Streams

【今日推荐】：为什么一到面试就懵逼！>>> 1.1、 Centos8新特性 本节主要讲解CentOS8新特性。CentOS8与前版本比较，究竟有更新哪些新特性？ CentOS8最终于2019年9月24日发布。由于这是一个源自Red Hat Enterprise Linux (RHEL)的Linux发行版，CentOS 完全遵守 Red Hat 的再发行政策，并且致力与上游产品在功能上完全兼容。CentOS 8 主要改动和 RedHat Enterprise Linux 8 (简称RHEL 8，中文名红帽企业Linux 8)是一致的，基于 Fedora 28 和内核版本 4.18，CentOS 对组件的修改主要是去除 Red Hat 的商标及美工图。 CentOS系统在开发人员和系统管理员中广泛使用，因为它提供了对其高度可定制的开源软件包的完全控制。它是稳定的，背后有一个庞大而活跃的支持社区。由于其可靠性，它已经成为服务器操作系统的主流选择。 让我们来看看CentOS8提供的所有新特性和更新。 1、使用Linux内核4.18版本，CentOS8和RedHat8新特性一致，基于4.18的内核版本，提供AMD和Intel 64位架构，以及64位的arm、IBM Power Systems、Little Endian、IBM Z。 2、软件仓库更新，内容分布在两个主要的软件仓库

CompletableFuture 类声明了 CompletionStage 接口，CompletionStage 接口实际上提供了同步或异步运行计算的舞台。 所谓异步调用其实就是实现一个可无需等待被调用函数的返回值而让操作继续运行的方法。在 Java 语言中，简单的讲就是另启一个线程来完成调用中的部分计算，使调用继续运行或返回，而不需要等待计算结果。但调用者仍需要获取线程的计算结果。 CompletableFuture 简单的异步运算场景 CompletableFuture 提供了如下的异步方法， public static <U> CompletableFuture<U> supplyAsync(Supplier<U> supplier) { return asyncSupplyStage(asyncPool, supplier); } public static <U> CompletableFuture<U> supplyAsync(Supplier<U> supplier,Executor executor) { return asyncSupplyStage(screenExecutor(executor), supplier); } public static CompletableFuture<Void> runAsync(Runnable runnable) {

Java书籍是程序员学习提升技能的重要学习渠道，通过书籍Java程序员可以学习当前流行、重要的相关技能。经典的书经受时间的考验，随着岁月的流逝变得越来越重要，让我们不断的学习和进步。 为了帮助大家更轻松的学好java开发，给大家分享一套java开发学习资料，小编推荐一个学java开发技术的学习裙；三七四三二零二八二，无论你是大牛还是小白，是想转行还是想入行都可以来了解一起进步一起学习！裙内有开发工具，很多干货和技术资料分享！ 接下来我们一起来看下学习Java的好书有哪些？ 1、《Head First Java》 《Head First Java》对于新手的程序员来说是很有效的。《Head First Java》涵盖类，对象，线程，集合和语言功能的基本Java编程知识，如泛型，枚举，变量参数或自动装箱，还有一些关于Swing，网络和Java IO的高级部分，这使它们成为Java初学者的完整包。如果你从头开始，这应该是你看的一本Java书。 2、《Head First Design Patterns》 关于继承和组合的，通过引入问题然后解决方案来促进改进实践。还包含有用的项目符号，练习和内存映射，可帮助快速了解设计模式。如果想学习核心Java设计模式和面向对象的设计原则，这是应该查看的一本Java书。 3、《Effective Java》 对于精通Java编程或经验丰富的程序员来说，

