场景应用

1、当一个变量可能会被意想不到的更新时，要使用volatile来声明该变量，告诉编译器它所修饰的变量的值可能会在任何时刻被意外的更新。 2、语法 　　volatile int foo; 　　int volatile foo; 　　 　　volatile int * foo; int volatile * foo; 　　 　　int * volatile foo; 　　int volatile * volatile foo; 3、场景 　　 1）并行设备的硬件寄存器（如状态寄存器） 　　假设我们有一个8位的状态寄存器映射在地址0x1234上。系统需要我们一直监测状态寄存器的值，直到它的值不为0为止。通常错误的实现方法是： UINT1 * ptr = (UINT1 *) 0x1234; // Wait for register to become non-zero.等待寄存器为非0值 while (*ptr == 0); // Do something else.作其他事情 汇编代码： 　　　　mov ptr, #0x1234 　　　　mov a, @ptr 　　　　loop bz loop　　编译器认为变量值总是不变的，不必要到内存中读取它，使用一个无限循环来结束 正确： 　　　　UINT1 volatile * ptr = 　　　　(UINT1 volatile *) 0x1234

场景概述 日终清算操作 所涉系统名称 登记过户管理系统（TA），投资交易系统(032) 人工操作（时间/次） 60-80分钟 所涉人工数量 2 操作频率 每日 场景流程 这两个流程一般在晚上8-9点开始，在流程处理期间，由于要实时监控每个环节的运行情况，并根据处理结果进行操作，因此业务人员需要一直盯着电脑屏幕，无法同时处理其他工作，也容易产生疲劳。通过引入这两个流程机器人，一方面减少了重复性的人工操作，机器人运行过程中无需人工干预，每个环节的处理结果均通过短信第一时间进行通知。另一方面也可避免由于新员工不熟悉操作流程或夜间疲劳工作产生误操作，有效降低操作的差错率。 归属行业 银行 效率提升ROI 每年节约40天 文章来源： http://rpazj.com 作者：RPA之家 来源： https://www.cnblogs.com/The-day-of-the-wind/p/11880975.html

场景概述 考勤审批 所涉系统名称 考勤系统，微信 人工操作（时间/次） 5分钟 所涉人工数量 43 操作频率 不定时 场景流程 1、客户领导长期出差，又不想对考勤系统做深度开发； 2、员工请假后，领导发送微信给机器人； 3、机器人进入考勤系统完成审批。 归属行业 人力 效率提升ROI 每日节省4小时 文章来源： http://rpazj.com 作者：RPA之家 来源： https://www.cnblogs.com/The-day-of-the-wind/p/11880842.html

所涉人工数量5操作频率 不定时 场景流程 1、客户按照项目开设专项财务管理，每个项目需要在初期建立自己的账套； 2、运营专员通过邮件发送账套建立申请； 3、根据申请进入金蝶运维后台，依据规则完成账套建立，每账套约10-15个 模块300余个段值； 4、将新建的账套号发送给运营专员。 归属行业 财务 效率提升ROI 每日节省16小时 文章来源： http://rpazj.com 作者：RPA之家 来源： https://www.cnblogs.com/The-day-of-the-wind/p/11880710.html

调研：李喆 冯伟，撰写：冯伟 云原生技术提供商时速云立足容器云产品矩阵，从工具向技术中台迈进，致力于为企业应用提供从研发、集成、测试、交付到运维的全生命周期服务，并拓展AI、边缘计算等新场景，深度服务金融、能源、运营商、制造、教育等多个领域客户。 在过去三到五年时间里，云计算技术正在日益深刻地改变各行业、各领域的信息化建设。在一些信息化建设历史久远，系统比较完善的行业和领域内，企业的IT架构正面临从传统的单体架构向更加适应云环境的微服务架构转型的迫切需求。对于那些IT架构刚刚搭建不久的初创型互联网公司，日益增长的业务量也对服务的稳定性和运维的效率提出了更高的要求。 近年来，IT架构转型的需求催生了云计算领域中一个蓬勃发展的细分赛道——云原生。自2018年来，云原生技术开始在企业IT架构搭建和转型中发挥引领性作用，容器、DevOps、微服务、敏捷方法、持续集成、持续交付等云原生理念日益深入人心，这也是云计算浪潮发展到一个成熟阶段后的必然结果。 成立于 2014 年底的时速云，是⼀家专注云原生技术的容器云PaaS服务提供商，其创始团队来自于IBM、VMWare、Oracle、阿里云等国内外巨头企业。 时速云作为在容器云产品化尝试中最早选择Kubernetes路线的厂家，从2018年开始到2019年，在人工智能、边缘计算等领域进行了应用场景的拓展，同时加强了产品对敏捷开发体系

工作之后经常听到数据埋点这个词，但不明白埋点是什么。一下答案参考知乎大神的答案 知乎原文：https://www.zhihu.com/question/36411025 第一个答案 作者：大头鱼 链接： https:// zhuanlan.zhihu.com/p/25 195217 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 所谓埋点就是在应用中特定的流程收集一些信息，用来跟踪应用使用的状况，后续用来进一步优化产品或是提供运营的数据支撑，包括访问数（Visits），访客数（Visitor），停留时长（Time On Site），页面浏览数（Page Views）和跳出率（Bounce Rate）。这样的信息收集可以大致分为两种：页面统计（track this virtual page view），统计操作行为（track this button by an event）。 数据埋点的方式 现在埋点的主流有两种方式： 第一种：自己公司研发在产品中注入代码统计，并搭建起相应的后台查询。 第二种：第三方统计工具，如友盟、神策、Talkingdata、GrowingIO等。 如果是产品早期，通常会使用第二种方式来采集数据，并直接使用第三方分析工具进行基本的分析。而对于那些对数据安全比较重视，业务又相对复杂的公司则通常是使用第一种方式采集数据

