微软宣布加入 OpenJDK,打不过就改变 Java 未来!

微软正式加入OpenJDK
微软已签署《Oracle贡献者协议》,正式加入OpenJDK项目,承诺回馈Java社区。微软的Java工程团队将致力于bug修复和反向移植,加强与Java生态伙伴的合作。

近日,微软的 Bruno Borges 在 OpenJDK 邮件列表中发布了一条消息,内容包含接下来发生的事情以及微软如何开始将其团队整合到 OpenJDK 社区。
在邮件中,Bruno Borges 提到,微软已正式签署《Oracle 贡献者协议》。同时,他重申了微软对 Java 的承诺,以及微软团队对回馈 Java 社区的期待。
Borges 曾经是 Oracle 开发人员,现在担任微软 Java 的首席产品经理。他向大家介绍了 Java 工程团队负责人 Martijn Verburg,Verburg 同时也是 jClarity 的首席执行官,而 jClarity 是 AdoptOpenJDK 的主要贡献者,于今年 8 月被微软收购。
该邮件可以在 OpenJDK 邮件列表中找到:
嗨,OpenJDK 社区,


在过去的一周中,微软正式签署了《Oracle 贡献者协议》,甲骨文公司对我们参与该项目表示了认可及欢迎。我代表微软 Java 工程团队,很高兴正式加入 OpenJDK 项目,并期待与你们的合作。


众所周知,微软及其子公司在许多方面都高度依赖 Java,并且在微软 Azure 云中向客户提供 Java 运行时服务。微软已经认识到在甲骨文成功有效管理下的 OpenJDK 项目所获得的巨大价值,它收购了 Java,得到了更广泛的软件生态系统,我们也期待做出自己的一份贡献。


我们团队在初期将致力于一些小的 bug 修复和反向移植,这有助于我们更好地成为 OpenJDK 的一员。 例如,我们已经了解到,在发布补丁之前最好先讨论更改,并且我相信我们还有很多东西要学习。


由 Martijn Verburg 领导的 Java 工程团队已经与其他使用 Java 的微软组织及子公司,还有一些 Java 生态系统中的合作伙伴(例如 Azul Systems、Oracle、Pivotal、Red Hat、Intel、SAP 等)合作。 整个团队将加入一些 OpenJDK 邮件列表并参与会话。


我们期待参与 Java 的未来。


微软首次向 OpenJDK 贡献代码是在 2014 年,贡献内容关于 Windows 上 TCP 回环快速路径机制方面的优化。


2018 年 10 月,甲骨文计划将 OpenJDK 的源码库迁移至 GitHub,彼时的 GitHub 刚刚被微软收购,此后微软与 OpenJDK 的关系也更进了一步。

此次微软将为 OpenJDK 做贡献的消息发出后,也有网友(id:yanglbme)梳理了二十多年来微软与 Java 的一二事: https://juejin.im/post/5dbaac8cf265da4d365f28a6
1996 年,微软推出 J 语言,并推出了 Visual j 集成编程工具,对 Java 进行了大量的修改。

1997 年,Sun 公司以“歧视使用 Java 软件,旨在维持其视窗操作系统的垄断地位,违反反垄断法”为由起诉微软。

2001 年 1 月,SUN 胜诉,根据双方达成的和解协议,微软不得对 Windows 操作系统中包含的 Java 语言作任何改动,并获赔 2000 万美元。

2001 年年底,微软在推出新版操作系统 Windows XP 和新版 IE 时,故意不安装 Java 软件,并且推出高仿 Java 的语言 C# 和 .net 框架。

2002 年 6 月,微软称从 2004 年起,因为安全原因微软的 Windows 操作系统将不再支持 Java 语言。
...
2019 年 10 月,微软宣布加入 OpenJDK 参与开发。

来源:https://jaxenter.com/microsoft-ready-contribute-openjdk-163550.html

转自:https://www.oschina.net/news/111036/microsoft-to-participate-in-openidk

- End -

(可点击跳转即可阅读


Maven系列教程  点击--> Maven技术干货连载目录 跳转


MyBatis系列教程  点击--> MyBatis技术干货连载目录 跳转


JVM调优总结系列教程  点击--> JVM调优技术干货连载目录 跳转





, 

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值