原创学无止尽

今天做了道题，刚开始没读懂题，网上搜了一下关于第95百分位的解释，大家各有说法，各有自己的理解。但是看了很多人的评论也是，表示基本都看不懂。  从维基百科上可以找到这么一段话：There is no standard definition of percentile, however all definitions yield similar results when the number of observations is very large and the probability distr

堆(heap)又被为优先队列(priority queue)。尽管名为优先队列，但堆并不是队列。因为队列中允许的操作是先进先出（FIFO），在队尾插入元素，在队头取出元素。而堆虽然在堆底插入元素，在堆顶取出元素，但是堆中元素的排列不是按照到来的先后顺序，而是按照一定的优先顺序排列的。本文通过堆的实现、最小堆（最大堆）、堆的时间复杂度、优先队列的实现、堆排序来介绍「 堆 」。堆的实现堆的一个经典的实现是完全二叉树(complete binary tree)，这样实现的堆称为二叉堆(bi.

这里写目录标题一、简介二、实验设计2.1.测试环境2.2.调度流程2.3.待测算法2.3.1 随机调度（RAND）2.3.2 先来先服务（FCFS）2.3.3 绝对公平调度（DRF）2.3.3.1 Max-min Fairness2.3.3.2 主导资源（Dominant Resource）2.3.3.3 DRF2.3.4 模拟退火（SA）2.4. 测试指标三、结果对比3.1 四种算法对比3.2 模拟退火结果一、简介假设目标是 Kubernetes 中对 pod 的调度优

今天记录的论文为: 《Dominant Resource Fairness: Fair Allocation of Multiple Resource Types》(nsdi’11)。这篇论文介绍了在多资源纬度场景下（比如CPU和Memory）的调度算法，证明了算法所具备的几个重要的特性。写这篇博文的时候，只看了其中的前几节，摸清楚整个算法的大致思路，后面的数学证明还没看。因此这篇博文严格说只是半篇介绍，作为后面介绍的一个引子。废话不多说，先直接用论文中的一个简单的例子来说明算法思路:考虑一个有{

我们总会面临这样的问题，需要给一组用户分配一些稀缺资源，站在资源分配者的角度，他们具有等价的权利获取资源，但实际上，一些用户可能获取较少的资源就能够满足需要，这样看来，他们对资源的获取又不是完全等价的，似乎不适合去平分资源，因此就有了最大最小公平算法。最大最小公平算法定义如下（不带权）： 1、资源按照需求递增的顺序进行分配； 2、不存在用户获得的资源超过自身的需求；； 3、对于未满足的用户，等价分享剩余资源；算法实现逻辑（不带权）：...

前言互联网公司中，绝大部分都没有马爸爸系列的公司那样财大气粗，他们即没有强劲的服务器、也没有钱去购买昂贵的海量数据库。那他们是怎么应对大数据量高并发的业务场景的呢？这个和当前的开源技术、海量数据架构都有着不可分割的关系。比如通过mysql、nginx等开源软件，通过架构和低成本的服务器搭建千万级别的用户访问系统。怎么样搭建一个好的系统架构，这个话题我们能聊上个七天七夜。这里我主要结合Redis集群来讲一下一致性Hash的相关问题。Redis集群的使用我们在使用Redis的过程中，为了保证Re