搜索[思维链]结果-低调大师优秀个人博客

精选列表

搜索[思维链]，共10000篇文章

开源软件供应链安全问题 50 年

软件供应链安全问题在过去半个世纪中轮廓没有改变，因为它们是根本性的。在计算机安全领域没有简单的答案；软件供应链安全也不例外。

2025-04-08

HttpSecurity 是如何组装过滤器链的

现在新版写法我觉得更加合理因为直接就是让开发者自己去配置过滤器链类似下面这样* @Bean SecurityFilterChain securityFilterChain(HttpSecurity http

2024-05-31

每日一博 | 初探分布式链路追踪

链路追踪分布式链路追踪公认的起源是 Google 在 2010 年发表的论文《Dapper : a Large-Scale Distributed Systems Tracing Infrastructure

2024-02-05

云原生 API 网关链路追踪能力重磅上线

在现有的链路追踪能力中，缺少网关到应用服务调用链路的统一的视角，以及全局的唯一标识。网关侧无法看到请求入口经过后端服务的调用路径，调用处理的时间点信息。应用也缺少网关视角，导致全链路不够完整。

2024-02-02

京东搜索EE链路演进 | 京东云技术团队

因此升级思路不再局限于仅关注曝光后获得点击这一前置链路行为，而是对整体转化链路进行建模，关注商品的多维度属性。

2023-09-04

通过 OpenKruise 实现基于 Higress 的全链路灰度

这是因为：微服务调用链路比较长，比较复杂。在微服务架构中，服务之间的调用链路比较复杂，一个服务的改动可能会影响到整个调用链路，从而影响整个应用的稳定性。

2023-08-17

基于云原生网关的全链路灰度实践

通过全链路流量控制功能，可以快速创建流量控制环境，将具有一定特征的流量路由到目标版本应用。

2023-07-09

精准测试之分布式调用链底层逻辑

调⽤链系统概述； 2. 调⽤链系统的演进； 3. 调⽤链的底层实现逻辑； 4. Span内容组成。⼀、分布式调⽤链系统概述客户打电话给客服说：“优惠券使⽤不了”。

