欧恩方
欧恩方

扫读 | Towards Personalized Federated Learning

arxiv:2103.00710 传送门

  1. 综述个性化联邦学习（Personalized FL，PFL）的进展。讨论了PFL目前的发展阻碍，并将PFL分为基于数据的和基于模型的方法。展望PFL的发展轨迹、PFL的benchmarking、可信赖的PFL方法
  2. PFL的发展阻碍
    • 有限的FL框架
    • 隐私保护约束。现有很多方法不满足隐私保护的需求，有的允许本地数据或元数据的共享，有的假设可以用能代表整体分布的代理数据集
  3. PFL方法
    • 基于数据的方法
      • 目标是平滑掉统计上的异构性
      • 数据增强，通常需要共享一些数据
      • 客户节点选择，用本地更新的梯度，跟在服务器上代理数据集上的梯度进行比较
    • 基于模型的方法
      • 单模型PFL方法
        • 学习模型的一个可用的初始化版本，或者学习更理想的任务特定的本地表示
        • 元学习
        • 参数解耦，比如把embedding层作为私密参数，或者把特征提取层作为隐私层，只联邦学习其他的层
      • 多模型PFL方法
        • 节点聚类，每类节点维持一个模型。这种方法需要更多的计算和通讯消耗
      • N-模型PFL方法
        • 多任务学习，通常假设任务之间存在联系
        • 模型插值，每个节点训练自己的模型，用一个惩罚项来约束它跟平均的结果尽量相同，保持整体的相似性
        • 迁移学习
        • 参数解耦，把模型分为base层和personalized层，只共享base层（跟拆分特征提取层和分类层有何区别？）
    • 未来发展方向
      • 客户端的数据分布分析
      • 聚合处理：如匹配平均
      • 空间适应性：处理如新节点、掉线、stragglers的能力
      • 时间适应性：处理非静态数据的能力
        扫读 | Towards Personalized Federated Learning_第1张图片

你可能感兴趣的:(联邦学习)

  • 三体融合实战：Django+讯飞星火+Colossal-AI的企业级AI系统架构 IT莫染 FunctionModuleAI大模型工具及插件django人工智能系统架构讯飞星火Colossal-AIWebSocket
    目录技术栈关键词：Django5.0讯飞星火4.0UltraColossal-AI1.2WebSocket联邦学习⚡核心架构设计️一、Django深度集成讯飞星火API（免费版）1.获取API凭证2.流式通信改造（解决高并发阻塞）3.Django视图层集成⚡二、Colossal-AI加速多模型适配策略1.私有模型微调方案2.多模型路由逻辑三、私有化部署安全加固方案1.三重安全防护体系2.请求签名防
  • 大模型在通讯网络中的系统性应用架构 Deepoch 网络
    一、网络架构智能化重构1.1空天地一体化组网优化智能拓扑动态调整：大模型通过分析卫星轨道数据、地面基站负载及用户分布，实时优化天地一体化网络拓扑。例如，在用户密集区域（如城市中心）自动增强低轨卫星与地面基站的协同，通过联邦学习实现跨区域资源调度，降低跨空口传输时延至0.3ms以下。量子密钥分发增强：结合量子通信卫星星座，大模型动态生成抗量子攻击的密钥分发策略。在卫星间链路中，采用LSTM预测信道衰
  • 入门pytorch-联邦学习 四代机您发多少 pytorch人工智能python
    本文联邦学习的代码引用于https://github.com/shaoxiongji/federated-learning本篇文章相当于带大家读一遍联邦学习的代码，同时加深了大家对联邦学习和Pytorch框架的理解。这里想简单介绍一下联邦学习。联邦学习说白了，就是假如有NNN个数据拥有者F1,...,FN{F_1,...,F_N}F1,...,FN，他们希望使用这些数据来训练机器学习模型，但是又各
