Echart 词汇表
emphasis n 强调 roam 漫游 scatterplot 散点图 effectscatter 特效散点
健康闲谈-健康管理和疾病预防
健康是一种身体上、精神上和社会上的完美状态。 – 世界卫生组织健康定义 养生三大原则： 和谐原则 辩证调摄 “度”和“量”的适当掌握-充分进行综合调养 和谐原则-“天人相应”理论 和自然界相适应。情志养生。 辩证调摄-因人、因时、因地制宜 每个人都不同。不要乱吃补品。 疲劳的时候吃清淡的。 运动可以发泄身体的郁闷。 “度”和“量”的适当掌握-充分进行综合调养 碳水化合物是很重要的。 吃蛋白质尿酸高。 太操劳？ 知道寒暑冷热。 不要运动过度。 四季养生 运动养生 起居养生 精神养生 环境养生 饮食养生 睡眠养生 不要喝高汤里的嘌呤 不要一哄而上吃流行的 合理的饮食 适量运动 戒烟戒酒 心理平衡 充足睡眠 未病先防 欲病早治 已病防变
学习区块链的基础资料
《猥琐发育成区块链开发者》 普林斯顿的《Bitcoin and Cryptocurrency Technologies》课程 《精通比特币（第二版）》
几种共识算法
达成共识的英文原文是 come to consensus。达成共识以后，也未必代表数据是完全一致的（Raft 算法中 leader 发出 append log 的 commit 命令即算达成共识？但如果中途数据丢失，则还是会有子节点数据不一致）。 在分布式环境下，多个系统协同工作的效率，受制于系统交叉点的性能。在需要达成分布式共识的场景下，分布式共识算法在保证系统安全性的同时，限制了全系统横向扩展的性能提升。 根据环境的不同，可以应用不同的共识算法。 在完全互信的环境下-私有链、私有的分布式数据库，节点之间可以使用 Paxos 或者 Raft 这种 leader 相对固定的算法。 在有限互信的环境下-联盟链，可以使用 PBFT。PBFT 算法是依据确定性的投票（可能是漫长的投票，也可能进入死循环）达到确定性一致的算法。 在没有互信的情况下-公有链，可以使用 POW/POS/DPOS/POA。这类算法是基于概率得到正确的最终一致性，性能比 PBFT 要稍微好点。 最好的共识算法应该模块化，例如 Corda 中的 notary，Hyperledger fabric 中的 solo/k...
Vue 值得注意的小知识点
this.$el.querySelector(‘#map’) 只能查找第一个 dom 以内的 dom 节点，不包括当前的 dom。 在 webpack:// 这个域下可以看到可调式的 vue 文件。
Spark Standalone 模式启动的全过程
以下示例保留 Spark 2.2.1、Scala 2.11 的历史环境。当前版本的部署拓扑与职责见 Spark on YARN / K8s：资源管理与部署模式；现代启动脚本使用 sbin/start-worker.sh、sbin/start-workers.sh 和 conf/workers，不能直接照搬下文旧版本脚本名。 准备工作 下载安装包，解压并进入根目录。 ./sbin/start-master.sh。看 jps 果然已经有了一个 Master 进，文档里面说会打印出 spark 的 master url，但没打印出来。就去默认的http://localhost:8080上看即可： 12URL: spark://magicliang:7077REST URL: spark://magicliang:6066 (cluster mode) 这个6066在本地 telnet 不通，也是很神奇。 把这个 URL 拼接成 worker 的启动命令./start-slave.sh spark://magicliang:7077，然后可以看到以下这张图： 文档里的给出的...
DAG 执行框架优于 MapReduce 的地方在哪里？
有个同学问我什么是 DAG 框架。我感觉隐隐约约听过，但又讲不清楚它的概念。 上网搜了一下，我们常见的新大数据执行框架如 Spark、Storm，还有一个我没听过的 Tez，都算 DAG 任务执行框架。他们的主要优点是，可以用 DAG 事先通晓整个任务的全部步骤，然后进行转换优化。如 Tez 就可以把多个任务转换为一个大任务，而 Spark 则可以把相关联的 Map 直接串联起来， 免得多次写回 hdfs（看来 hdfs 也很慢）。传统的 MapReduce 框架为什么不能理解这种优化空间的存在，在任务运行的时候好像一个盲人一样，是个很有意思的话题。 Quora 上的一个相关的问答。
风险问题
风险可能有收入也可能有损失。风控先是管理，然后是控制。 精细化管理，平衡点。 信用风险（Credit Risk） 欺诈风险（Fraud Risk） 操作风险（Operationl Risk）伦敦乌龙指？ 现金流风险（Liquidity Risk） 市场风险（Market Risk） 监管风险（Regulator Risk） 声望风险（Reputational Risk） Exposion 担保套利 美国三大征信局 Experian、TransUnion、Equifax。 美国百分之八十五的人的信息在民间征信局。 美国的征信分数 FICO 由五个部分组成。 中国人会抹掉五年期的征信历史。 Payday Loan 是没有年化上限的。
比特币小细节
收款地址是公钥的hash。 区块结构： 数据项 描述 长度 Magic No 魔数 总是 0xD9B4BEF9 4 字节（定长） BlockSize 区块大小 到区块结束的字节长度 4字节（定长） BlockHeader 区块头 包含六个数据项 80字节（定长） Transaction Counter 交易计数器 正整数 VI=VarInt 1-9字节（变长） BlockHeader 区块头 包含六个数据项 80字节（定长） Transactions 交易 交易列表（非空） 由Transaction Counter 描述的长度（变长） 由此表可见，只有交易计数器和交易明细列表是变长的。 比特币使用 SHA256 算法，它的结果哈希值大小为 256 位。也就是说，只要输入超过2的256次方个数，就一定会发生碰撞，即使只有2的255次方个数，也有百分之九十九的几率发生碰撞（为什么？）。 当前（这一百年内），每个区块都至少包含一个 Transaction，它被称为生产交易，或者coinbase交易，用于给生成这个区块的矿工以奖励，它经常是区...
Scala 语言核心特性深度解析：类型系统、隐式机制与表达式求值
Scala 语言核心特性深度解析 Scala 是一门融合了面向对象和函数式编程范式的 JVM 语言。它的类型系统之强大、表达能力之丰富，在主流编程语言中首屈一指。本文将深入探讨 Scala 的三大核心特性：泛型与型变系统、隐式机制和表达式求值模型，帮助你全面掌握这门语言的精髓。 第一部分：泛型与型变系统 什么是型变（Variance） 型变（Variance）描述的是泛型类型与其类型参数之间的子类型关系。简单来说，就是当类型参数之间存在子类型关系时，对应的泛型类型之间是否也存在子类型关系。 在面向对象编程中，我们熟悉继承和子类型的概念：如果 Dog 是 Animal 的子类型（记作 Dog <: Animal），那么任何使用 Animal 的地方都可以使用 Dog。但是，当涉及到泛型时，情况就变得复杂了： List[Dog] 是否是 List[Animal] 的子类型？ Function[Animal, String] 是否是 Function[Dog, String] 的子类型？ 型变系统就是用来回答这些问题的。Scala 提供了三种型变方式：不变（Invarian...