2023-03-21

责任链和策略设计模式-基于Java编程语言

2 责任链设计模式的一般定义责任链设计模式是设计模式中的一种行为型设计模式。

2023-02-20

作者： vivo - 人工智能推荐团队：何鑫、李恒、周健、黄金宝背景 vivo 人工智能推荐算法团队在深耕业务同时，也在积极探索适用于搜索/广告/推荐大规模性稀疏性算法训练框架。分别探索了 tensornet/XDL/tfra 等框架及组件，这些框架组件在分布式、稀疏性功能上做了扩展，能够弥补 tensorflow 在搜索/广告/推荐大规模性稀疏性场景不足，但是在通用性、易用性以及功能特点上，这些框架存在各种不足。 DeepRec 是阿里巴巴集团提供的针对搜索、推荐、广告场景模型的训练/预测引擎，在分布式、图优化、算子、Runtime 等方面对稀疏模型进行了深度性能优化，提供了丰富的高维稀疏特征功能的支持。基于 DeepRec 进行模型迭代不仅能带来更好的业务效果，同时在 Training/Inference 性能有明显的性能提升。作为 DeepRec 最早的一批社区用户，vivo 在 DeepRec 还是内部项目时，就与 DeepRec 开发者保持密切的合作。经过一年积累与打磨，DeepRec 赋能 vivo 各个业务增长，vivo 也作为 DeepRec 深度用户，将业务中的需求以及使用中的问题积极回馈到 DeepRec 开源社区。业务介绍 vivo 人工智能推荐算法组的业务包含了信息流、视频、音乐、广告等搜索/广告/推荐各类业务，基本涵盖了搜广推各类型的业务。为了支撑上述场景的算法开发上线，vivo 自研了集特征数据、模型开发、模型推理等流程于一体的推荐服务平台。通过成熟、规范的推荐组件及服务，该平台为 vivo 内各推荐业务（广告、信息流等）提供一站式的推荐解决方案，便于业务快速构建推荐服务及算法策略高效迭代。稀疏模型训练 3.1 稀疏功能 3.1.1 痛点在实际业务实践发现，TensorFlow 原生 Embedding Layer 存在以下问题： 1.静态 Embedding OOV 问题在构建 Embedding Layer 的时候，TensorFlow 需要首先构建一个静态 shape[Vocab_size, Embedding size ] 的 Variable，然后利用 Lookup 的算子将特征值的 Embedding 向量查询出。在增量或者流式训练中，会出现 OOV 的问题。 2. 静态 Embedding hash 特征冲突为了规避上述的 OOV 问题，通常做法是将特征值 hash 到一定的范围，但是又会引入 hash 冲突的问题，导致不同的特征值共用同一个 Embedding，会造成信息丢失，对模型训练是有损的。 3. 静态 Embedding 内存浪费为了缓解 hash 冲突，通常会设置比真实的特征值个数 N 大一到两倍的 hash 范围，而这又会强行地增加模型的体积。低频特征冗余在引入稀疏特征时，出现频次较低以及许久未出现的特征 ID 对于模型而言是冗余的。此外，交叉特征占据了大量的存储，可以在不影响训练效果的前提下过滤掉这些特征 ID。因此，迫切需求特征淘汰以及准入机制。总的来讲，TensorFlow 的 Embedding Layer 对真实的业务场景有几个不太友好的点，第一是可拓展性差，第二是 hash 冲突导致模型训练有损，第三是无法处理冗余的稀疏特征。而 DeepRec 巧妙地解决了上述问题，主要提供了基于 Embedding Variable 的动态 Embeeding 功能和特征准入/淘汰功能。 3.1.2 Embedding Variable DeepRec 中的 EmbeddingVariable 以 HashTable 作为内部存储的基本结构，动态的创建/释放 Embedding 向量，适配了 Embedding 前向查询，反向更新等 OP，从而解决了用户的痛点。在构建 Embedding Layer 时使用 DeepRec的Embedding Variable。利用 Embedding Variable 具有动态维度的特性，模型训练对新增的特征值无感知。此外，由于摒弃了 hash 的操作，训练的模型也是无损的，同时模型的体积也会缩小。 3.1.3 特征准入/淘汰特征准入： DeepRec 提供了基于 BloomFilter 和 Counter 两种策略的准入机制。特征准入可以避免模型稀疏特征的快速增长，拒绝低频特征进入模型，影响模型收敛效果。特征淘汰： DeepRec 支持两种淘汰策略，一种是按照 global step 进行淘汰，一种是按照 L2 weight 进行淘汰，它们将不符合规则的特征从模型参数中剔除，保证特征的有效性。 