  • 长尾形分布论文速览三十篇【60-89】 木木阳 Long-tailed人工智能
    长尾形分布速览（60-89）这些研究展示了LLMs在长尾数据分布、持续学习、异常检测、联邦学习、对比学习、知识图谱、推荐系统、多目标跟踪、标签修复、对象检测、医疗生物医学以及其他应用中的广泛应用。通过优化和创新，LLMs在这些领域展现了卓越的性能，并为解决长尾问题提供了有效的工具和方法。1.长尾持续学习与对抗学习长尾持续学习(Paper60):通过优化器状态重用来减少遗忘，提高在长尾任务中的持续学
  • 跨区域智能电网负荷预测：基于 PaddleFL 的创新探索 暮雨哀尘 人工智能智能电网AIGCPaddleFL数据库python可视化
    跨区域智能电网负荷预测：基于PaddleFL的创新探索摘要：本文聚焦跨区域智能电网负荷预测，提出基于PaddleFL框架的联邦学习方法，整合多地区智能电网数据，实现数据隐私保护下的高精度预测，为电网调度优化提供依据，推动智能电网发展。一、引言在当今社会，电力作为经济发展的命脉，其稳定供应对于保障社会生活的正常运转和生产的持续进行具有不可替代的重要性。而智能电网作为现代电力系统的重要发展方向，通过集
  • 面向隐私保护的机器学习：联邦学习技术解析与应用 Blossom.118 机器学习与人工智能机器学习人工智能深度学习tensorflowpython神经网络cnn
    在当今数字化时代，数据隐私和安全问题日益受到关注。随着《数据安全法》《个人信息保护法》等法律法规的实施，企业和机构在数据处理和分析过程中面临着越来越严格的合规要求。然而，机器学习模型的训练和优化往往需要大量的数据支持，这就产生了一个矛盾：如何在保护数据隐私的前提下，充分利用数据的价值进行机器学习模型的训练和优化？联邦学习（FederatedLearning）作为一种新兴的隐私保护技术，为解决这一问
  • 《多设备协同训练：HarmonyOS联邦学习驱动Unity游戏AI进化》 爱学习的小齐哥哥 HarmonyOS5Unity游戏HarmonyOS5unity游戏引擎Unity游戏
    随着游戏产业的智能化升级，游戏AI正从传统的规则驱动向数据驱动的“自进化”模式转型。然而，传统游戏AI训练面临数据孤岛、计算资源受限、隐私安全风险三大核心挑战：单设备训练难以处理复杂场景的海量数据，集中式训练需上传用户行为数据（侵犯隐私），且高性能计算依赖云端或专用硬件（成本高、延迟大）。在此背景下，HarmonyOS联邦学习与多设备协同训练的融合，为Unity游戏AI的智能化进化提供了突破性解决
  • AI人工智能加持，联邦学习医疗数据共享方案全解析 AI学长带你学AI CS人工智能网络ai
    AI人工智能加持，联邦学习医疗数据共享方案全解析关键词：联邦学习、医疗数据共享、隐私保护、人工智能、多方安全计算摘要：医疗数据是医学研究和临床决策的“黄金资源”，但患者隐私保护与数据孤岛问题却像两道高墙，阻碍着医疗AI的发展。本文将以“联邦学习”这一AI核心技术为钥匙，带您深入理解如何在不泄露原始数据的前提下，实现跨医院、跨机构的医疗数据共享与联合建模。我们将从生活场景出发，用“厨师合作研发新菜”
  • 深度学习框架与联邦学习：探究未来的AI发展趋势=======================摘要：本文将深入探讨深度学习框架与联邦学习的融合，分析其在现代AI领域的应用和发展趋势。我们将介绍深度学习框
    深度学习框架与联邦学习：探究未来的AI发展趋势摘要：本文将深入探讨深度学习框架与联邦学习的融合，分析其在现代AI领域的应用和发展趋势。我们将介绍深度学习框架的基本原理、联邦学习的概念及其优势，并结合实际案例探讨二者的结合如何推动AI技术的创新与发展。一、深度学习框架：AI的基石深度学习框架是构建和训练深度学习模型的重要工具。它为开发者提供了便捷的工具和库，使得构建复杂的神经网络模型变得更加简单高效
  • 同态加密类型详解：部分同态加密，全同态加密 胡乱编胡乱赢 同态加密区块链算法部分同态全同态
