流量

Description Alice和Bob在图论课程上学习了最大流和最小费用最大流的相关知识。 最大流问题：给定一张有向图表示运输网络，一个源点S和一个汇点T，每条边都有最大流量。一个合法的网络流方案必须满足：(1)每条边的实际流量都不超过其最大流量且非负；(2)除了源点S和汇点T之外，对于其余所有点，都满足该点总流入流量等于该点总流出流量；而S点的净流出流量等于T点的净流入流量，这个值也即该网络流方案的总运输量。最大流问题就是对于给定的运输网络，求总运输量最大的网络流方案。 上图表示了一个最大流问题。对于每条边，右边的数代表该边的最大流量，左边的数代表在最优解中，该边的实际流量。需要注意到，一个最大流问题的解可能不是唯一的。 对于一张给定的运输网络，Alice先确定一个最大流，如果有多种解，Alice可以任选一种；之后Bob在每条边上分配单位花费（单位花费必须是非负实数），要求所有边的单位花费之和等于P。总费用等于每一条边的实际流量乘以该边的单位花费。需要注意到，Bob在分配单位花费之前，已经知道Alice所给出的最大流方案。现茌Alice希望总费用尽量小，而Bob希望总费用尽量大。我们想知道，如果两个人都执行最优策略，最大流的值和总费用分别为多少。 Input 第一行三个整数N，M，P。N表示给定运输网络中节点的数量，M表示有向边的数量，P的含义见问题描述部分。为了简化问题

1，关键词分类 2，提升类目搜索排行 3，直通车经营理念 　　1，引流 　　 　　2，推新品 3，打造爆款 　　 4，流量价值计算 5，新店开车 6，新品开车 　　 　　 来源： https://www.cnblogs.com/cbma0116/p/12243181.html

Youtube白噪音视频，通过 Youtube 来导流，卖虚拟服务。 聚合垂直的 Youtube 频道，如化妆、惊悚、奇异、搞笑、小猫小狗等，通过头条号、公众号、微博号等来经营，做的好可以再往 app 走。 基于关键词的 Youtube 的短视频 rss 服务，类似于大辉老师新出的 readhub ，不过是视频版的。 (想法生成) Youtube ideas 聚合，基于热点以及历史数据，提供一些拍客视频的想法，按月收费服务。 Youtube 榜单 /YoutubeTOP 列表，提供精彩视频以及 playlist 的导航以及分析。 Youtube免版权音乐下载， youtube 自身提供一些免费版权的音乐，可以将这些聚合起来之后免费提供，通过广告或者一些素材收费。 Youtube tag 提取工具， Youtube Tags 搜索器，自动提取，有个思路是分久必合，合久必分，别人收费的你免费，别人巨无霸，你单点切入。 Youtube Name generator ，如 YouTube Name Generator For Cool Channel Names ! ， 每月接近百万流量。 Youtube 关键词分析服务商，提供关键词的指导建议，按月收费服务。现在 Adwords 不免费提供 keyword planner 之后， 此类需求上升。如 https://kparser.com

阿里云负载均衡——SLB，是将访问流量根据转发策略分发到后端多台云服务器（ECS实例）的流量分发控制服务。包含两种含义：一是通过流量分发，扩展应用系统的服务能力；二是消除单点故障，提高应用系统的可用性。 应用场景 我们具体来看一看它的使用场景。 第一个使用场景的是用于高访问量的业务。 当你的应用访问量非常大，单台的服务器已经无法承载这个访问量的时候，就可以使用负载均衡，将流量分发到不同的服务器上去。 第二个场景是横向扩张系统。 当你已经使用了负载均衡，在业务有波动时可以在后端非常方便的添加和减少ECS来调整自己应用的服务能力。 第三个应用场景是消除单点故障。 当我们在使用负载均衡时，后端有多台ECS在同时工作的。一旦其中一台ECS上的应用发生了故障，那么负载均衡会通过一个健康检查的机制来及时的发现这个故障，并且能屏蔽对这台ECS的流量转发，然后将用户的请求转发到另一台正常工作的ECS实例上。 更多知识： 阿里云帮助中心-负载均衡 同城容灾 阿里云负载均衡可以实现同地域多可用区之间同地域容灾，当主可用区出现故障是，可以在短时间内切换到另一备用可用区，以恢复服务能力。同时，主可用区恢复访问时，它会自动切换到主可用区。 跨地域容灾 跨地域容灾通过云解析做智能DNS，将域名解析到不同地域的负载均衡实例地址下，以实现全局负载均衡，当某个地域出现不可用时

