<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[hacker_lli的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/hacker_lli</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hacker_lli]]></copyright><item><title><![CDATA[（软件开发）思维导向参考]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/125968970</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/125968970</guid><author>hacker_lli</author><pubDate>Mon, 25 Jul 2022 11:32:32 +0800</pubDate><description><![CDATA[以一个程序猿的角度来和大家唠唠思维]]></description><category></category></item><item><title><![CDATA[Deer计划（1）点云数据解析成图]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/121498874</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/121498874</guid><author>hacker_lli</author><pubDate>Tue, 23 Nov 2021 18:43:56 +0800</pubDate><description><![CDATA[第一part 点云数据的解析成图

需要自行配置jsoncpp、OpenCV运行环境

1. 点云数据的解析成图模块设计

测试环境
i5-9400f 16g (测试情况和实机性能有关)
线程解析（以法如的三维扫描仪生成的fls文件为基础）
1.多线程解析数据效率




项目
c++耗时




解析一个fls
20秒


解析3个fls
25秒


解析6个fls
37秒


解析7个fls
46秒


解析9个fls
57秒


解析15个fls
96秒


解析20个fls
134秒


解析40个]]></description><category></category></item><item><title><![CDATA[分布式数据库实践（二）]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/108655400</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/108655400</guid><author>hacker_lli</author><pubDate>Thu, 17 Sep 2020 23:32:10 +0800</pubDate><description><![CDATA[目前其实有很多提供DRDS分布式数据库解决方案的服务商，比较流行的有阿里云。另外腾讯、百度、网易等几家大厂也都有提供这类服务，另外官方也提供了MySQL Cluster CGE企业级MySQL分布式集群服务。直接选择这些商业服务可以以最快的速度将现有系统迁移或者将新系统部署到分布式数据库环境中，但同时因为商业服务都有一个既成的整体框架，服务商能做到的只有根据需求进行微调，客户的自身系统或多或少要为分布式数据库的部署做一些相应调整。
以百度云服务为例，演示一下操作。
百度云分布式关系型数据库DRDS，官网上介]]></description><category></category></item><item><title><![CDATA[分布式数据库实践（一）]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/108654632</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/108654632</guid><author>hacker_lli</author><pubDate>Thu, 17 Sep 2020 22:53:34 +0800</pubDate><description><![CDATA[分布式数据库 （说明）

系统分析：OLTP 和 OLAP

海量数据的存储与访问成为系统设计与使用的瓶颈问题，对于海量数据处理，按照使用场景，主要分为两种类型:联机事务处理(OLTP)和联机分析处理(OLAP)。
OLTP也叫做面向交易的处理系统，其基本特征是原始数据可以立即传送到计算中心处理，并在很短的时间内给出处理结果。
OLAP指的是通过多维的方式对数据进行分析、查询和报表，可以同数据挖掘工具、统计分析工具配合使用，增强决策分析功能。





OLTP
OLAP




系统设计
日常交易处理
统]]></description><category></category></item><item><title><![CDATA[Caffeine Cache和Ehcache3.x 进程缓存性能比较]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/108632749</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/108632749</guid><author>hacker_lli</author><pubDate>Wed, 16 Sep 2020 23:22:40 +0800</pubDate><description><![CDATA[Spring默认提供的：ConcurrentMapCache。使用它的原因是它是spring-context内置的，无需额外导包就能使用,超好用的
但在实际开发过程中，Spring内建提供的实现显然是满足不了日益复杂的需求的，现实情况是很小有可能直接使用ConcurrentMapCacheManager和ConcurrentMapCache去作为存储方案，毕竟它提供的能力非常有限，有如下两个致命的不足：

基于本地内存的缓存，且它无法用于分布式环境
没有缓存过期时间Expire

就单单是这两点没有得到满足]]></description><category></category></item><item><title><![CDATA[分布式缓存Redis Cache]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/108604051</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/108604051</guid><author>hacker_lli</author><pubDate>Tue, 15 Sep 2020 17:25:18 +0800</pubDate><description><![CDATA[本文设计技术点：spring cache, Lettuce, Spring Data Redis
开始之前，有个问题，知道什么是分布式部署吗，分布式部署都用在什么地方
现在的应用大都以微服务的方式进行分布式部署，因此如果仅仅使用本地缓存是满足不了需求的（Infinispan这样基于本地的内存实现的分布式缓存在这里暂不作讨论。。。）针对分布式场景下的缓存应用，我们急需要一个高可用的、快速的、中心化的、分布式的缓存产品。然后在众多此场景的实现产品中，Redis以它众多优秀的特性脱颖而出。
所以，本文集中讲的点都]]></description><category></category></item><item><title><![CDATA[spark 优化（1）]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/108436120</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/108436120</guid><author>hacker_lli</author><pubDate>Sun, 06 Sep 2020 21:06:02 +0800</pubDate><description><![CDATA[spark 优化（1）
概念，什么是spark
spaek是专门为大规模数据处理而设计的快速通用的计算引擎。拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。
特点
spark主要有三大特点：


