topology

在 上一篇 中提到，SimRank的计算复杂度非常高，在实际部署中是大不可能计算其真实值的，也没有必要。对于其近似值的计算来说，有很多计算方法。 在实际中，由 条目-用户 关系构建消费关系图 ，对应的顶点数量 （条目数加用户数）。 由此可以构成一个 邻接矩阵 , 其中 . 并可以计算出SimRank矩阵 . 显然地，矩阵 的对角线元素都是1，即 . 我们把邻接矩阵 按列进行归一化： , 其中 . 那么，按照SimRank的定义 , 其中 表示按相同位置取大值，即 , 是人工定义的权重常数. 该定义保证 . 由于实际中 是无向图，有预设 是实对称阵，即 . 同样地，也有 是实对称阵。 总是可以对角化。 由 定义可知， 与 仅在对角线上有元素不同。因此总是存在对角线矩阵 , 这里我们可以称 为 对角修正矩阵 [1] . 也就有 . 把上式的左边不断代入右边： (1) 也就是说，SimRank矩阵的计算问题可以 转换为对角修正矩阵的计算问题 。对应地，对于SimRank中的矩阵元素 , 有 由于 是介于0到1之间的常量，所以上式是一个无穷收敛级数. 如果定义 为上式加到第 项的值，也就是 于是其误差范围： . (2) 这对迭代次数与对应的误差范围给出了明确的关系。 由于 是常量，如果定义 , 则有 (3) 而根据定义， [2] , 所以 . 到这里，对角修正矩阵 的计算还是跟

华为S12700集群 为SwitchA和SwitchB分别安装集群卡并连接集群线缆 配置集群连接方式、集群ID和集群优先级 使能集群功能 SWA sys sys SwitchA set css mode css-card set css id 1 set css priority 100 SWB sys sys SwitchB set css mode css-card set css id 2 set css priority 10 SWA css enable SWB css enable 查看集群后的状态 display css status CSS Enable switch On Chassis Id CSS Enable CSS Status CSS Mode Priority Master Force 1 On Master CSS card 100 Off 2 On Standby CSS card 10 Off 华为S6700堆叠： 配置逻辑堆叠端口并加入物理成员端口 配置堆叠ID和堆叠优先级 配置SwitchB的堆叠ID为1 SWA sys sys SwitchA int stack-port 0/1 port int g 0/0/27 enable int stack-port 0/2 port int g 0/0/28 enable SWB sys sys

基于源码版本号 0.67 ， 【Seaweedfs以前旧版叫Weedfs】。 Seaweedfs 是一个非常优秀的由 golang 开发的分布式存储开源项目， 虽然在我刚开始关注的时候它在 github.com 上面只有 star 50+， 但是我觉得这个项目是一个几千 star 量级的优秀开源项目。 Seaweedfs 的设计原理是基于 Facebook 的一篇图片存储系统的论文 Facebook-Haystack ， 论文很长，但是其实原理就几句话，可以看看 Facebook图片存储系统Haystack ， 我觉得 Seaweedfs 是青出于蓝而胜于蓝。 Seaweedfs 这个开源系统涵盖的面比较多， 很难在一篇文章里面说清楚， 只能尽可能清楚的说说主要的部分。 源码目录结构 核心模块 weed 入口目录 weed/weed_server 入口目录与HTTP服务相关 topology 核心模块，主要包括 【DataCenter, Rack, DataNode】 三层拓扑结构。 storage 核心模块，主要包括【Store, Volume, Needle】这三大块存储相关的源码。 辅助模块 sequence 负责FileID的全局有序生成 filer 提供支持 HTTP REST 操作的文件服务器，其实就是基于 leveldb 把文件名和目录结构存储起来。 stats