时间序列数据是一个物体或多个物体随着时间不断产生的数值序列。比如：从智能电表中获得月电度使用量；每日股票的价格和交易量；ECG(心电图)；地震仪，网络性能数据等等。时间序列数据一定基于时间顺序，这个顺序是所有时间分析算法的基础。 IBM Streams 时间序列工具包（TimeSeries Toolkit），可以用来预处理、分析和建模时间序列数据。 在 IBM Streams 里，时间序列数据有三种主要类型的处理方法: 数据预处理：包括读取、修复、条件化数据。 数据分析 ：包括分析时间序列数据的内在信息。比如：对时间序列数进行计算统计信息和关联，解析和转换. 数据建模：包括时间序列模型的创建以及使用模型来预测或回归。 这个工具包还提供一系列函数来自动生成以测试和验证为用途的时间序列数。以下对该工具包的具体功能： 1. 分析模块具有以下Operator(对时间序列数据流进行连续运算) AnomalyDetector异常检测 CrossCorrelate2交叉关联(滑动点乘或滑动内乘)，用于测量两个时间序列的相似度 CrossCorrelateMulti用于模式识别，两个或多个时间序列。 DSPFilter2数字信号处理（DSP）的过滤操作算法执行对输入时间序列的数字滤波操作。数字滤波是一个普遍的技术使用，以提高或降低的时间序列的某些特性。它可用于长度不能计数的数据处理，例如

1. 什么是Flink? 官网的定义如下: Apache Flink is a framework and distributed processing engine for stateful computations over unbounded and bounded data streams. Flink has been designed to run in all common cluster environments , perform computations at in-memory speed and at any scale. 从官网的定义我们可以看出 1. 首先，它是一个分布式处理引擎和框架 2. 其次，它进行有状态的计算，针对有界和无界的数据流式计算 这里有几点我想详细解释一下： 2-1) 什么叫有界和无界数据? 有界数据集：有限不会改变的数据集合 无界数据(无穷数据集): 无穷的持续集成的数据集合 那么那些常见的无穷数据集有哪些呢？ 用户与客户端的实时交互数据(用户行为) 应用实时产生的日志 金融市场的实时交易记录 2-2) 什么是流式计算？ 说到流式计算我们就不得不提一下批处理计算，因为它们是不同的东西。 批处理：在预先定义的时间内运行计算，当完成时释放计算机资源 流式：只要数据一直在产生，计算就持续地进行 3.

WebSockets 是浏览器上的全双工通信协议。在WebSockets通道存在期间，客户端和服务器之间可以自由通信。 现代 HTML5 兼容的浏览器可以通过 JavaScript API 原生地支持WebSockets。除了浏览器之外，还有许多WebSockets客户端库可用于服务器之间、原生的移动APP通信等场景。在这些环境使用WebSockets的好处是可以重用Play服务器现有的TCP端口。 提示 ：到 这里 查看支持WebSockets的浏览器相关问题。 处理WebSockets 到目前为止，我们都是用 Action 来处理标准 HTTP 请求并返回标准 HTTP 响应。但是标准的 Action 并不能处理 WebSockets 这种完全不同的请求。 Play 的 WebSockets 功能建立在Akka stream的基础上，将收到的 WebSockets 消息变成流，然后从流中产生响应并发送到客户端。 从概念上来说，一个 “流” 指收到消息、处理消息、最后产生消息这样一种消息转换。这里的输入和输出可以完全解耦开来。Akka提供了 Flow.fromSinkAndSource 构造函数来处理这种场景，事实上处理WebSockets时，输入和输出并不直接相互连接。 Play在 WebSocket 类中提供了构造WebSockets的工厂方法。 使用 Akka

3 月，跳不动了？>>> 　　原文链接： 一文弄懂Flink基础理论 　　Flink分布式程序包含2个主要的进程：JobManager和TaskManager.当程序运行时，不同的进程就会参与其中，包括Jobmanager、TaskManager和JobClient。 　　当 Flink 集群启动后，首先会启动一个 JobManger 和一个或多个的 TaskManager。由 Client 提交任务给 JobManager，JobManager 再调度任务到各个 TaskManager 去执行，然后 TaskManager 将心跳和统计信息汇报给 JobManager。TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的 JVM 进程。 JobManager Master进程，负责Job的管理和资源的协调。包括任务调度，检查点管理，失败恢复等。 当然，对于集群HA模式，可以同时多个master进程，其中一个作为leader，其他作为standby。当leader失败时，会选出一个standby的master作为新的leader（通过zookeeper实现leader选举）。 JobManager包含了3个重要的组件： ###（1）Actor系统 Flink内部使用Akka模型作为JobManager和TaskManager之间的通信机制。

