观呈现产品需求，便于沟通； Axure不等于低保真原型，它也能够在产品论证阶段，通过交互模拟实现对功能模块的可用性测试以及用户体验测试。 Axure不等于高保真原型，Axure在产品经理手中应该有各种不同的应用； Axure并不像大多数人想象中的样子。 从这一篇开始，我将结合一个虚拟出来的APP产品，对Axure的具体应用，给大家做详细的展示。 让大家能够知道，在产品经理的工作中，Axure的主要应用和不可忽视的作用。 不过，既然是一个APP产品，我们总要先有这个产品的结构信息，才能够在此基础上进行原型以及其他重要图表的绘制。 下面这张图就是使用Xmind整理出来的一个产品信息结构图。（因为是一个虚拟出来的产品，仅作为后面内容的基础，所以并没有过多的考虑功能是否完整，请勿在这方面过于追究。） 我将结合这张图，逐渐的深入，结合各种姿势、技巧，来满足大家的需求。 特别说明：这张图是思维导图软件Xmind中的逻辑图（向右），用这样的图表来呈现产品信息结构，结构上比较清晰，也比较适合用户从左至右、从上至下的阅读习惯。 当我们完成这样的一张图表之后

#一、定义以及相关概念 互联网的产生带来了机器间通讯的需求，而互联通讯的双方需要采用约定的 协议 ，序列化和反序列化属于通讯 协议 的一部分。通讯 协议 往往采用分层模型，不同模型每层的功能定义以及颗粒度不同，例如：TCP/IP 协议 是一个四层 协议 ，而OSI模型却是七层 协议 模型。 在 OSI七层 协议 模型中 展现层 （Presentation Layer） 的主要功能是把 应用层 的 对象 转换成一段连续的 二进制串 ，或者反过来，把 二进制串 转换成 应用层 的 对象 --这两个功能就是序列化和反序列化。 一般而言， TCP/IP 协议 的 应用层 对应与 OSI七层 协议 模型的 应用层 ，展示层和会话层 ，所以序列化 协议 属于 TCP/IP 协议 应用层 的一部分。 本文对序列化 协议 的讲解主要基于 OSI七层 协议 模型 。 序列化： 将 数据结构 或 对象 转换成 二进制串 的过程 反序列化：将在序列化过程中所生成的 二进制串 转换成 数据结构 或者 对象 的过程 数据结构 、 对象 与 二进制串 不同的计算机语言中， 数据结构 ， 对象 以及 二进制串 的表示方式并不相同。 数据结构 和 对象 ：对于类似Java这种完全面向 对象 的语言，工程师所操作的一切都是 对象 （Object），来自于类的实例化。在Java语言中最接近 数据结构 的概念

前言 “ I’m sorry. I can’t do that, Dave.” 这是经典科幻电影《2001: A Space Odyssey》里HAL 9000机器人说的一句话，浓缩了人类对终极人工智能的憧憬。让机器学会说这样简单一句话，需要机器具备情感认知、自我认识以及对世界的认识，来辅助机器处理接收到的各种信息，了解信息背后的意思，从而生成自己的决策。而这些认知模块的基础，都需要机器具备知识学习组织推理的能力，知识图谱就是为实现这些目标而生。 今年5月，美团NLP中心开始构建大规模的餐饮娱乐知识图谱——美团大脑，它将充分挖掘关联各个场景数据，用AI技术让机器“阅读”用户评论数据，理解用户在菜品、价格、服务、环境等方面的喜好，挖掘人、店、商品、标签之间的知识关联，从而构建出一个“知识大脑”。美团大脑已经在公司多个业务中初步落地，例如智能搜索推荐、智能金融、智能商户运营等。 此前，《 美团大脑：知识图谱的建模方法及其应用 》一文，介绍了知识图谱的分类及其具体应用，尤其是常识性知识图谱及百科全书式知识图谱分别是如何使用的。之后我们收到非常多的反馈，希望能进一步了解“美团大脑”的细节。为了让大家更系统地了解美团大脑，NLP中心会在接下来一段时间，陆续分享一系列技术文章，包括知识图谱相关的技术，美团大脑背后的算法能力，千亿级别图引擎建设以及不同应用场景的业务效果等等

前言 这篇主要是记录一下之前看到的一个公开课视频内容，大体讲解的是Redis各种数据结构的应用场景； 如视频所说，一些中小型公司使用Redis的应用场景比较单一， 使用的数据结构大部分是string，或者是hash， 其他数据结构基本使用的很少， 至少我呆过的公司目前是这样的，尴尬！！！ 数据结构 Redis中基本的五种数据结构，分别是字符串string、哈希hash、列表list、集合set、有序集合zset，各种数据结构基本使用请参考 http://redisdoc.com/ ，这里就主要记录应用场景，数据存放结构如下图： String 结构 --具体命令使用参考 http://redisdoc.com/string/ String应用场景 Session共享，根据编程环境提供的对应的RedisSession库可以实现Session共享，这里应该都使用过； 对象缓存，相信很多小伙伴和我一样，也是用Json字符串或者Hash存储， 其实这里说的用MSET和MGET也是一个不错的选择； 分布式锁，主要利用SETNX命令限制， SETNX 是『SET if Not eXists』(如果不存在，则 SET)的简写，但光用这个远远不够，还需要考虑业务其他相关场景； 计数器，主要用作文章的浏览次数，页面访问量等； Hash数据结构 具体命令使用参考 http://redisdoc.com

