冷启动

原文地址： https://martinfowler.com/articles/serverless.html 作者：Martin Fowler, Mike Roberts 1. 摘要   无服务器架构是一种应用程序设计方法，它合并了第三方“Backend as a Service”（BaaS）提供的服务，和/或运行在FaaS（Functions as a Service）平台中的用户代码。使用这样的思路并结合一些类似spa（单页应用）的应用，设计出的架构消除了对传统常驻服务器组件的大部分需求。无服务器架构将受益于显著降低的操作成本、复杂性和工程领先时间，但也会因依赖于服务提供商和相对不成熟的支撑技术而增加成本。 2. 引言   “Serverless computing”，或简称为“Serverless”，是软件架构世界中的一个热点主题。三大云厂商- Amazon, Google, and Microsoft都对无服务器架构进行了重点布局。我们已经看到许多许多书籍、开源项目、会议和软件厂商在致力于这个领域。但是什么是无服务器架构，它是否值得研究？通过这篇文章中我希望能够抛砖引玉。 3. 什么是无服务器架构   对于无服务器架构没有一个清晰的视图。对于初学者，它包含两个不同但重叠的区域： Serverless最初用于描述那些完全包含第三方的、云托管的

1.工作测试流程： (一).功能测试流程 1.需求评审（重点，你发挥的作用是什么，需求可执行性，关联影响的功能模块，异常情况处理） 2.评估测试时间（测试计划） 3.测试用例设计（正交，边界值，等价类。。） 4.用例review（领导，开发，产品） 5.提测（确认开发进行过自测，功能主流程畅通，然后开始介入测试）（产品开发测试一块走流程） 6.codediff（代码改动点，从根源发现开发的问题，代码中明显测试代码（return，写死值）， 公共静态变量在发生高并发时容易出问题，所以不能让这个变量的值去内存里面取） 7.执行用例 8.提bug（jira） 9.回归测试 10.确认测试（准生产环境确认）（分情况） 11.发布（线上回归）） 12.BUG review（总结问题） 注意点： 发布测试来控制，测试环境部署测试来控制 发布过程中，开发运维做监控。（分批发布） 2.app专项测试： 1.CPU，内存，流量，电量，弱网，兼容性，FPS，中断，安装，稳定性 怎么自动化实现，写一些自动化框架方法封装起来,重复的使用 2.冷热启动的区别 冷启动：在个人电脑中，冷启动是切断电源后重新启动。App类似，就是完全退出（不在后台运行）后重启启动。 热启动：非冷启动情况都可以称为热启动。热启动比冷启动多了一个触发点，那就是在后台启动App，比如双击苹果的HOME键，进行App的热启动

1. 前言 一个应用App的启动速度能够影响用户的首次体验，启动速度较慢(感官上)的应用可能导致用户再次开启App的意图下降，或者卸载放弃该应用程序。本文会通过以下几个方面来介绍应用启动的相关指标和优化，提供应用的启动速度。 整体文章思路如下： 2. 冷启动&热启动 通常来说，启动方式分为两种：冷启动和热启动。 **冷启动：**当启动应用时，后台没有该应用的进程，这时系统会重新创建一个新的进程分配给该应用，这个启动方式就是冷启动。 **热启动：**当启动应用时，后台已有该应用的进程（例：按back键、home键，应用虽然会退出，但是该应用的进程是依然会保留在后台，可进入任务列表查看），所以在已有进程的情况下，这种启动会从已有的进程中来启动应用，这个方式叫热启动。 两者之间的特点如下： 冷启动:系统会重新创建一个新的进程分配给该应用，从Application创建到UI绘制等相关流程都会执行一次。 热启动：应用还在后台，因此该启动方式不会重建Application，只会重新绘制UI等相关流程。 冷热启动时间的计算命令： adb shell am start -W [packageName]/[packageName.XxxActivity] 参数说明： 1、ThisTime:一般和TotalTime时间一样

个性化推荐根据用户兴趣和行为特点，向用户推荐所需的信息或商品，帮助用户在海量信息中快速发现真正所需的商品，提高用户黏性，促进信息点击和商品销售。推荐系统是基于海量数据挖掘分析的商业 智能 平台，推荐主要基于以下信息： 热点信息或商品 用户信息，如性别、年龄、职业、收入以及所在城市等等 用户历史浏览或行为记录 社会化关系 基于人口统计学的推荐机制（Demographic-based Recommendation）是一种最易于实现的推荐方法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。 首先， 系统对每个用户都有一个用户 Profile 的建模 ，其中包括用户的基本信息，例如用户的年龄，性别等等；然后， 系统会根据用户的 Profile 计算用户的相似度 ，可以看到用户 A 的 Profile 和用户 C 一样，那么系统会认为用户 A 和 C 是相似用户，在推荐引擎中，可以称他们是“邻居”；最后，基于“邻居”用户群的喜好推荐给当前用户一些物品。 这种基于人口统计学的推荐机制的好处在于： l因为不使用当前用户对物品的喜好历史数据，所以 对于新用户来讲没有“冷启动（Cold Start）”的问题 。 l 这个方法不依赖于物品本身的数据，所以这个方法在不同物品的领域都可以使用，它是领域独立的（domain-independent） 。