    一、部分同态加密（PHE）仅支持单一运算（加法或乘法），效率较高，已实用化。乘法同态算法：RSA：基于大数分解问题，满足E(m1)⋅E(m2)=E(m1⋅m2)，适用于安全投票和数字签名。ElGamal：基于离散对数问题，支持乘法同态，常用于区块链隐私保护。加法同态算法：Paillier：基于合数剩余类问题，满足E(m1)⋅E(m2)=E(m1+m2)，广泛用于联邦学习中的梯度聚合（如FATE框架
  • 边缘计算算法与自动驾驶安全优化实践 智能计算研究中心 其他
    内容概要在自动驾驶系统的安全优化进程中，边缘计算算法通过分布式算力部署与实时数据处理能力，为车辆决策层构建了低时延、高容错的技术底座。本文系统性分析联邦学习与生成对抗网络（GAN）的融合机制，在保护数据隐私的同时提升多节点模型的动态适应能力，并通过可解释性算法对决策逻辑进行可视化解析，增强系统透明度。针对复杂行车场景，数据预处理与特征工程的双向协同显著优化了障碍物识别与路径规划的鲁棒性，结合F1值
  • 鹰盾视频的AI行为检测是怎样的风控？ 加油搞钱加油搞钱 人工智能音视频
    引言在数字内容生态与安全防护交织的复杂环境下，视频风控已成为保障平台合规运营、用户信息安全的核心防线。传统基于规则匹配与简单统计的风控手段，在面对多样化、隐蔽化的违规行为时逐渐力不从心。鹰盾视频构建的AI行为检测风控体系，通过深度融合多模态分析、强化学习、联邦学习等前沿技术，打造了从数据感知、智能研判到动态响应的全链条风控闭环。本文将从技术架构、核心算法、工程实践及未来演进等维度，深入解析其AI行
  • 联邦学习:用隐私保护助力CIFAR10建模 AI天才研究院 计算AI大模型企业级应用开发实战ChatGPT计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    联邦学习:用隐私保护助力CIFAR-10建模作者：禅与计算机程序设计艺术1.背景介绍1.1CIFAR-10数据集概述CIFAR-10数据集是一个广泛用于图像分类任务的基准数据集。它包含60,000张32x32彩色图像，分为10个类别，每个类别有6,000张图像。这些类别包括：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。CIFAR-10数据集被广泛应用于图像分类算法的评估和比较。1.2传统机器学
  • 基于Dirichlet分布的联邦学习数据分配 黑马算法创新 人工智能机器学习联邦学习异构联邦学习异构数据隐私保护
    基于Dirichlet分布的联邦学习数据分配。其目标是将数据按照不均衡的方式分配到不同的客户端，模拟真实世界中客户端数据不均匀的情况。下面详细解释这段逻辑：标签排序和数据组织：首先，代码对数据集中的标签进行排序（labels_sorted）。这些标签代表着数据的类别。然后，通过将标签和相应的数据索引（即数据点的位置）配对，形成了一个名为class_by_labels的列表，每个元素是一个元组，其中
  • 大模型训练新范式：隐私增强联邦学习架构与工程实践 尘烬海 架构rustwasmphp开发语言安全
    一、传统联邦学习为何无法满足大模型隐私需求当前主流联邦学习框架如FedAvg在面对大模型时存在显著短板：python#标准FedAvg参数聚合伪代码暴露关键漏洞global_model=initialize_model()forroundinrange(total_rounds):client_updates=[]forclientinselected_clients:#本地训练梯度ΔW可被用于反
  • 企业级大数据隐私保护：架构设计与实现方案 AI天才研究院 计算AI大模型应用入门实战与进阶AIAgent应用开发大数据ai
    企业级大数据隐私保护：架构设计与实现方案关键词：大数据隐私保护、隐私计算、联邦学习、差分隐私、安全多方计算、数据合规、去标识化摘要：本文系统解析企业级大数据隐私保护的核心技术体系，从架构设计到具体实现方案展开深度探讨。通过分层架构设计覆盖数据全生命周期，结合差分隐私、联邦学习、安全多方计算等前沿技术，阐述数据收集、存储、处理、共享各环节的隐私保护机制。配套完整的数学模型推导、Python代码实现和
  • 如何用数字人实现品效合一的传播 井云智能矩阵系统 人工智能