3.1.4 收益静态 Embedding 升级到动态 Embedding 使用 DeepRec 的动态 Eembedding 替换 TensorFlow 的静态 Embedding 后，保证所有特征 Embedding 无冲突，离线auc提升 0.5%，线上点击率提升 1.2%，同时模型体积缩小 20%。 ID 特征的利用在使用 TensorFlow 时，vivo 尝试过对 ID 特征进行 hash 处理输入模型，实验表明这种操作对比基线具有负收益。这是由于 ID 特征过于稀疏，同时 ID 具有唯一指示性，hash 处理会带来大量的 Embedding 冲突。基于动态 Embedding，使用 ID 特征离线 auc 提升 0.4%，线上点击率提升 1%；同时配合 global step 特征淘汰，离线 auc 提升 0.2%，线上点击率提升 0.5%。 3.2 IO优化 3.2.1 痛点目前 vivo 内部使用的是 TFRecord 数据格式存储训练数据，这种存储格式存在以下缺陷： 1. 占用存储空间大由于 TFRecord 采用 protocol buffer 结构化数据存储，存储不够紧凑，占用空间比较大，在训练时 I/O 开销也非常大。vivo 尝试过利用 prebatch 的方式存储 TFRecord 以节省存储空间，但是此方案解析相对复杂，I/O 开销进一步加剧。 2. 非明文存储由于 TFRecord 以二进制格式存储，无法直接查看数据内容，存在解析困难、不便进行数据分析的问题。 3.2.2 Parquet Dataset Parquet 是一种列式存储的数据格式，能够节省存储资源，加快数据读取速度。DeepRec 的 Parquet Dataset 支持读取 Parquet 文件，开箱即用，无需额外安装第三库，使用简单方便。同时，Parquet Dataset 能够加快数据读取速度，提高模型训练的 I/O 性能。 3.2.3 收益 vivo 内部尝试使用 Parquet Dataset 来替换现有 TFRecord，提高训练速度 30%，减少样本存储成本 38%，降低带宽成本。同时，vivo 内部支持 hive 查询 Parquet 文件，算法工程师能够高效快捷地分析样本数据。高性能推理框架在业务逐渐发展过程中，广告召回量增长 3.5 倍，同时目标预估数增加两倍，推理计算复杂度增加，超时率超过 5%，严重影响线上服务可用性以及业务指标。因此，vivo 尝试探索升级改造现有推理服务，保证业务可持续发展。vivo 借助 DeepRec 开源的诸多推理优化功能，在 CPU 推理改造以及 GPU 推理升级方面进行探索，并取得一定收益。 4.1 CPU 推理优化 vivo 直接使用 TensorFlow 提供的 C++ 接口调用 Session::Run，无法实现多 Session 并发处理 Request，导致单 Session 无法实现 CPU 的有效利用。如果通过多 Instance 方式（多进程），无法共享底层的 Variable，导致大量使用内存，并且每个 Instance 各自加载一遍模型，严重影响资源的使用率和模型加载效率。为了提高 CPU 使用率，也尝试多组 Session Intra/Inter，均会导致 latency升高，服务可用性降低。基于 ShareNothing 架构的 SessionGroup DeepRec 提供的 SessionGroup 能够有效地解决上述问题，其基本架构如下图所示： SessionGroup 可配置一组 Session，并且通过 Round Robin (支持用户自定义策略)方式将用户请求分发到某一个 Session。SessionGroup 对不同 Session 之间的资源进行隔离，每个 Session 拥有私有的线程池，并且支持每个线程池绑定底层的 CPU Core(numa-aware)，可以最大程度地避免共享资源导致的锁冲突开销。SessionGroup 中唯一共享的资源是 Variable，所有 Session 共享底层的 Variable，并且模型加载只需要加载一次。在使用 SessionGroup 功能后，CPU 使用率低的问题明显得到缓解，在保证 latency 的前提下极大提高 QPS，单机 QPS 提升高达 80%，单机 CPU 利用率提升 75%。 4.2 GPU 推理优化经过 SessionGroup 的优化，虽然 CPU 推理性能得到改善，但是超时率依旧无法得到缓解。由于以下几点原因，vivo 尝试探索 GPU 推理来优化线上性能。多目标模型目标塔数较多模型中使用 Attention、LayerNorm、GateNet 等复杂结构特征多，存在大量稀疏特征 4.2.1 Device Placement Optimization 通常，对于稀疏特征的处理一般是将其 Embedding 化，由于模型中存在大量的稀疏特征，因此 vivo 的广告模型使用大量的 Embedding 算子。