1. 思维图 　　用户冷启动：主要是解决如何给新用户做个性化推荐的问题。 　　系统冷启动：主要解决如何在一个新开发的网站上设计个性化推荐系统。 　　物品冷启动：主要解决如何将新的物品推荐给对它感兴趣的用户。 2. 参考博客 　　https://www.jianshu.com/p/62e5171c85bc 来源： https://www.cnblogs.com/LuckPsyduck/p/12006933.html

阿里P7移动互联网架构师进阶视频（每日更新中）免费学习请点击： https://space.bilibili.com/474380680 本篇文章将先从以下三个内容来介绍启动速度与执行效率优化: [冷启动和热启动解析] [APP启动黑白屏解决办法] [APP 卡顿问题分析及解决方案] 一、冷启动和热启动解析 1.1 启动方式 通常来说，在安卓中应用的启动方式分为两种：冷启动和热启动。 1、冷启动：当启动应用时。后台没有该应用的进程，这时系统会又一次创建一个新的进程分配给该应用，这个启动方式就是冷启动。 2、热启动：当启动应用时，后台已有该应用的进程（例：按back键、home键，应用尽管会退出，可是该应用的进程是依旧会保留在后台，可进入任务列表查看）。所以在已有进程的情况下。这样的启动会从已有的进程中来启动应用。这个方式叫热启动。 1.2 特点 1、冷启动：冷启动由于系统会又一次创建一个新的进程分配给它。所以会先创建和初始化Application类，再创建和初始化MainActivity类（包含一系列的測量、布局、绘制），最后显示在界面上。 2、热启动：热启动由于会从已有的进程中来启动，所以热启动就不会走Application这步了，而是直接走MainActivity（包含一系列的測量、布局、绘制）。所以热启动的过程仅仅须要创建和初始化一个MainActivity即可了

一、运行机制 冷启动指的是重新启动，热启动指的是5分钟内从后台切换到前台，只有冷启动才能加载最新的包。 小程序什么时候会关闭？ 5min后台运行，连续收到两次（2s）系统告警。 二、加载机制 三、小程序的应用生命周期 四、小程序页面的生命周期 来源： https://www.cnblogs.com/xietianjiao/p/11937530.html

<h3>什么是冷启动问题？</h3> <p>     个性化推荐是需要依赖用户的历史行为才能预测用户的兴趣，因此大量的用户行为数据是用户的重要组成部分和先决条件。那么对于在开始阶段就像要一个个性化推荐系统的网站或应用来说，如何在没有用户历史数据的情况下设计个性化推荐并且让用户对推荐结果满意从而使用推荐系统，就是冷启动问题。 </p> <h3>用户冷启动</h3> <p>     如何给新用户做个性化推荐？ <br/>     1、做非个性化推荐，如热门排行榜、人工推荐等<br/>     2、利用用户的个人信息做粗粒度的个性化推荐<br/>     算法核心：计算每种特征（如年龄、性别、职业等）的用户喜欢的商品。即，对于每种特征f，计算具有这种特征的用户对各个商品的喜好程度p(f,i)。<br/>     p(f,i)=|N(i)与U(f)的交集|，其中N(i)是喜欢物品i的用户集合，U(f)时具有特征f的用户集合。<br/>     以上公式可能会出现有一个物品只被一个用户喜欢过，而这个用户刚好就有特征f的情况，那么p(f,i)=1。这种情况没有统计意义，因此我们可以为分母加上一个比较大的数，可以避免这样的商品产生比较大的权重。<br/>     p(f,i)=|N(i)与U(f)的交集|/(|N(i)|+a)<br/>     通过以上公式，可以计算出每种特征的商品集合。<br

冷启动：冷启动其实就是电脑启动的一种方式，当电脑切断电源，在关机状态下按下POWER启动计算机。 热启动：在计算机已经开启的状态下，通过菜单，任务管理器，快捷键或键盘重新引导操作。 共同点： 　　　　无论是冷启动还是热启动，都要重新上电，检测硬件，将RAM区清零，即所有变量都初始化为0。 来源： https://www.cnblogs.com/zhangwei-qianqian/p/11887627.html

推荐系统之冷启动问题 转自http://blog.csdn.net/zhangjunjie789/article/details/51379127 如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统，就是冷启动问题。 冷启动问题主要分为三类： （1） 用户冷启动：如何给新用户做个性化推荐的问题，新用户刚使用网站的时候，系统并没有他的行为数据； （2） 物品冷启动：解决如何将新的物品推荐给可能对它感兴趣的用户； （3） 系统冷启动：如何在新开发网站设计个性化推荐系统，此时网站上用户很少，用户行为也少，只有一些商品的信息。 冷启动的主要解决方案： （1） 提供非个性化推荐：如热门排行榜推荐，等到用户数据收集到一定程度时，切换到个性化推荐； 用户的注册信息分为3种： 　　1）人口统计学信息：年龄、性别、职业、民族、学历和居住地等；典型代表是Bruce Krulwich开发的Lifestyle Finder 　　2）用户兴趣的描述：有些网站要求用户填写； 　　3）从其他网站导入的用户站外行为数据。 有两个推荐系统数据集包含了人口统计学信息：BookCrossing数据集和Lastfm数据集。 利用的用户人口统计学特征越多，越能准确地预测用户兴趣。 （2） 利用用户注册信息：如性别，年龄，做粗粒度的个性化； 基于注册信息的个性化推荐流程: 　　1)