    ——从量子化建模到联邦学习的技术革命与商业实践一、行业痛点：传统营销的“三重割裂”2025年数据显示，78%的企业因营销效率低下错失市场机遇（快消品牌年损超500万元），核心矛盾聚焦于：品效割裂：品牌广告CTR＜0.5%，效果广告复购率不足30%（MCN机构实测）渠道割裂：跨平台数据孤岛导致用户旅程断裂，转化漏斗流失率＞65%人效割裂：真人主播日播极限4小时，人力成本占比超60%而如今，基于数字人
  • 联邦学习架构深度分析：支持多家医院协作训练AI模型方案分析 Allen_Lyb 数智化医院2025架构人工智能
    引言随着人工智能技术在医疗领域的广泛应用，医疗机构面临着如何在保护患者隐私的同时，高效利用分散在各医疗机构的医疗数据进行模型训练的挑战。传统的集中式数据共享方法不仅面临隐私泄露风险，还涉及复杂的法律合规问题。在这一背景下，"数据不动模型动"的联邦学习架构应运而生，为医疗机构提供了在不共享原始数据的前提下协同训练AI模型的新范式。联邦学习(FederatedLearning)是一种分布式机器学习范式
  • **深度学习框架与生成对抗网络：探索前沿技术的融合之美**摘要：本文将深入探讨深度学习框架在生成对抗网络（GANs）中的应用，分析大模型训练的实践，并展望联邦学习在未来技术趋势中的位置。我们将通过实例 2401_89451588 深度学习生成对抗网络人工智能python
    深度学习框架与生成对抗网络：探索前沿技术的融合之美摘要：本文将深入探讨深度学习框架在生成对抗网络（GANs）中的应用，分析大模型训练的实践，并展望联邦学习在未来技术趋势中的位置。我们将通过实例和代码片段展示相关技术细节，帮助读者更好地理解这些前沿技术。一、引言随着人工智能（AI）技术的飞速发展，深度学习框架作为实现AI的重要工具，已经成为研究的热点。生成对抗网络（GANs）作为深度学习领域的一个重
  • 【论文阅读】Federated Large Language Model : A Position Paper 只说人话绝不装逼 联邦大模型论文阅读语言模型人工智能
    https://arxiv.org/pdf/2307.08925.pdf这篇文章算是一篇positionpaper，阐述了作者对联邦大模型的理解与看大。初学者可以当一篇综述来看。文章思想很朴素，也很容易理解，基本就是有大模型基础和联邦学习基础的人都能想到或是理解的。联邦大模型的两种学习方式两种非常直观的方法：一种是从头训练，一种是利用私有数据集进行微调。优劣也非常直观：第一种方法允许特定任务的模型
  • 基于大模型预测视神经脊髓炎的技术方案 LCG元 大模型医疗研究-技术方向技术方案人工智能
    目录一、摘要二、系统架构设计1.整体架构图（Mermaid流程图）2.子系统划分三、核心算法实现1.术前风险预测模型（伪代码示例）2.术中实时监测流程图四、系统集成方案1.硬件部署拓扑图2.关键API定义五、硬件集成方案1.计算资源规划2.安全通信协议六、技术验证方法1.模型验证流程2.对比实验设计七、附录1.联邦学习协调算法2.系统部署检查清单一、摘要本研究提出一种基于多模态大模型的视神经脊髓炎
  • 自动化学习与边缘计算融合驱动语音识别模型优化新路径 智能计算研究中心 其他
    内容概要当前，自动化机器学习与边缘计算技术的交叉融合正在重塑语音识别模型的研发范式。这一趋势的核心在于通过算法优化与算力下沉的双重路径，解决传统云端集中式训练面临的效率瓶颈与隐私风险。以联邦学习框架为基础的数据协同机制，使得分散在边缘设备中的语音样本能够在不共享原始数据的前提下参与模型迭代，有效平衡了数据利用与隐私保护之间的矛盾。与此同时，超参数自动化搜索技术通过贝叶斯优化、进化算法等策略，显著降
  • 大白话解释联邦学习 frostmelody 深度学习小知识点机器学习小知识点人工智能联邦学习
    数据孤岛：为何发生？有何危害？如何解决？什么是数据孤岛？企业或组织内部，数据因存储分散、标准不一、系统或部门壁垒，导致数据像一座座孤立的岛屿，无法自由流通与整合，其潜在价值难以被充分挖掘。例如，财务部和销售部各自使用独立数据库，数据无法自动交互，需手动导出导入（物理性孤岛）相同数据在不同部门被赋予不同含义。例如，销售部的“客户”指已成交用户，而市场部的“客户”包含潜在用户，导致跨部门协作时需反复沟