3 月，跳不动了？>>> 　　原文链接： 一文弄懂Flink基础理论 　　Flink分布式程序包含2个主要的进程：JobManager和TaskManager.当程序运行时，不同的进程就会参与其中，包括Jobmanager、TaskManager和JobClient。 　　当 Flink 集群启动后，首先会启动一个 JobManger 和一个或多个的 TaskManager。由 Client 提交任务给 JobManager，JobManager 再调度任务到各个 TaskManager 去执行，然后 TaskManager 将心跳和统计信息汇报给 JobManager。TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的 JVM 进程。 JobManager Master进程，负责Job的管理和资源的协调。包括任务调度，检查点管理，失败恢复等。 当然，对于集群HA模式，可以同时多个master进程，其中一个作为leader，其他作为standby。当leader失败时，会选出一个standby的master作为新的leader（通过zookeeper实现leader选举）。 JobManager包含了3个重要的组件： ###（1）Actor系统 Flink内部使用Akka模型作为JobManager和TaskManager之间的通信机制。

3 月，跳不动了？>>> 一、云狐简介 云狐语音识别软件是基于百度智能云，由进击的狐狸进行开发的一款软件。注意，因为核心类代码是2017年就已经写好的了，所以使用的C# SDK包不是最新的。云狐目前支持的平台是Windows系统平台，使用时需要安装微软最新的.net framework 。云狐的主要功能是长时间的语音识别，支持时长超过一分钟的各种类型的语音文件识别，缺点就是速度较慢一些。 云狐视频演示及代码解析的视频链接： https://v.qq.com/x/page/j3023vgs9yz.html 云狐语音识别软件下载： https://blog.csdn.net/ciel_arc/article/details/103172138 另外，云狐和云猫实际上是姐妹软件，因为他们都是基于百度智能云，用C#进行开发的，使用的是百度最新的人工智能技术。而且他们目前都是免费的。这里联动一下，对云猫OCR和云狐语音感兴趣的同学，可以百度搜索“云猫OCR”或“云狐语音” 进行了解。 二、云狐的简单评测 云狐软件自带有计时功能，我们可以简单做一下评测。从上文视频演示的结果可以看出，1分钟左右的语音文件，云狐可以在10秒以内识别完毕，而30分钟左右的语音文件，云狐需要120秒即2分钟左右，才能识别完毕。从中推算出识别速度大概是4秒/分钟。 三、云狐软件的代码原理

某厂面试归来，发现自己落伍了！>>> 导读： 直播行业的竞争越来越激烈，进过18年这波洗牌后，已经度过了蛮荒暴力期，剩下的都是在不断追求体验。最近在帮做直播优化首开，通过多种方案并行，把首开降到500ms以下，希望能对大家有借鉴。 背景： 基于FFmpeg的ijkplayer，最新版本0.88版本。 拉流协议基于http-flv，http-flv更稳定些，国内大部分直播公司基本都是使用http-flv了，从我们实际数据来看，http-flv确实稍微更快些。但是考虑到会有rtmp源，这块也加了些优化。 IP直通车 简单理解就是，把域名替换成IP。比如 https://www.baidu.com/，你可以直接换成14.215.177.39，这样做的目的是，省去了DNS解析的耗时，尤其在网络不好时，访问域名，域名要去解析，再给你返回。不仅仅有时间解析过长的问题，还有小运营商DNS劫持的问题。一般就是在启动应用时，就开始对拉流的域名进行预解析好，存到本地，然后在真正拉流时，直接用就行。典型的案列，就是很多人使用HTTPDNS,这个github上也有开源，可以自行去研究下。 需要注意的是，这种方案在使用 HTTPS 时，是会失败的。因为 HTTPS 在证书验证的过程，会出现 domain 不匹配导致 SSL/TLS 握手不成功。 服务端 GOP 缓存 除了客户端业务侧的优化外