一、IP网络基础 （一）internet简介史 1960（ARPANET）-1970（Internet概念诞生、TCP/IP诞生）—1980（CSNET NSFNET）—1990(ANASNET)-现在(Internet) （二）什么是Internet？ 1、网络：将2组通信设备连接一起互通。 2、Internet：2个或者多个设备彼此通信，使用TCP/IP协议互连。 设备与设备通过网络介质互联构成网络，网络与网络之间通过TCP/IP协议互连构成Internet。 （三）数据通信协议基础： 1、OSI RM：开发系统互联参考模型（open system interconnection reference model）--七层协议架构—物理层、数据链路层、网络层、传输层、会话层、表示层、应用层 2、TCP/IP协议族—五层协议架构—物理层、数据链路层、网络层、传输层、应用层 （四）TCP/IP各层功能 1-3层：数据通信主要层 1、物理层：1、定义了电压、接口、电缆标准、传输距离。2、传输比特流。3、定义了传输介质：同轴电缆、双绞线、光纤、无线电波等。 物理层主要设备：集线器HUB（交换）、中继器repeater 2、数量链路层：1、物理地址MAC的定义。2、链路参数与流控参数的定义。3、差错验证。 主要设备：2层/以太网交换机、网桥。 物理地址（MAC）的介绍 全球唯一的物理地址

RPA Robotic Process Automation 机器流程自动化 简而言之：就是虚拟劳动力 概念： RPA是智能化软件，可以理解为自动化机器人。只要预先设计好使用规则，RPA就可以模拟人工，进行复制、粘贴、点击、输入等行为，协助人类完成大量“规则较为固定、重复性较高、附加值较低”的事情。 RPA产品形态： 当下的市场上存在三种RPA产品形态： 第一种是企业定制化的独立RPA软件，打开电脑点击即可使用； 第二种是应用于财会、金融等行业场景的平台化RPA产品，客户端包括图形化设计器、执行环境（机器人），云端控制台则是基础的AI服务和结算系统； 第三种则是支持开发者二次开发的RPA平台，提供第二种所有功能的同时还提供对应的开发接口，以便定制化。 RPA的适用场景评估 哪些业务流程适合应用RPA？ 简单且重复的操作 　　RPA主要是代替人工进行复杂性机械操作，它适用的流程必须基于明确的规则，逻辑性强，很少需要决策判断的任务及流程。RPA不适用于创造性强，流程变化频繁的办公场景。 耗时或对操作速度有要求的工作模式 　　弥补人工操作容忍度低，峰值处理能力差的缺点，例如代替人工值守夜间的工作，需要及时向客户交付服务的流程。 量大且易出错的业务 　　RPA的一个主要好处就是节省人力，防止人工错误。 内部系统过多 　　需要跨平台，跨系统进行的任务。企业内部过多的IT系统

责任链设计模式（Chain of Responsibility）的应用有：Java Web中的过滤器链、Struts2中的拦截器栈。 先看一个问题： 给定一个字符串“被就业了：)，敏感信息，<script>”，对其中的HTML标记和敏感词进行过滤或替换。 本文主要以该问题设计方法的演变来讲解责任链设计模式。 第一种设计：没有任何设计模式 设计了一个MsgProcessor类，完成字符串处理的主要工作。MainClass类是本设计中的测试类。 public class MainClass { public static void main(String[] args) { //需要被过滤的语句 String msg = "被就业了：)，敏感信息，<script>"; //实例化处理类 MsgProcessor mp = new MsgProcessor(msg); String r = mp.process(); System.out.println(r); } } public class MsgProcessor { private String msg; public MsgProcessor(String msg){ this.msg = msg; } public String process(){ String r = msg; //过滤msg中的HTML标记 r = r

近年来，图神经网络的研究成为深度学习领域的热点。近日，清华大学孙茂松组在 arXiv 上发布预印版综述文章 Graph Neural Networks: A Review of Methods and Applications 。 该文总结了近年来图神经网络领域的经典模型与典型应用，并提出了四个开放性问题。 对于希望快速了解这一领域的读者，不妨先从这篇文章看起。 除了这篇综述外，文章作者在 Github 中更新了该领域的参考文章列表（ https://github.com/thunlp/GNNPapers ），供各位读者参考查看。 引言 图是一种数据结构，它对一组对象（节点）及其关系（边）进行建模。近年来，由于图结构的强大表现力，用机器学习方法分析图的研究越来越受到重视。图神经网络（GNN）是一类基于深度学习的处理图域信息的方法。由于其较好的性能和可解释性，GNN 最近已成为一种广泛应用的图分析方法。 GNN 的第一个动机源于卷积神经网络（CNN）。 CNN 的广泛应用带来了机器学习领域的突破并开启了深度学习的新时代。然而 CNN 只能在规则的 Euclidean 数据上运行，如图像（2 维网格）和文本（1 维序列）。如何将 CNN 应用于图结构这一非欧几里德空间，成为 GNN 模型重点解决的问题。 ▲ 图1. 左：图像（欧几里得空间） 右：图（非欧几里德空间） GNN