  • 国际应用人工智能协会（IAAAI）的技术生态构建与全球实践 feng99520 人工智能重构AAIAIAAAIAI
    一、组织架构与技术治理模型1.1跨学科协同机制IAAAI构建了独特的"三角协作框架"（TriangularCollaborationFramework），将学术界、产业界和政策制定者的需求整合为可编程的协作协议。其学术委员会与全球120个研究机构建立了动态知识图谱系统，通过语义网技术实时追踪联邦学习、边缘计算等18个技术领域的最新突破。例如，在2022年发布的联邦医疗成像协作平台（FMICP）中，
  • 联邦学习图像分类实战：基于FATE与PyTorch的隐私保护机器学习系统构建指南 Tech Synapse 机器学习分类pytorch
    引言在数据孤岛与隐私保护需求并存的今天，联邦学习（FederatedLearning）作为分布式机器学习范式，为医疗影像分析、金融风控、智能交通等领域提供了创新解决方案。本文将基于FATE框架与PyTorch深度学习框架，详细阐述如何构建一个支持多方协作的联邦学习图像分类平台，覆盖环境配置、数据分片、模型训练、隐私保护效果评估等全流程，并提供可直接运行的完整代码。一、技术架构与核心组件1.1联邦学
  • MCP协议：大模型与外部工具交互的标准化创新方案 未来创世纪 AIGC人工智能
    MCP协议：大模型与外部工具交互的标准化创新方案摘要：本文深入剖析MCP（ModelContextProtocol）协议，作为大模型与外部工具交互的标准化方案，其通过客户端-服务端架构实现AI能力与数据/工具的深度集成。文章从协议定位、架构设计和组件职责等维度展开，阐述其打破生态孤岛、降低开发复杂性、提升人机交互效率等核心价值，并探讨多模态扩展、联邦学习等未来演进方向，为AI系统构建提供重要参考。
  • AI产品设计：如何平衡上下文理解与用户隐私？ AI大模型应用之禅 人工智能ai
    AI产品设计：如何平衡上下文理解与用户隐私？关键词：AI产品设计、上下文理解、用户隐私、数据安全、隐私保护、差分隐私、联邦学习摘要：本文探讨了在AI产品设计中如何平衡上下文理解能力与用户隐私保护这一关键问题。我们将从基础概念出发，分析两者之间的冲突与协同关系，介绍当前主流的隐私保护技术，并通过实际案例展示如何在产品设计中实现这一平衡。文章最后展望了未来发展趋势，为AI产品设计师和开发者提供实用的指
  • 联邦学习真香警告：跨机构医疗数据协作中的梯度投毒攻防 梦玄网络安全 golang爬虫算法python服务器
    联邦学习（FederatedLearning,FL）作为医疗数据协作的核心技术，允许医院在不共享原始数据的前提下联合训练AI模型。然而，其分布式特性也使其成为梯度投毒攻击（GradientPoisoningAttack）的温床。本文将深度解析这一攻防战的技术细节与实战方案。一、为什么医疗领域需要联邦学习？1.1医疗数据协作的困境•数据孤岛：医院A有MRI影像，医院B有病理切片，但数据无法直接共享（
  • 智能算法核心技术：联邦学习与量子计算应用解析 智能计算研究中心 其他
    内容概要本文聚焦智能算法技术体系的跨场景应用与前沿突破，以联邦学习与量子计算为核心架构展开系统性分析。在金融风控领域，联邦学习通过分布式模型训练机制，在保障数据隐私的前提下实现多机构联合建模，结合可解释性算法提升风险预测透明度；量子算法则突破传统医疗影像分析的计算效率瓶颈，通过量子态叠加特性加速高分辨率图像的特征提取。自动驾驶场景中，计算机视觉算法与边缘计算框架的深度耦合，实现了低延迟环境感知与决
  • 【研究方向】联邦|自然语言 拾贰_Python 开发语言数据结构时序数据库智慧城市机器翻译视频编解码视觉检测
    联邦学习FederatedLearning,FL分布式学习方案。通过多个参与方（client）联邦计算FederatedComputing联邦计算(FederatedLearning)是一种分布式机器学习方法,旨在解决数据隐私保护与数据孤岛问题。图联邦GraphNeuralNetworks,GNNs图联邦都是基于大量的图数据进行训练的，然而在许多的现实场景中，图数据通常在多个数据所在者处，（例如医
