wilbertzhou的专栏

I. Introduction to Heartbeat 1. Heartbeat as a Cluster Messaging Layer 2. Components 2.1. Communication module 2.2. Cluster Consensus Membership 2.3. Cluster Plumbing Library 2.4. IPC Library 2.5. Non-blocking logging daemon II. Installing Heartbeat 3. Building and installing from source 3.1. Building and installing Cluster Glue from source 3.1.1. Cluster Glue build prerequisites 3.1.2. Downloading Cluster Glue sources 3.1.3. Building Cluster Glue 3.1.4. Building Packages 3.2. Building and installing Heartbeat from source 3.2.1. Heartbeat build prerequisites 3.2.2. Downloading Heartbeat sources 3.2.3. Building Heartbeat 3.2.4. Building Packages 4. Installing pre-built packages 4.1. Debian and Ubuntu 4.2. Fedora, RHEL and CentOS 4.3. OpenSUSE and SLES III. Administrative Tasks 5. Creating an initial Heartbeat configuration 5.1. The ha.cf file 5.2. The authkeys file 5.3. Propagating the cluster configuration to cluster nodes 5.4. Starting Heartbeat services 5.5. Where to go from here 6. Upgrading from previous Heartbeat versions 6.1. Upgrading from Heartbeat 2.1 clusters not using the CRM 6.1.1. Stopping Heartbeat services 6.1.2. Upgrade software 6.1.3. Enabling the Heartbeat cluster to use Pacemaker 6.1.4. Restarting Heartbeat 6.2. Upgrading from CRM-enabled Heartbeat 2.1 clusters 6.2.1. Placing the cluster in unmanaged mode 6.2.2. Backing up the CIB 6.2.3. Stopping Heartbeat services 6.2.4. Wiping files related to the CRM 6.2.5. Restoring the CIB 6.2.6. Upgrading software 6.2.7. Restarting Heartbeat services 6.2.8. Returning the cluster to managed mode 6.2.9. Upgrading the CIB schema IV. Getting Help and Helping Out 7. Reporting problems 7.1. Mailing Lists 7.1.1. Linux-HA 7.1.2. Linux-HA-dev 7.2. Bug Tracking System 7.3. IRC 8. Submitting patches

PPT资料，Hadoop的介绍及安装配置。

•引题 •互联网+数据仓库 •点评网的数据平台 •案例 –平台中的取舍 –建模中的平衡 –数据产品化 •数据中心的未来

真正的云计算平台，它有五层架构： 运维管理层：clouDil 计算层：MapReduce+TaskMaster 数据管理层：DataCube 虚拟化层：cCloud 存储层：cStor

• ⽆无中⼼心的存储设计: glusterfs • 有中⼼心的存储设计：hadoop • 基于数据库的存储设计: gridfs, hbase • 绕过问题的存储设计: fastdfs

大数据时代与百度大数据引擎 百度大数据分析 百度大数据应用案例

系统架构师2013年真题

ITSM运维服务体系介绍 给用户带来的价值 解决方案介绍 解决方案优势 项目实施方案 成功案例介绍

一 mysql awr报告（简单的AWR,mysqltuner.pl,tuning-primer.sh pt-query-digest,pt-variable-advisor） 二 性能分析工具介绍（mytop,innotop,orzdba,tcpdump,pt-query-digest,tbdba-slow-picker.pl,iotop,io-profile,nicstat,mpstat,iostat,vmstat,tcprstat,dstat,oprofile,vmtouch） 三 主从复制延时解决（relay-fetch 介绍）

