分布式系统实验报告 内含问题答案和小部分关键源代码

SpringBlade 是一个由商业级项目升级优化而来的SpringCloud分布式微服务架构、SpringBoot单体式微服务架构并存的综合型项目，采用Java8 API重构了业务代码，完全遵循阿里巴巴编码规范。采用Spring Boot 2 、Spring Cloud Hoxton 、Mybatis 等核心技术，同时提供基于React和Vue的两个前端框架用于快速搭建企业级的SaaS多租户微服务平台。 特点： 1、采用前后端分离的模式，前端开源两个框架：Sword (基于 React、Ant Design)、Saber (基于 Vue、Element-UI) 2、后端采用SpringCloud全家桶，并同时对其基础组件做了高度的封装，单独开源出一个框架：BladeTool 3、BladeTool已推送至Maven中央库，直接引入即可，减少了工程的臃肿，也可更注重于业务开发 4、集成Sentinel从流量控制、熔断降级、系统负载等多个维度保护服务的稳定性。 5、注册中心、配置中心选型Nacos，为工程瘦身的同时加强各模块之间的联动。 6、使用Traefik进行反向代理，监听后台变化自动化应用新的配置文件。 7、极简封装了多租户底层，用更少的代码换来拓展性更强的SaaS多租户系统。 8、借鉴OAuth2，实现了多终端认证系统，可控制子系统的token权限互相隔离。 9、借鉴Security，封装了Secure模块，采用JWT做Token认证，可拓展集成Redis等细颗粒度控制方案。 10、稳定生产了两年，经历了从Camden -> Hoxton的技术架构，也经历了从fat jar -> docker -> k8s + jenkins的部署架构 11、项目分包明确，规范微服务的开发模式，使包与包之间的分工清晰。   SpringBlade 更新日志： v3.0.3 新增blade-develop的dockerfile 新增blade-develop推送docker配置 新增saber的dockerfile 新增kuboard k8s部署脚本 新增kuboard k8s部署方案 优化pom配置适配新版部署方案 优化swagger加载逻辑默认开启knife4j

图像识别、分布式、推荐系统 PPT + Python源码 + 运行结果截图 图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。 现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域 。 图像的传统识别流程分为四个步骤：图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等，国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。

迄今为止最全面的分布式主键ID生成器。 优化的雪花算法（SnowFlake）——雪花漂移算法，在缩短ID长度的同时，具备极高瞬时并发处理能力（50W/0.1s）。 原生支持 C#/Java/Go/Rust/C/SQL 等多语言，且提供 PHP 扩展及 Python、Node.js、Ruby 多线程安全调用动态库（FFI）。支持容器环境自动扩容（自动注册 WorkerId ），单机或分布式唯一IdGenerator。 迄今为止最全面的分布式主键ID生成器。 优化的雪花算法（SnowFlake）——雪花漂移算法，在缩短ID长度的同时，具备极高瞬时并发处理能力（50W/0.1s）。 原生支持 C#/Java/Go/Rust/C/SQL 等多语言，且提供 PHP 扩展及 Python、Node.js、Ruby 多线程安全调用动态库（FFI）。支持容器环境自动扩容（自动注册 WorkerId ），单机或分布式唯一IdGenerator。 迄今为止最全面的分布式主键ID生成器。 优化的雪花算法（SnowFlake）——雪花漂移算法，在缩短ID长度的同时，具备极高瞬时并发处理能力（50W/0.1

基于线性回归的无线传感器网络分布式数据采集优化策略

功能设计，定位目标 可伸缩：水平可伸缩的平台,构建使用领先的 Spring Cloud 开源技术； 容错：没有单点故障弱,集群中的每个节点是相同的； 健壮和高效：单一服务器节点可以处理甚至数百成千上万的设备根据用例； 可定制：添加新的设备协议,并注册到服务中心； 跨平台：使用 Java 环境可异地、分布式多平台部署； 自主可控：私有云、公有云、边缘部署； 完善性：设备快速接入、注册、权限校验； 安全(开发中...)：数据加密传输（mqtt 驱动已实现数据加密传输）； 多租户：命名空间，多租户化； 云原生：Kubernetes； 容器化：Docker。

参数服务器 本项目使用非常少的代码编写了深度学习训练的全过程，有完整的结构，通过面向对象的封装，在算法上有一定扩展性，不仅支持单机模式还支持分布式模式 使用java实现的dnn训练框架，底层矩阵库使用Jblas(https://github.com/mikiobraun/jblas)，参数服务器使用Grpc+protobuf，ui方面使用ploty.js+nanohttpd 支持单机多CPU训练 支持分布式训练，多worker，多ps自定义负载均衡 支持同步更新和异步更新 支持二分类和多分类 实现embdding+全链接模型 实现Wide And Deep模型 实现卷积+池化+全链接模型 支持训练数据，测试数据异步读取，自定义parser UI Server可视化图表 例子 运行 CTR.java 点击率预估例子，test auc在0.71左右 运行 Mnist.java 手写输入例子，正

Hadoop分布式大数据系统.

基于分布式学习的大规模网络入侵检测算法

安全技术-网络信息-支持分布式天线的认知无线网络中高能量效率资源管理算法研究.pdf