流量削峰的由来 主要是还是来自于互联网的业务场景，例如，马上即将开始的春节火车票抢购，大量的用户需要同一时间去抢购；以及大家熟知的阿里双11秒杀，短时间上亿的用户涌入，瞬间流量巨大（高并发），比如：200万人准备在凌晨12:00准备抢购一件商品，但是商品的数量缺是有限的100-500件左右。 这样真实能购买到该件商品的用户也只有几百人左右， 但是从业务上来说，秒杀活动是希望更多的人来参与，也就是抢购之前希望有越来越多的人来看购买商品。 但是，在抢购时间达到后，用户开始真正下单时，秒杀的服务器后端缺不希望同时有几百万人同时发起抢购请求。 我们都知道服务器的处理资源是有限的，所以出现峰值的时候，很容易导致服务器宕机，用户无法访问的情况出现。 这就好比出行的时候存在早高峰和晚高峰的问题，为了解决这个问题，出行就有了错峰限行的解决方案。 同理，在线上的秒杀等业务场景，也需要类似的解决方案，需要平安度过同时抢购带来的流量峰值的问题，这就是流量削峰的由来。 怎样来实现流量削峰方案 削峰从本质上来说就是更多地延缓用户请求，以及层层过滤用户的访问需求，遵从“最后落地到数据库的请求数要尽量少”的原则。 1.消息队列解决削峰 要对流量进行削峰，最容易想到的解决方案就是用消息队列来缓冲瞬时流量，把同步的直接调用转换成异步的间接推送，中间通过一个队列在一端承接瞬时的流量洪峰，在另一端平滑地将消息推送出去。

提 纲 1、 移动DSP与传统营销有什么不同？ 2、为什么移动DSP是大势所趋？ 3、哪些因素决定移动DSP的精准与否？ 4、如何辨别移动DSP的真伪优劣？ 5、不同行业的广告主如何用好移动DSP？ 6、怎么用移动DSP获得最优ROI？ 7、什么样的广告主适合选择PMP？ 8、移动DSP 2.0为什么是移动程序化场景营销？ 1 移动DSP与传统营销有什么不同？ 移动DSP与传统营销都是广告主进行品牌宣传的手段，不同在于： 就广告投放的 本质 而言，移动DSP实现的是媒体背后的人群购买，而传统营销则是对媒体版面的购买； 就广告投放的 流程 来说，移动DSP大多采用实时竞价的方式进行广告的实时投放，广告主可根据投放效果及时调整、优化投放策略，而传统营销则需要提前与媒体谈判购买固定的版面，投放期间也无法实时调整或优化； 就广告投放的 效果 而言，移动DSP全程数据化、公开化、透明化，曝光、点击、下载、购买等均有数据可查，而传统营销只能通过媒体属性来估算曝光量和覆盖面。 2 为什么移动DSP是大势所趋？ 首先，传统购买媒体版位、模糊估算广告效果的投放方式被认为“一半的广告费被浪费，还不知道浪费在哪里”，以大数据和技术为基础的移动DSP很好的解决了这一问题； 其次，全球智能手机用户数量将在今年超过20亿，中国网民达6.68亿，9成用户使用手机上网。

提起 Spring Cloud 的限流降级组件，一般首先想到的是 Netflix 的 Hystrix。 不过就在2018年底，Netflix 宣布不再积极开发 Hystrix，该项目将处于维护模式。官方表示 1.5.18 版本的 Hystrix 已经足够稳定，可以满足 Netflix 现有应用的需求，所以接下来其会把焦点转向对于自适应的实现，更多关注对应用程序的实时性能做出响应。对于新应用的熔断需求，将采用其它项目实现，Netflix 推荐了 Resilience4j。 作为 Spring Cloud Netflix 重要套件，Hystrix已经成为保障微服务稳定性的首选应用。其实除了 Netflix 和 Resilience4j，限流降级还有一个新的选择，就是阿里巴巴的Sentinel组件。 一、阿里开源 Sentinel 简介 2018年8月，阿里巴巴宣布将 Sentinel 进行开源，同时推出了结合 Dubbo 的适配器，捐赠给了Apache Dubbo社区。 1.Sentinel 的历史 2012 年，Sentinel 诞生，主要功能为入口流量控制。 2013-2017 年，Sentinel 在阿里巴巴集团内部迅速发展，成为基础技术模块，覆盖了所有的核心场景。Sentinel 也因此积累了大量的流量归整场景以及生产实践。 2018 年，Sentinel 开源，并持续演进。