从推理的 timeline 可以看出，Embedding 算子分散在 timeline 的各个阶段，导致大量的 GPU kernel launch 以及数据拷贝，因此图计算非常耗时。 Device Placement Optimization 完全将 Embedding Layer placed 到 CPU 上，解决Embedding layer 内部存在的 CPU 和 GPU 之间大量数据拷贝问题。 Device Placement Optimization 性能优化明显，CPU 算子（主要是 Embedding Layer）的计算集中在 timeline 的最开端，之后 GPU 主要负责网络层的计算。相较于 CPU 推理，Device Placement Optimization P99 降低 35%。 4.2.2 CUDA Multi-Stream 功能在推理过程中，vivo 发现 GPU 利用率低，GPU 算力浪费。DeepRec 支持用户使用 multi-stream 功能，多 stream 并发计算，提升 GPU 利用率。多线程并发 launch kernel 时，存在较大的锁开销，极大影响了 kernel launch 的效率，这里的锁与 CUDA Driver 中 Context 相关。因此可以通过使用 MPS/Multi-context 来避免 launch 过程中锁开销，从而进一步提升 GPU 有效利用率。此外，模型中存在大量的 H2D 以及 D2H 的数据拷贝，在原生代码中，计算 stream 和拷贝 stream 是独立的，这会导致 stream 之间存在大量同步开销，同时对于在 Recv 算子之后的计算算子，必须等到 MemCopy 完成之后才能被 launch 执行，MemCopy 和 launch 难以 overlap 执行。基于以上问题，NV 专家计算团队的同学在 multi-stream 功能基础上进一步优化，开发了 MergeStream 功能，允许 MemCopy 和计算使用相同的 stream，从而减少上述的同步开销以及允许 Recv 之后计算算子 launch 开销被 overlap。 vivo 在线上推理服务中使用了 multi-stream 功能，P99 降低 18%。更进一步地，在使用 merge stream 功能后，P99 降低 11%。 4.2.3 编译优化-BladeDISC BladeDISC 是阿里集团自主研发的、原生支持存在动态尺寸模型的深度学习编译器。DeepRec 中集成了 BladeDISC，通过使用 BladeDISC 内置的 aStitch 大尺度算子融合技术对于存在较多访存密集型算子的模型有显著的效果。利用 BladeDISC 对模型进行编译优化，推理性能得到大幅度提升。 BladeDISC 将大量访存密集型算子编译成一个大的融合算子，可以大大减少框架调度和 kernel launch 的开销。区别于其他深度学习编译器的是，BladeDISC 还会通过优化 GPU 不同层次存储（特别是 SharedMemory）的使用来提升了访存操作和 Op 间数据交换的性能。图中可以看到，绿色是 Blade DISC 优化合并的算子替代了原图中大量的算子。另外，由于线上模型比较复杂，为了进一步减少编译耗时、提升部署效率，vivo 启用了 BladeDISC 的编译缓存功能。开启此功能时，BladeDISC 仅会在新旧版本模型的 Graph 结构发生改变时触发编译，如果新旧模型仅有权重变更则复用之前的编译结果。经过验证，编译缓存在保证正确性的同时，几乎掩盖了编译模型的开销，模型更新速度与之前几乎相同。在使用 BladeDISC 功能后，线上服务 P99 降低 21%。 4.2.4 总结 DeepRec 提供大量的解决方案可以帮助用户快速实施 GPU 推理。经过一系列优化，相较于 CPU 推理，GPU 推理 P99 降低 50%，GPU 利用率平均在 60% 以上。此外，线上一张英伟达 T4 显卡的推理性能超过两台 CPU 机器，节省了大量的机器资源，机器成本降低 60%。未来规划基于 CPU 的分布式异步训练存在两个问题：一是异步训练会损失训练精度，模型难以收敛到最佳；二是随着模型结构逐渐复杂，训练性能会急剧下降。未来，vivo 打算尝试基于 GPU 的同步训练来加速复杂模型训练。DeepRec 支持两种 GPU 同步框架——SparseOperationKit(SOK)和HybridBackend。后续 vivo 将尝试这两种 GPU 同步训练来加速模型训练。 DeepRec开源地址：https://github.com/alibaba/Deep

