架构师面试(十三):未读数模型

我们今天继续 IM 系统的相关话题。

问题

IM 用户登录后,会首先在客户端看到一个未读消息的红色标记的数字,即消息未读数,这个未读数是怎么生成的呢?关于IM系统【未读数模型】的相关描述,下面说法正确的有哪几项?

A. 整体上来说 IM 的未读数模型包括【离线消息计算】方式和【计数器计算】方式;

B. IM 系统通过离线消息计算未读数时,客户端登录后需要将其所有的离线消息拉取到本地后进行计算,实现逻辑简单;不过在离线消息量很大时,网络流量消耗很高;这种实现模型适合PC机时代的产品;

C. IM 系统通过计数器计算未读数时,在服务端针对每位用户的好友只需要一个字段存储消息的未读数即可;客户端用户每次进入聊天窗口时,需要及时将其对应的未读数字段清零;

D. 因为网络的不稳定因素和前后端之间交互时间窗口的存在,消息未读数在IM系统的客户端和服务端之间有可能是不一致的,这是正常现象,不是系统设计的问题。

解析

【未读数】在IM系统中是一个非常核心的设计板块:首先用户登录后,客户端会通过显示好友的“未读数” 引导用户的操作,增强用户的使用体验;在大用户量的时候,【未读数】更能考察架构师的设计能力,毕竟 “有未读数,但没有新消息; 或者是 “有新消息但没有未读数提醒” 都是典型的异常漏洞,影响用户的使用。

整体上来说 IM 的未读数模型包括【离线消息计算】和【计数器计算】两种方式。

我们先说【离线消息计算】方式: 用户离线时,他的好友给他发消息时,会将消息保存在“离线表”中; 当用户登录时,会将他所有的离线消息全部拉取到本地,然后由本地计算出他的每个好友发送的消息的数目(也就是消息的未读数)。 这种处理方式,整体逻辑比较简单,但是登录环节就会非常重,因为涉及到拉取所有的离线消息的操作;如果用户的离线消息(尤其是群消息)比较多,那么会消耗非常多的流量,尤其是用户并不关心的消息也拉取到了本地。 早期的 IM 产品,也就是PC机时代,主要采用【离线消息计算】方式处理【未读数】。

我们再说【计数器计算】方式:不管用户是否在线,他的好友给他发消息时

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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