最 小 费 用 最 大 流 最小费用最大流 最 小 费 用 最 大 流 题目链接： luogu P3381 题目 如题，给出一个网络图，以及其源点和汇点，每条边已知其最大流量和单位流量费用，求出其网络最大流和在最大流情况下的最小费用。 输入 第一行包含四个正整数 N N N 、 M M M 、 S S S 、 T T T ，分别表示点的个数、有向边的个数、源点序号、汇点序号。 接下来 M M M 行每行包含四个正整数 u i u_i u i ​ 、 v i v_i v i ​ 、 w i w_i w i ​ 、 f i f_i f i ​ ，表示第 i i i 条有向边从 u i u_i u i ​ 出发，到达 v i v_i v i ​ ，边权为 w i w_i w i ​ （即该边最大流量为 w i wi w i ），单位流量的费用为 f i f_i f i ​ 。 输出 一行，包含两个整数，依次为最大流量和在最大流量情况下的最小费用。 样例输入 4 5 4 3 4 2 30 2 4 3 20 3 2 3 20 1 2 1 30 9 1 3 40 5 样例输出 50 280 样例解释 如图，最优方案如下： 第一条流为 4 − − > 3 4-->3 4 − − > 3 ，流量为 20 20 2 0 ，费用为 3 ∗ 20 = 60 3*20=60 3 ∗ 2 0 = 6 0 。

环境： 本测试环境为CentOS7_x86_64 方法一： 1，测试网络带宽常用命令(包含安装使用) yum -y install iperf 2，测试时记得关闭防火墙或者自行配置防火墙规则，为了快速测试，这里就直接关闭防火墙 systemctl stop firewalld 3，安装完iperf后，在Server端执行 iperf -s -i 1 -f m -s表示server，-i表示显示时间间隔，-f表示显示格式化的单位 4，在Client端执行如下命令 iperf -c 10.241.18.1 -i 1 -t 30 -f m -c表示客户端，后面接server的地址，-t代表运行的时间 方法二： 使用speedtest-cli命令。 1，安装speedtest-cli yum –y install python-pip pip install speedtest-cli 2，测试带宽 三，查看网卡，网络情况 1，使用nload命令查看 yum -y install nload 2， 查看eth0网卡网络情况 nload eth0 Incoming也就是进入网卡的流量，Outgoing，也就是从这块网卡出去的流量，每一部分都有下面几个。 -- Curr：当前流量 -- Avg：平均流量 -- Min：最小流量 -- Max：最大流量 -- Ttl：总流量

上下界网络流 前言 我花了几乎一个白天的时间来想为什么有源汇最大流求出的保证是原图的最大流...现在已经不想提这个东西了...简单记一下吧，乱七八糟的思考过程略去了 上下界网络流概述 网络流：满足容量限制和流量平衡 上下界网络流：同时有流量上界和流量下界 \[ \forall i \in V-\{s,t\},\ \sum_{(u,i)\in E}f(u,i) = \sum_{(i,v)\in E}f(i,v) \\ B(u,v) \le f(u,v) \le C(u,v) \\ \] 必须流：B 自由流：C-B 无源汇可行流 没有源点和汇点，要求每个点流量平衡 直接令 \(f(u,v)=B(u,v)+g(u,v)\rightarrow g(u,v) \le C(u,v)-B(u,v)\) 这时候在附加网络中求出的可行流g 不满足原网络流量平衡的限制 ，因为每条边下界不同 通过引入附加源汇ss,tt来补充流量 令 \(extra(i)=\sum_{(u,i)\in E}B(u,i) - \sum_{(i,v)\in E}B(i,v)\) 即 流入下界-流出下界 extra(i)>0, 需要额外流入流量; extra(i)<0, 需要额外流出流量. 分别让附加源和附加汇连边，然后求ss到tt的最大流，如果从ss出的所有边满流那么有解，求出的就是原图的一个可行流 这时候原图中每条边的流量