9.1 过程建模简介 9.2 过程建模的系统概念 9.3 逻辑过程建模过程 9.4 如何构造过程模型 9.5 系统模型的同步

Java应用架构设计:模块化模式与OSGi 英文版 中文版介绍： 全球资深Java技术专家的力作，系统、全面地讲解如何将模块化设计思想引入开发中，涵盖18个有助于实现模块化软件架构的模式 中文目录： 第一部分 模块化的理由 第1章 模块定义 1.1 定义模块 1.1.1 可部署 1.1.2 可管理 1.1.3 可测试 1.1.4 原生可重用 1.1.5 可组合 1.1.6 无状态 1.2 软件模块的简洁定义 1.3 结论 第2章 模块化的两个方面 2.1 运行时模型 2.2 开发模型 2.2.1 编程模型 2.2.2 设计范式 2.3 模块化现状 2.4 结论 第3章 架构与模块化 3.1 定义架构 3.2 关于软件架构的一个故事 3.2.1 象牙塔 3.2.2 乌龟和塔 3.3 架构的目标 3.3.1 悖论 3.3.2 消除架构 3.4 模块化：被忽视的部分 3.5 回答我们的问题 3.6 结论 3.7 参考文献 第4章 征服复杂性 4.1 企业级复杂性 4.2 技术债 4.3 设计腐化 4.3.1 干扰可维护性 4.3.2 阻止可扩展性 4.3.3 抑制可重用性 4.3.4 限制可测试性 4.3.5 妨碍集成 4.3.6 阻碍理解 4.4 循环依赖 4.4.1 循环类型 4.4.2 悄然引入的循环 4.4.3 管理循环 4.4.4 循环总是不好的吗 4.5 结合点、模块和SOLID 4.6 管理复杂性 4.7 模块化的益处 4.8 结论 4.9 参考文献 第5章 实现重用 5.1 可用重用悖论 5.2 关于重用的免责声明 5.2.1 粒度 5.2.2 重量级 5.3 重用还是可用 5.4 模块化权衡 5.5 模块化设计 5.6 结论 5.7 参考文献 第6章 模块化与SOA 6.1 重新审视“自上而下” 6.2 粒度--架构师的强大对手 6.2.1 现实世界的一个例子 6.2.2 提升一个等级 6.2.3 另一个维度 6.2.4 全景图 6.2.5 服务样例 6.3 另一个视图 6.4 结论 第7章 参考实现 7.1 为什么不用OSGi 7.2 这个练习的背景：构建系统 7.3 初始版本 7.4 第一次重构 7.5 第二次重构 7.6 第三次重构 7.7 第四次重构 7.7.1 关于OSGi的好处 7.7.2 小结并准备下一次重构 7.8 第五次重构 7.9 第六次重构 7.10 第七次重构 7.11 事后剖析 7.11.1 关于模块测试 7.11.2 关于管理模块依赖 7.11.3 关于模块重用 7.11.4 关于构建 7.11.5 关于面向对象 7.12 结论 7.13 参考文献 第二部分 模 式 第8章 基本模式 8.1 管理关系 8.1.1 表述 8.1.2 描述 8.1.3 多种实现 8.1.4 影响 8.1.5 样例 8.1.6 小结 8.2 模块重用 8.2.1 表述 8.2.2 描述 8.2.3 多种实现 8.2.4 效果 8.2.5 样例 8.2.6 小结 8.3 模块内聚 8.3.1 表述 8.3.2 描述 8.3.3 多种实现 8.3.4 效果 8.3.5 样例 8.3.6 小结 第9章 依赖模式 9.1 非循环关系 9.1.1 表述 9.1.2 描述 9.1.3 多种实现 9.1.4 效果 9.1.5 样例 9.1.6 小结 9.2 等级化模块 9.2.1 表述 9.2.2 描述 9.2.3 多种实现 9.2.4 效果 9.2.5 样例 9.2.6 小结 9.3 物理分层 9.3.1 表述 9.3.2 描述 9.3.3 多种实现 9.3.4 效果 9.3.5 样例 9.3.6 小结 9.4 容器独立 9.4.1 表述 9.4.2 描述 9.4.3 多种实现 9.4.4 效果 9.4.5 样例 9.4.6 小结 9.5 独立部署 9.5.1 表述 9.5.2 描述 9.5.3 多种实现 9.5.4 效果 9.5.5 样例 9.5.6 小结 9.6 参考文献 第10章 可用性模式 10.1 发布接口 10.1.1 表述 10.1.2 描述 10.1.3 多种实现 10.1.4 效果 10.1.5 样例 10.1.6 小结 10.2 外部配置 10.2.1 表述 10.2.2 描述 10.2.3 多种实现 10.2.4 效果 10.2.5 样例 10.2.6 小结 10.3 默认实现 10.3.1 表述 10.3.2 描述 10.3.3 多种实现 10.3.4 效果 10.3.5 样例 10.3.6 小结 10.4 模块门面 10.4.1 表述 10.4.2 描述 10.4.3 多种实现 10.4.4 效果 10.4.5 样例 10.4.6 小结 第11章 扩展性模式 11.1 抽象化模块 11.1.1 表述 11.1.2 描述 11.1.3 多种实现 11.1.4 效果 11.1.5 样例 11.1.6 小结 11.2 实现工厂 11.2.1 表述 11.2.2 描述 11.2.3 多种实现 11.2.4 效果 11.2.5 样例 11.2.6 小结 11.3 分离抽象 11.3.1 表述 11.3.2 描述 11.3.3 多种实现 11.3.4 效果 11.3.5 样例 11.3.6 小结 11.4 参考文献 第12章 通用模式 12.1 就近异常 12.1.1 表述 12.1.2 描述 12.1.3 多种实现 12.1.4 效果 12.1.5 样例 12.1.6 小结 12.2 等级化构建 12.2.1 表述 12.2.2 描述 12.2.3 多种实现 12.2.4 效果 12.2.5 样例 12.2.6 小结 12.3 测试模块 12.3.1 表述 12.3.2 描述 12.3.3 多种实现 12.3.4 效果 12.3.5 样例 12.3.6 小结 第三部分 模块化架构模式与OSGi 第13章 OSGi简介 13.1 一点历史 13.2 OSGi所能带来的收益 13.2.1 模块化开发 13.2.2 管理依赖 13.2.3 模块平台 13.2.4 版本化的bundle 13.2.5 动态（重）部署 13.2.6 环境相关的控制 13.3 深入理解OSGi 13.4 OSGi bundle 13.4.1 bundle状态 13.4.2 OSGi ？Service 13.5 OSGi运行时管理 13.6 重新查看模块化的两个方面 13.7 OSGi与模式 13.7.1 管理依赖 13.7.2 动态性 13.7.3 Blueprint规范 第14章 贷款样例与OSGi 14.1 起步 14.2 清单文件 14.3 ？Service 14.3.1 Blueprint服务 14.3.2 贷款样例配置 14.3.3 OSGi ？Service声明 14.4 安装与执行 14.5 结论 第15章 OSGi与Scala 15.1 起步 15.2 Scala代码 15.3 Scala bean配置 15.4 Scala Service配置 15.5 构建Scala模块 15.6 安装与执行 15.7 结论 第16章 OSGi与Groovy 16.1 起步 16.2 Groovy代码 16.3 Groovy bean配置 16.4 Groovy ？Service配置 16.5 构建Groovy模块 16.6 安装与执行 16.7 结论 第17章 OSGi的未来 17.1 将OSGi作为推动者 17.2 颠覆性 17.3 生态系统的威力 17.3.1 生态系统与模块化的两个方面 17.3.2 基于组件的开发（CBD）不是已经成功了吗 17.4 生态系统 17.5 结论 附录A 类设计的SOLID原则