  • HttpClient 4.3与4.3版本以下版本比较 spjich javahttpclient
    网上利用java发送http请求的代码很多，一搜一大把，有的利用的是java.net.*下的HttpURLConnection，有的用httpclient，而且发送的代码也分门别类。今天我们主要来说的是利用httpclient发送请求。 httpclient又可分为 httpclient3.x httpclient4.x到httpclient4.3以下 httpclient4.3
  • Essential Studio Enterprise Edition 2015 v1新功能体验 Axiba .net
    概述：Essential Studio已全线升级至2015 v1版本了！新版本为JavaScript和ASP.NET MVC添加了新的文件资源管理器控件，还有其他一些控件功能升级，精彩不容错过，让我们一起来看看吧！ syncfusion公司是世界领先的Windows开发组件提供商，该公司正式对外发布Essential Studio Enterprise Edition 2015 v1版本。新版本
  • [宇宙与天文]微波背景辐射值与地球温度 comsci 背景
            宇宙这个庞大,无边无际的空间是否存在某种确定的,变化的温度呢?      如果宇宙微波背景辐射值是表示宇宙空间温度的参数之一,那么测量这些数值,并观测周围的恒星能量输出值,我们是否获得地球的长期气候变化的情况呢?   &nbs
  • lvs-server 男人50 server
    #!/bin/bash # # LVS script for VS/DR # #./etc/rc.d/init.d/functions # VIP=10.10.6.252 RIP1=10.10.6.101 RIP2=10.10.6.13 PORT=80 case $1 in start)   /sbin/ifconfig eth2:0 $VIP broadca
  • java的WebCollector爬虫框架 oloz 爬虫
    WebCollector主页： https://github.com/CrawlScript/WebCollector 下载：webcollector-版本号-bin.zip将解压后文件夹中的所有jar包添加到工程既可。 接下来看demo package org.spider.myspider; import cn.edu.hfut.dmic.webcollector.cra
  • jQuery append 与 after 的区别 小猪猪08
    1、after函数 定义和用法： after() 方法在被选元素后插入指定的内容。 语法： $(selector).after(content) 实例： <html> <head> <script type="text/javascript" src="/jquery/jquery.js"></scr
  • mysql知识充电 香水浓 mysql
    索引 索引是在存储引擎中实现的，因此每种存储引擎的索引都不一定完全相同，并且每种存储引擎也不一定支持所有索引类型。 根据存储引擎定义每个表的最大索引数和最大索引长度。所有存储引擎支持每个表至少16个索引，总索引长度至少为256字节。 大多数存储引擎有更高的限制。MYSQL中索引的存储类型有两种：BTREE和HASH，具体和表的存储引擎相关； MYISAM和InnoDB存储引擎
  • 我的架构经验系列文章索引 agevs 架构
    下面是一些个人架构上的总结，本来想只在公司内部进行共享的，因此内容写的口语化一点，也没什么图示，所有内容没有查任何资料是脑子里面的东西吐出来的因此可能会不准确不全，希望抛砖引玉，大家互相讨论。 要注意，我这些文章是一个总体的架构经验不针对具体的语言和平台，因此也不一定是适用所有的语言和平台的。 （内容是前几天写的，现附上索引）   前端架构 http://www.