Hadoop 从存储上来说，是类似于冗余磁盘阵列 (RAID) 的存储方式，将数据分散存储并提供以提供吞吐量，它的存储系统就是 HDFS （ Hadoop Distuibute Fils System ）；从计算上来说，它通过 MapReduce 模型，将大数据的计算分发到多台计算机上完成，再将结果合并，减少计算的时间。 Hadoop 适合于： 1、超大数据的计算； 2、一次写入、多次读取的模式； 3、可以跑在普通的硬件上。 Hadoop 不适合： 1、低延迟的数据访问，它是为高数据吞吐量应用优化的； 若要处理一些用户要求时间比较短的低延迟应用请求，HDFS不适合。它是为了处理大型数据集分析任务的，主要是为达到高的数据吞吐量而设计的。这就可能要求以高延迟作为代价【以时间来换取空间】 。目前补充的方案是：使用HBase,通过上层数据管理项目来尽可能弥补这个不足。 2、大量的小文件 Hadoop 客户端需要和 namenode 进行交互，而 namenode 中存放的是 datanode 的文件属性，且都是在内存中，如果小文件过多， namenode 是存放不了的； 3、多用户写入，任意修改文件。 Hadoop 适合于一次计算，多次读取的场景，如搜索引擎，只支持随机读取不支持随机写入，如 Hadoop 和 Lucene 的集成就不能够直接集成，因为 Lucene 支持随机写入。 来源：

版权声明：本文由Oliver原创文章，转载请注明出处: 文章原文链接： https://www.qcloud.com/community/article/208 来源：腾云阁 https://www.qcloud.com/community 作者介绍：Oliver，腾讯服务器性能测试团队产品经理。 直播的火爆带来了海量的用户，也带来了海量的服务器并发。本文分析了目前直播行业存在的难点，从腾讯目前的新直播产品——NOW直播出发， 了解直播应用背后的那些事。 直播，突然成为了中国互联网的一个最流行的词汇。在《2016-2020年中国网络直播行业深度调研及投资前景预测报告》中的数据表示，2015年，全国在线直播平台数量接近200家，其中网络直播的市场规模约为90亿，网络直播平台用户数量已经达到2亿，大型直播平台每日高峰时段同时在线人数接近400万，同时直播的房间数量超过3000个，更可怕的是，这一数据还在以极快的速度向上攀升。 直播平台用户数量2亿是什么概念？2016版的《微信数据化报告》中提到，目前微信用户达到了6.97亿人，也就是说，在你身边同龄的3-4个朋友之中，很有可能有一个人是网络直播的用户。 直播火没火，看用户就知道，但是直播有没有前景，就要看科技巨头们对它的态度了。 国外的Facebook推出的Facebook live给其用户带来的全新的体验，不仅增加了用户粘性

一、runtime简介 RunTime简称运行时。OC就是 运行时机制 ，也就是在运行时候的一些机制，其中最主要的是消息机制。对于C语言， 函数的调用在编译的时候会决定调用哪个函数 。对于OC的函数，属于 动态调用过程 ，在编译的时候并不能决定真正调用哪个函数，只有在真正运行的时候才会根据函数的名称找到对应的函数来调用。事实证明： 在编译阶段，OC可以 调用任何函数 ，即使这个函数并未实现，只要声明过就不会报错。在编译阶段，C语言调用 未实现的函数 就会报错。 二、runtime作用 1.发送消息 方法调用的本质 ，就是让对象发送消息。objc_msgSend,只有对象才能发送消息，因此以objc开头.使用 消息机制 前提，必须导入#import 消息机制简单使用 // 创建person对象 Person *p = [[Person alloc] init]; // 调用对象方法 [p eat]; // 本质：让对象发送消息 objc_msgSend(p, @selector(eat)); // 调用类方法的方式：两种 // 第一种通过类名调用 [Person eat]; // 第二种通过类对象调用 [[Person class] eat]; // 用类名调用类方法，底层会自动把类名转换成类对象调用 // 本质：让类对象发送消息 objc_msgSend([Person class

1、基本思想：zookeeper的应用场景均可从其节点类型和watcher机制进行考虑。 2、应用场景： a、统一命名服务：主要使用顺序节点进行。 b、集群管理：临时节点+wather机制 c、分布式日志收集： d、master选举： 5、分布式锁：使用临时节点+监听机制 6、分布式屏障：使用临时节点+监听机制 来源： https://www.cnblogs.com/guoyu1/p/11992274.html