本文为原创文章。欢迎任何形式的转载，但请务必注明出处 冷冷 https://lltx.github.io。 Spring Boot 2.3 新特性优雅停机详解 Spring Boot 2.3 新特性分层 JAR 本篇是 spring boot v2.3 系列第三篇，来分享一下 v2.3 关于 spring data redis 的故障转移优化。 背景 关于 Redis 在生产中我们一般情况下都会选择 redis cluster 高可用架构部署，既能保证数据分片并且实现节点的故障自动转移。 基本部署拓扑如下： 创建测试集群 这里通过我封装的 pig4cloud/redis-cluster:4.0 镜像，即可构建一个 6 个节点的 redis cluster 测试环境。 docker run --name redis-cluster -d -e CLUSTER_ANNOUNCE_IP=宿主机IP \ -p 7000-7005:7000-7005 -p 17000-17005:17000-17005 pig4cloud/redis-cluster:4.0 查看集群节点信息 ⋊> ./redis-cli -h 172.17.0.111 -p 7000 -c 16:09:48 172.17.0.111:7000> cluster nodes

前言 本篇文章主要介绍的是SpringBoot整合kafka和storm以及在这过程遇到的一些问题和解决方案。 kafka和storm的相关知识 如果你对 kafka 和 storm 熟悉的话，这一段可以直接跳过！如果不熟，也可以看看我之前写的博客。一些相关博客如下。 kafka 和 storm的环境安装 地址: http://www.panchengming.com/2018/01/26/pancm70/ kafka的相关使用 地址: http://www.panchengming.com/2018/01/28/pancm71/ http://www.panchengming.com/2018/02/08/pancm72/ storm的相关使用 地址: http://www.panchengming.com/2018/03/16/pancm75/ SpringBoot整合kafka和storm 为什么使用SpringBoot整合kafka和storm 一般而言，使用kafka整合storm可以应付大多数需求。但是在扩展性上来说，可能就不太好。目前主流的微服务框架SpringCloud是基于SpringBoot的，所以使用SpringBoot对kafka和storm进行整合，可以进行统一配置，扩展性会更好。 使用SpringBoot整合kafka和storm做什么 一般来说

某高校批量升级IOS，刚开始手动升。感觉很慢，写了个类似的脚本。如下: 1，Topology Eth_link Switch(3750x) -------------- Computer(Tftp32) 192.168.1.1/24 192.168.1.110/24 2 , 配置 ——————————————————————————————————————————————— en conf t int vl 1 no shut ip add 192.168.1.1 255.255.255.0 exit exit //交换都可用管理IP或者3层IP与local_computer来通信。 ! //vlan1启动需要几s时间，些许等待。 ! copy tftp: flash: //把电脑端的IOS拷到交换机 192.168.1.110 //会提示地址，把你所设的地址填到此处 c3750-ipservicesk9-mz.122-55.SE1.bin //会提示IOS名字，把IOS名字填到此处。 c3750-ipservicesk9-mz.122-55.SE1.bin //同上 ! dir !======= if there is ok,continue ============ conf t boot sys flash:/c3750-ipservicesk9-mz.122-55.SE1

推荐系统的问题/任务描述有两种方式，一是 预测 ，也就是对于 用户-条目对 预测出用户的(喜好)评分值(比如上一篇提到的 隐语义模型 )。对于这种问题描述，通常假设训练数据是可得的，对于 个用户和 个条目的数据，也就是存在一个不完整的 矩阵，其已知部分(已有观测)用作训练，以预测未知部分(空白观测)。这样就把推荐问题转化为Matrix Completion Problem(矩阵补全问题). 第二个是 排序 ，在实际推荐系统中，我们做推荐没有必要得到用户对所推荐条目的准确喜好值，而只是需要推荐特定用户最可能喜好的top-k条目。而且对用户的top-k条目问题比对条目的top-k用户问题更常见，虽然这两个子问题是完全等价的。 做排序的方法中，可解释性最好的通常是基于 前篇 提到的邻域方法。因为它们都基于一个共同的强假设：在观测到用户消费过条目A之后，我们有很高的可能性观测到用户会喜欢与A相似的条目B以及相似的用户可能喜欢同一个条目。既然是描述相似性，我们可以认为物品A与物品B的相似性等价于物品B与物品A的相似性，也就是说，由包含物品A和B等组成的节点之间的相似性，构成无向图。按照定义 [1] , , 其中 是介于0到1之间的常量， 和 分别表示 和 的直接相连节点(in-link nodes)组成的集合, , . 当 时， ，否则 . 这个定义是递归定义，其对应的计算过程也是递归的