《HBase权威指南》探讨了如何通过使用与HBase高度集成的Hadoop将HBase的可伸缩性变得简单；把大型数据集分布到相对廉价的商业服务器集群中；使用本地Java客户端，或者通过提供了REST、Avro和Thrift应用编程接口的网关服务器来访问HBase；了解HBase架构的细节，包括存储格式、预写日志、后台进程等；在HBase中集成MapReduce框架；了解如何调节集群、设计模式、拷贝表、导入批量数据和删除节点等。

6.1 问题的提出 6.2 函数依赖及公理系统 *6.3 模式的分解 6.4 范式 6.5 小结

TOGAF 9.1口袋书英文版 TOGAF Version 9.1 A Pocket Guide

包括： 阿里云-产品介绍+-+ECS弹性计算服务.pptx 阿里云-产品介绍+-+OCS产品v1.5.pptx 阿里云-产品介绍+-+ODPS-v0.3.pptx 阿里云-产品介绍+-+OSS-v0.3.pptx 阿里云-产品介绍+-+OTS-v0.3.pptx 阿里云-产品介绍+-+RDS-v0.3.pptx 阿里云计算产品介绍V0.2.pptx 阿里云计算整体介绍.pptx 飞天开放平台-大数据技术年会-4x3.pptx 飞天开放平台编程指南20121214-Final版.pdf

全国计算机技术与软件专业技术资格(水平)考试用书:系统架构设计师考试历年试题分析与解答 – 2013年9月1日

云计算资源管理系统是借助IAAS虚拟化技术平台的支撑，达到对虚拟主机、虚拟存储、虚拟网络、虚拟安全设施的按需动态、弹性管理。系统的核心目标是为了将虚拟化资源池中的资源高效、实时、友好的展示给用户和用户人员并能满足用户的资源管理和使用需求。对于虚拟化资源的实时配置与运行属性应能通过定时扫描的方式自动维护虚拟化资源的配置属性库，对于需要人工设定的管理业务属性应提供在线的管理维护界面。对于资源管理过程中需要与运维服务流程联动的应提供运维服务流程的联动执行机制

包括电子书： Innodb_logs_ebook.pdf innodb_performance_optimization_final.pdf mysql_high_availability.pdf Mysql_logs_ebook.pdf mysql_performance_schema.pdf mysql_performance_tuning.pdf mysql_server_memory_usage_ebook.pdf

2014年系统架构设计师真题及答案

未来计算中心的建设模式是“资源池式”建设，通过虚拟化技术的应用打破了传统竖井式的资源壁垒，若干应用系统共享各类处理资源，支持随业务应用压力变化灵活调整资源供应；集中式运维管理通过对运维流程的固化、不同专业领域的人员整合等方法的应用大大提高了运维效率

