mutil

CAP理论 CAP理论作为分布式系统的基础理论，它描述的是一个分布式系统在以下三个特性中： 一致性（ C onsistency） 可用性（ A vailability） 分区容错性（ P artition tolerance） 对于一个分布式系统来说，上述三个特性不能同时兼得，分为CP和AP的系统。例如银行必须是CP。 一致性协议 分为两种： 弱一致性（最终一致性） 强一致性 弱一致性，也称为最终一致性，也就是说各个节点不会立即保证系统同步，属于AP范畴，典型的应用如DNS域名解析服务。 强一致性，表示各个节点的数据必须保持一致，属于CP，典型的应用有Zookeeper。 通常所说的一致性协议算法，指的其实就是 强一致性算法 ，这些算法都是由Lamport提出的 Paxos算法 演变出来。Paxos算法有三个变种，base paxos，multi paxos和fast paxos。其他一致性算法又是由 multi paxos的简化版 演变而来，主要 Raft 和 ZAB 。 强一致性协议的内容 强一致性协议主要包括的内容可以概括为： 选主机制 数据一致性 1）写数据 2）提交数据 saft容错策略 Paxos Paxos本身只是一个理论，并没有落地实现，paxos协议中，存在较多的角色，包括议案发起人，议员和记录员等。 base paxos，是通过 议案编号大小 来进行的

　　机器之心发布 　　 机器之心编辑部 　　 阿里提出并实现了一套基于搜索范式的超长用户行为建模新方法Search-based user Interest Model(SIM)，用于解决工业级应用大规模的用户行为建模的挑战。 　　 　　对用户沉淀的海量历史行为数据进行充分的理解和学习, 是电商、信息流、短视频推荐这类强用户行为反馈驱动的应用中，近几年技术研发的关键方向，尤其是 CTR 模型这个领域，更是关键的胜负手。 　　以淘宝为例，大量的用户在网站上沉淀了长达数年甚至十几年的历史行为数据：平均每个用户每年产生的点击量超过了 10000，更不用提其中高频用户的活跃行为了。然而，如何建模这种超长行为序列的数据，学术界和工业界都还在早期阶段摸索。传统的如 LSTM、Transformer 等序列建模的技术，普遍适用于序列数据长度在 100 以内的情况，当序列长度提高一个数量级达到 1000 以上时，都会存在困难；此外，即使离线模型能够处理，如何将模型部署到实际生产系统，在时延和吞吐上都达到工业级标准，更是极具挑战的难题。 　　18 年我们团队研发上线、19 年在 KDD 上披露的 MIMN[1]，是业界首个处理超长行为序列的工业级解决方案，其提出了一套能够对长达 1000 长度的行为序列数据进行训练和在线 serving 的整体解决方案。然而，MIMN 算法基于的是 memory

阿里提出并实现了一套基于搜索范式的超长用户行为建模新方法Search-based user Interest Model(SIM)，用于解决工业级应用大规模的用户行为建模的挑战。 对用户沉淀的海量历史行为数据进行充分的理解和学习, 是电商、信息流、短视频推荐这类强用户行为反馈驱动的应用中，近几年技术研发的关键方向，尤其是 CTR 模型这个领域，更是关键的胜负手。 以淘宝为例，大量的用户在网站上沉淀了长达数年甚至十几年的历史行为数据：平均每个用户每年产生的点击量超过了 10000，更不用提其中高频用户的活跃行为了。然而，如何建模这种超长行为序列的数据，学术界和工业界都还在早期阶段摸索。传统的如 LSTM、Transformer 等序列建模的技术，普遍适用于序列数据长度在 100 以内的情况，当序列长度提高一个数量级达到 1000 以上时，都会存在困难；此外，即使离线模型能够处理，如何将模型部署到实际生产系统，在时延和吞吐上都达到工业级标准，更是极具挑战的难题。 18 年我们团队研发上线、19 年在 KDD 上披露的 MIMN[1]，是业界首个处理超长行为序列的工业级解决方案，其提出了一套能够对长达 1000 长度的行为序列数据进行训练和在线 serving 的整体解决方案。然而，MIMN 算法基于的是 memory network，在处理更大规模的序列数据时，容易被数据的噪声干扰

MySQL默认的隔离级别是可重复读，即：事务A在读到一条数据之后，此时事务B对该数据进行了修改并提交，那么事务A再读该数据，读到的还是原来的内容。 那么MySQL可重复读是如何实现的呢？ 使用的的一种叫MVCC的控制方式 ，即Mutil-Version Concurrency Control,多版本并发控制，类似于乐观锁的一种实现方式 实现方式： InnoDB在每行记录后面保存两个隐藏的列来，分别保存了这个行的创建时间和行的删除时间。这里存储的并不是实际的时间值,而是系统版本号， 当数据被修改时，版本号加1 在读取事务开始时，系统会给当前读事务一个版本号，事务会读取版本号<=当前版本号的数据 此时如果其他写事务修改了这条数据，那么这条数据的版本号就会加1，从而比当前读事务的版本号高，读事务自然而然的就读不到更新后的数据了 来源： oschina 链接： https://my.oschina.net/u/4167465/blog/3191961

搭建Lift项目 sbt -> sbt + jetty -> sbt + jetty + lift 本章的示例代码在： http://git.oschina.net/yangbajing/lift-book/tree/master/examples/lift-blank 安装Sbt 详细内容请读 附录A. 使用Sbt 创建sbt工程 现在我们重头开始建立一个lift项目，首先需要创建一个sbt工程。我们建立工程目录在： /data/lift-book/examples/lift-blank ，并建立目录结构如下： . ├── project │ ├── Build.scala │ ├── BuildSettings.scala │ ├── Dependencies.scala │ └── plugins.sbt ├── sbt ├── sbt-launch-0.13.0.jar ├── sbt.bat └── src ├── main │ ├── scala │ │ ├── bootstrap │ │ │ └── liftweb │ │ │ └── Boot.scala │ │ └── code │ │ ├── comet/ │ │ ├── helper/ │ │ ├── model/ │ │ └── snippet/ │ └── webapp │ └── WEB-INF │ └─