目录 PROPOSED METHODS 实验 文本一共有…九个作者，分别来自西安电子科技大学，Shanghai BNC，Murdoch University以及University of Western Australia。 本文提出了一种新的图自适应池化方法（ GSAPool ），其目的如下:(1)构建合理的池化图拓扑，同时考虑了图的结构和特征信息，在节点选择上提供了更高的准确性和客观性;(2)使合并的节点包含足够有效的图信息，在丢弃不重要节点之前对节点特征信息进行聚合;因此，被选中的节点包含来自邻居节点的信息，可以增强未被选中节点特征的使用。在四个不同数据集上的实验结果表明，我们的方法在图分类方面是有效的，并且优于现有的图池方法。 PROPOSED METHODS 池化的结构包含三部分：the structure-based topology learning (SBTL), the feature-based topology learning (FBTL), and the structure-feature topology learning (SFTL)，如下图所示。 GSAPool的包括两部分:池拓扑学习和节点特征融合。SBTL和FBTL分别聚合结构上的特征（通过GCN）和本身特征的一个重要程度的筛选（MLP）。GCN如下： 或者也可以替换成其他的GNN架构： 然后

DHCP服务 一、DHCP介绍 DHCP(Dynamic Host Configuration Protocol，动态主机配置协议),通常被应用在局域网络环境中，主要作用是集中的管理、分配IP地址，使网络环境中的主机动态的获得IP地址、Gateway地址、DNS服务器地址等信息，并能够提升地址的使用率。由于DHCP是一个UDP协议，所以运行起来更加高效。 DHCP协议采用客户端/服务器模型(C/S模型)，服务端可以为客户端提供IP、掩码、网关、主机名、DNS等信息。客户端只需将IP获得方式设置为自动获取即可。 目前可以提供DHCP服务的设备有很多，比如: DHCP服务器(windows server、linux) 硬件路由器 家用宽带路由 二、DHCP应用场景 1）公司局域网环境 2）家庭局域网环境 3）公共场合的wifi环境 4）宽带环境网络 使用DHCP的优点： ​ 1）傻瓜式接入：用户只需懂得插网线到电脑，或者输入WiFi密码接入网络即可实现联网 ​ 2）IP高效利用：及时回收IP机制，保证IP的高利用性，特别是对IP不足的网络 ​ 3）避免IP冲突：避免IP冲突，保证网络的高效利用，保证公司员工及临时人员高效工作 ​ 4）降低了公司网络管理员的工作量，提升了工作效率 三、DHCP工作原理 报文分析 192.168.11.16 dhcp服务器 [root@baism dhcp

[TOC] 1. Localized Policy配置 重点说明 ：Localized Policy是直接推送策略到vEdge。 创建入口： Configuration -> Policies -> Custom Options -> Localized Policy ->CLI Policy，Add Policy: <img src="https://raw.githubusercontent.com/singvis/upload_image/master/img/%E6%9C%AC%E5%9C%B0%E7%AD%96%E7%95%A501.png"> 添加策略，定义策略名称和描述： <img src="https://raw.githubusercontent.com/singvis/upload_image/master/img/%E6%9C%AC%E5%9C%B0%E7%AD%96%E7%95%A502.png"> #配置命令 policy app-visibility flow-visibility 策略关联到模板：Configuration->Templates->Edit: <img src="https://raw.githubusercontent.com/singvis/upload_image/master/img/%E6%9C%AC%E5%9C%B0%E7