高级 API 剥离了对集群本身的关注，Spark 应用开发者可以专注于应用所要做的计算本身。


Spark 很快，支持交互式计算和复]]></description><category></category></item><item><title><![CDATA[GPU计算（一）]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/107073468</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/107073468</guid><author>hacker_lli</author><pubDate>Tue, 07 Jul 2020 22:42:13 +0800</pubDate><description><![CDATA[gpu计算
图形处理、也就是显示核心，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。
用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。
什么是GPU加速计算？
GPU 加速计算是指同时利用图形处理器]]></description><category></category></item><item><title><![CDATA[switch和if-else性能对比]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/106944070</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/106944070</guid><author>hacker_lli</author><pubDate>Wed, 24 Jun 2020 15:06:50 +0800</pubDate><description><![CDATA[switch和if-else,我想写过代码的人都不会对这两个陌生，除非真的是新手中的新手。
这里就对这两个平时我们经常用的，做一个详细的性能分析
条件判断语句是程序的重要组成部分，也是系统业务逻辑的控制手段。重要程度和使用频率更是首屈一指，那么在日常编码中，我们怎么在switch和if-else中做抉择呢？
实验开始
switch  VS  if
从考虑性能上考虑的话，尽量使用switch，因为这个性能比if高，但具体会高多少呢。
借助 Oracle 官方提供的 JMH（Java Microbenchmar]]></description><category></category></item><item><title><![CDATA[HBase记录（一）]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/106786627</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/106786627</guid><author>hacker_lli</author><pubDate>Tue, 16 Jun 2020 14:35:54 +0800</pubDate><description><![CDATA[国内其实挺多关于hbase的知识，都比较零散，所以借此来做个整理和试验记录
入门Hbase
特性
Hbase是一种NoSQL数据库（DB），这意味着它不像传统的RDBMS数据库那样支持SQL作为查询语言。Hbase是一种分布式存储的数据库。从技术的角度来看，它更像是分布式存储而不是分布式数据库，它缺少很多RDBMS系统的特性，比如列类型，辅助索引，触发器，和高级查询语言等待。Hbase都有什么特性呢？

强读写一致，并不是“最终一致性”的数据存储，这使得它非常适合高速的计算聚合
自动分片，通过Region分]]></description><category></category></item><item><title><![CDATA[加快编译速度（一）]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/106639602</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/106639602</guid><author>hacker_lli</author><pubDate>Tue, 09 Jun 2020 13:56:45 +0800</pubDate><description><![CDATA[这会是一个很长的篇章
首先谈谈怎么加快js的编译速度吧
在过去7年时间里，js一直都是用于编码前端应用程序最常用的语言。这篇并不是告诉你js到底有多强大，审题清楚很重要。如果一个网页内容未能在2秒钟内完成加载，那么访问者就会离开，就算你的网站设计有多么的漂亮、厉害都白搭。这就需要优化js代码以获得更好的性能。开始喽

尽量减少对DOM的访问
每次网页加载的背后其实都是在构建一棵DOM树，如果你的程序需要多次访问DOM元素，可以改成访问一次DOM树并将其用作局部变量。如果从DOM树中删除此值，则该变量也需要设]]></description><category></category></item><item><title><![CDATA[谈 c++编译]]></title><link>https://blog.youkuaiyun.com/hacker_lli/article/details/106594657</link><guid>https://blog.youkuaiyun.com/hacker_lli/article/details/106594657</guid><author>hacker_lli</author><pubDate>Sat, 06 Jun 2020 22:26:31 +0800</pubDate><description><![CDATA[谈 c++编译
过去一周，半夜刨书，这篇文用来记录我的一些猜想、实验
废话不多，上车

数据交互
最终控制的是我们的I/O设备，主存释放字节流，作为与IO进行数据交换的直接港口，主存被要求速度必须要快，但受制于成本，所以产生了一种折中的办法就是缓存。缓存往往分成多个级别，越接近I/O的就会越快，越接近CPU的就会越慢，这种分等级制度在某种程度上起到了缓冲的作用。但不可避免的是，当I/O数据量非常大的时候，主存往往会请求硬盘帮忙，将主存部分需要存储的数据暂时地存储到硬盘上，这就是虚拟内存的概念。一旦启用这种方]]></description><category></category></item></channel></rss>