  • Android so lib库远程http下载和动态注册 aijuans andorid
    一、背景      在开发Android应用程序的实现，有时候需要引入第三方so lib库，但第三方so库比较大，例如开源第三方播放组件ffmpeg库, 如果直接打包的apk包里面, 整个应用程序会大很多.经过查阅资料和实验，发现通过远程下载so文件，然后再动态注册so文件时可行的。主要需要解决下载so文件存放位置以及文件读写权限问题。   二、主要
  • linux中svn配置出错 conf/svnserve.conf:12: Option expected 解决方法 baalwolf option
    在客户端访问subversion版本库时出现这个错误： svnserve.conf:12: Option expected 为什么会出现这个错误呢，就是因为subversion读取配置文件svnserve.conf时，无法识别有前置空格的配置文件，如### This file controls the configuration of the svnserve daemon, if you##
  • MongoDB的连接池和连接管理 BigCat2013 mongodb
    在关系型数据库中，我们总是需要关闭使用的数据库连接，不然大量的创建连接会导致资源的浪费甚至于数据库宕机。这篇文章主要想解释一下mongoDB的连接池以及连接管理机制，如果正对此有疑惑的朋友可以看一下。 通常我们习惯于new 一个connection并且通常在finally语句中调用connection的close()方法将其关闭。正巧，mongoDB中当我们new一个Mongo的时候，会发现它也
  • AngularJS使用Socket.IO bijian1013 JavaScriptAngularJSSocket.IO
            目前，web应用普遍被要求是实时web应用，即服务端的数据更新之后，应用能立即更新。以前使用的技术（例如polling）存在一些局限性，而且有时我们需要在客户端打开一个socket，然后进行通信。         Socket.IO(http://socket.io/)是一个非常优秀的库，它可以帮你实
  • [Maven学习笔记四]Maven依赖特性 bit1129 maven
    三个模块 为了说明问题，以用户登陆小web应用为例。通常一个web应用分为三个模块，模型和数据持久化层user-core, 业务逻辑层user-service以及web展现层user-web， user-service依赖于user-core user-web依赖于user-core和user-service   依赖作用范围  Maven的dependency定义
  • 【Akka一】Akka入门 bit1129 akka
    什么是Akka Message-Driven Runtime is the Foundation to Reactive Applications In Akka, your business logic is driven through message-based communication patterns that are independent of physical locatio
  • zabbix_api之perl语言写法 ronin47 zabbix_api之perl
    zabbix_api网上比较多的写法是python或curl。上次我用java－－http://bossr.iteye.com/blog/2195679，这次用perl。for example: #!/usr/bin/perl use 5.010 ; use strict ; use warnings ; use JSON :: RPC :: Client ; use
  • 比优衣库跟牛掰的视频流出了，兄弟连Linux运维工程师课堂实录，更加刺激，更加实在！ brotherlamp linux运维工程师linux运维工程师教程linux运维工程师视频linux运维工程师资料linux运维工程师自学
    比优衣库跟牛掰的视频流出了，兄弟连Linux运维工程师课堂实录，更加刺激，更加实在！   ----------------------------------------------------- 兄弟连Linux运维工程师课堂实录-计算机基础-1-课程体系介绍1 链接：http://pan.baidu.com/s/1i3GQtGL 密码：bl65   兄弟连Lin
  • bitmap求哈密顿距离-给定N（1<=N<=100000）个五维的点A(x1,x2,x3,x4,x5)，求两个点X(x1,x2,x3,x4,x5)和Y( bylijinnan java
    import java.util.Random; /** * 题目： * 给定N（1<=N<=100000）个五维的点A(x1,x2,x3,x4,x5)，求两个点X(x1,x2,x3,x4,x5)和Y(y1,y2,y3,y4,y5)， * 使得他们的哈密顿距离（d=|x1-y1| + |x2-y2| + |x3-y3| + |x4-y4| + |x5-y5|）最大
  • map的三种遍历方法 chicony map
    package com.test; import java.util.Collection; import java.util.HashMap; import java.util.Iterator; import java.util.Map; import java.util.Set; public class TestMap { public static v
  • Linux安装mysql的一些坑 chenchao051 linux