MongoDB架构指南3.2英文版

Logistic regression(with R) 逻辑回归（R语言）

探索性数据分析(EDA) EDA指对已有的数据(特别是调查或观察得来的原始数据)在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。在深入机器学习或统计建模之前，EDA是一个重要的步骤，这是因为它提供了为现有问题开发适当模型并正确解释其结果所需的来龙去脉。

Introduction to Convolutional Networks 深度学习CNN课件 Rob Fergus Facebook AI Research New York University

Learning to see深度学习课件 Antonio Torralba Computer Science and Ar1ficial Intelligence Laboratory (CSAIL) Department of Electrical Engineering and Computer Science

Learning TensorFlow A Guide to Building Deep Learning Systems Tom Hope, Yehezkel S. Resheff, and Itay Lieder In this book you will learn how to: 1. Get up and running with TensorFlow, rapidly and painlessly. 2. Use TensorFlow to build models from the ground up. 3. Train and understand popular deep learning models for computer vision and NLP. 4. Use extensive abstraction libraries to make development easier and faster. 5. Scale up TensorFlow with queuing and multithreading, training on clusters, and serving output in production. 6. And much more!

知识图谱：大数据语义链接的基石 李涓子 清华大学 主要内容 一、知识图谱基础 二、知识图谱类型 三、知识图谱构建方法及关键技术 四、基于知识图谱的语义链接及其应用

This book will teach you how to deploy large-scale datasets in deep neural networks with Hadoop for optimal performance. Starting with understanding what deep learning is, and what the various models associated with deep neural networks are, this book will then show you how to set up the Hadoop environment for deep learning.

作为语义网的数据支撑,知识图谱在知识问答、语义搜索等领域起着至关重要的作用,一直以来也是研究领域和工程领域的一个热点问题,但是,构建一个质量较高、规模较大的知识图谱往往需要花费巨大的人力和时间成本.如何平衡准确率和效率、快速地构建出一个高质量的领域知识图谱,是知识工程领域的一个重要挑战.对领域知识图谱构建方法进行了系统研究,提出了一种准确、高效的领域知识图谱构建方法——“四步法”,将该方法应用到中国基础教育九门学科知识图谱的构建中,在较短时间内构建出了准确率较高的学科知识图谱,证明了该方法构建领域知识图谱的有效性.以地理学科知识图谱为例,使用“四步法”共得到67 万个实例、1 421 万条三元组,其中,标注数据的学科知识覆盖率和知识准确率均在99%以上.

Machine Learning and Data Mining in Pattern Recognition 9th International Conference, MLDM 2013 NewYork, NY, USA, July 19-25, 2013 Proceedings

深度强化学习 Deep Reinforcement Learning through Policy Optimization Pieter Abbeel Open AI / Berkeley AI Research Lab Slides made in collabora<on with John Schulman

基于机器学习的智能运维

VGG16预训练模型 "vgg_url": "ftp://mi.eng.cam.ac.uk/pub/mttt2/models/vgg16.npy"

VGG16预训练模型 "vgg_url": "ftp://mi.eng.cam.ac.uk/pub/mttt2/models/vgg16.npy"

深度学习暑期课件 Recurrent Neural Networks Deep Learning Summer School 2016 Yoshua Bengio Montreal Ins&lt;tute for Learning Algorithms Université de Montréal

深度学习暑期学校课件 Reinforcement Learning: From basic concepts to deep Q-networks Joelle Pineau McGill University Deep Learning Summer School August 2016

ng-book 2: The Complete Guide to Angular 2 Sample Code

MYSQL高可用高性能调优资源PPT: BackupRestoreWebinar_20150715_0.pdf HA using MySQL in the Cloud vf_0.pdf How to Scale Big Data Applications.pdf MySQL-Indexing-Best-Practices-for-MySQL-5.6.pdf MySQL101InnodbSchemadesignwebinar.pdf Percona-Webinar-Intro-to-troubleshooting-basic-techniques.pdf Percona-Webinars-July2015-Practical-MySQL-Performance-Optimization_0.pdf Webinar-Feb2016-Using-Grafana-MySQL-Monitoring.pdf Webinar-May2014-Practical-MySQL-Performance-Optimization.pdf Webinar_2014_InDepth_Query_Optimization.pdf Webinar_MySQL-5 6-Performance-Schema-Introduction.pdf Webinar_Query_Optimization-2_0.pdf what every dba needs to know about mysql security.pdf

Clojure.Programming_CHS　Clojure编程中文版

Reasoning, Attention and Memory 深度学习的推理、注意力和记忆 Sumit Chopra Facebook AI Research