    1、mysql不建议在root用户下运行   2、出现服务启动不了，111错误，注意要用chown来赋予权限， 我在root用户下装的mysql，我就把usr/share/mysql/mysql.server复制到/etc/init.d/mysqld, (同时把my-huge.cnf复制/etc/my.cnf)  chown -R cc /etc/init.d/mysql
  • Sublime Text 3 配置 daizj 配置Sublime Text
    Sublime Text 3 配置解释(默认){// 设置主题文件“color_scheme”: “Packages/Color Scheme – Default/Monokai.tmTheme”,// 设置字体和大小“font_face”: “Consolas”,“font_size”: 12,// 字体选项：no_bold不显示粗体字，no_italic不显示斜体字，no_antialias和
  • MySQL server has gone away 问题的解决方法 dcj3sjt126com SQL Server
    MySQL server has gone away 问题解决方法，需要的朋友可以参考下。 应用程序（比如PHP）长时间的执行批量的MYSQL语句。执行一个SQL，但SQL语句过大或者语句中含有BLOB或者longblob字段。比如，图片数据的处理。都容易引起MySQL server has gone away。 今天遇到类似的情景，MySQL只是冷冷的说：MySQL server h
  • javascript/dom:固定居中效果 dcj3sjt126com JavaScript
    <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&
  • 使用 Spring 2.5 注释驱动的 IoC 功能 e200702084 springbean配置管理IOCOffice
    使用 Spring 2.5 注释驱动的 IoC 功能 developerWorks 文档选项 将打印机的版面设置成横向打印模式 打印本页 将此页作为电子邮件发送 将此页作为电子邮件发送 级别： 初级 陈 雄华 ([email protected]), 技术总监, 宝宝淘网络科技有限公司 2008 年 2 月 28 日  &nb
  • MongoDB常用操作命令 geeksun mongodb
    1.   基本操作 db.AddUser(username,password)               添加用户 db.auth(usrename,password)      设置数据库连接验证 db.cloneDataBase(fromhost)    
  • php写守护进程（Daemon） hongtoushizi PHP
    转载自： http://blog.csdn.net/tengzhaorong/article/details/9764655   守护进程（Daemon）是运行在后台的一种特殊进程。它独立于控制终端并且周期性地执行某种任务或等待处理某些发生的事件。守护进程是一种很有用的进程。php也可以实现守护进程的功能。   1、基本概念   &nbs
  • spring整合mybatis,关于注入Dao对象出错问题 jonsvien DAOspringbeanmybatisprototype
    今天在公司测试功能时发现一问题： 先进行代码说明： 1，controller配置了Scope="prototype"（表明每一次请求都是原子型）    @resource/@autowired service对象都可以（两种注解都可以）。 2，service 配置了Scope="prototype"（表明每一次请求都是原子型）
  • 对象关系行为模式之标识映射 home198979 PHP架构企业应用对象关系标识映射
    HELLO!架构   一、概念 identity Map:通过在映射中保存每个已经加载的对象，确保每个对象只加载一次，当要访问对象的时候，通过映射来查找它们。其实在数据源架构模式之数据映射器代码中有提及到标识映射，Mapper类的getFromMap方法就是实现标识映射的实现。     二、为什么要使用标识映射？ 在数据源架构模式之数据映射器中 //c
  • Linux下hosts文件详解 pda158 linux
    　1、主机名： 　　无论在局域网还是INTERNET上，每台主机都有一个IP地址，是为了区分此台主机和彼台主机，也就是说IP地址就是主机的门牌号。 　　公网：IP地址不方便记忆，所以又有了域名。域名只是在公网（INtERNET)中存在，每个域名都对应一个IP地址，但一个IP地址可有对应多个域名。 　　局域网：每台机器都有一个主机名，用于主机与主机之间的便于区分，就可以为每台机器设置主机
  • nginx配置文件粗解 spjich javanginx
    #运行用户#user  nobody;#启动进程,通常设置成和cpu的数量相等worker_processes  2;#全局错误日志及PID文件#error_log  logs/error.log;#error_log  logs/error.log  notice;#error_log  logs/error.log  inf
  • 数学函数 w54653520 java
    public  class  S {        // 传入两个整数，进行比较，返回两个数中的最大值的方法。      public  int  get( int  num1, int  nu
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他