2022-12-20

lmc-autotest —— BSF 全链路压测工具

lmc-autotest 是万级并发分布式全链路性能压测工具。

2022-11-23

scala-lang 反序列化漏洞利用链

tail 对象的 lazyState 方法，可以包含 lazyState 字段的任何 Function0 实例，这可能会修改任意文件，建立网络连接，或者可能通过使用 Function0 方法的小工具链运行任意代码

2022-10-11

解读Go分布式链路追踪实现原理

分布式链路追踪作为解决分布式应用可观测问题的重要技术，愈发成为分布式应用不可缺少的基础设施。

2022-07-12

OSPO如何帮助保护你的软件供应链

企业正在努力解决如何最好地保护他们的开源软件供应链。但还有一个问题：许多公司甚至不知道他们有多少开放源码应用程序--或者其中有什么。

2022-04-18

全链路异步Rest客户端 ESA RestClient

产品包含高性能Web服务框架、RPC框架、服务治理框架、注册中心、配置中心、调用链追踪系统，Service Mesh、Serverless等各类产品及研究方向。

2022-02-28

全链路数据血缘在满帮的实践

摘要：全链路数据血缘，指在数据的全生命周期内，数据与数据之间会形成各式各样的关系，贯穿整个数据链路中。本文分享自华为云社区《全链路数据血缘在满帮的实践》，作者：你好_TT。

2021-12-10

TCG宣布成立供应链安全工作组

TCG本周宣布成立一个专注于供应链安全的新工作组。微软、英特尔和高盛的代表将牵头创建这个新小组，该小组将致力于制定供应链安全标准指南。

2021-10-21

供应链金融科技SaaS是软件还是服务？

根据Synergy Research Group在2019年的数据，过去十年间国外SaaS的年均收入增长了39%，而同期软件的收入，每年平均仅增长4%。在竞争市场总额方面，SaaS也从初期的不足5%，上升至25%以上的份额。此外，SaaS在资本市场上的表现也极为亮眼，目前美股SaaS公司TOP 50的平均市值约为400亿美元。也就是说，无论是从赚钱能力、实际营收，还是公司价值上看，SaaS都是一个炙手可热的行业。相较于国外的SaaS，在大部分国内SaaS公司身上，既看不到实际的经营效果，甚至也看不出有这种趋势。中外SaaS之间的差距，不但是行业的发展差距，更是产业级的差距。我们之所以说“中外之间”、而不是“中美之间”做对比，是因为美国SaaS企业的用户遍布全球;而国内SaaS公司的用户，还局限于一个较小的范围。这个隐性的差距，才是最大的差距。针对中外SaaS巨大差距的原因，行业内有多种解释，比如周期、环境、赛道和产品等影响因素。每种说法听起来都有道理，但是却经不起深入推敲。所以，我们必须回到SaaS的原点，发掘SaaS的本质，重建SaaS的商业逻辑。 1. 我们所说的不是同一个SaaS? SaaS的缩写中有两个S，即Software和Service。基于常识也知道，后者才是SaaS的本意。然而不幸的是，很多SaaS创业者把焦点放在了第一个S，即软件上。这个对SaaS的错误认知，带来后续诸多的问题。而解决这些问题，成了很多SaaS创业者堂吉诃德式的风车之战。把SaaS当作软件，不但带偏了行业，还带来很多无解的现实困扰。比如：信息化水平较高的目标企业客户本来就不多，还被软件企业瓜分掉大部分占绝大多数的中小微企业不用软件好容易找到的客户，还有定制化要求软件通常很贵，有没有用也不知道，不买是最好的决策除去这些限制，SaaS哪还会有那么大的市场空间? 此外，如果站在软件的立场，一些行业内的根本性问题，SaaS创业者本身也很难回答。摸着石头也未必能过得了河。比如这些一直在探讨的问题：复制的赛道为啥不灵? 做什么样的SaaS更容易成功，工具软件，还是行业/垂直软件? SaaS同质化问题如何解决? 怎样解决SaaS的个性化和可复制的矛盾? 面向大客户还是中小微? 只要还在行业内混，这些问题就绕不开。从软件视角，这些问题目前没有答案。所以，行业需要我们换一个服务的视角，重新审视SaaS的服务价值。 2. 认识另外一个SaaS 在原本的SaaS定义中，服务才是SaaS的第一视角。然而，在SaaS公司的实际运作中，很多人还是对软件和服务经常分不清楚。所以我们先给服务下一个定义。广义上的服务，是一种经济活动，它并不产出有形的产品;而是由一个实体为另一个实体所创造的绩效。如果觉得这个定义太绕口，与SaaS不好关联，那么只需要记住一个原则就够了：即SaaS公司的产品是服务，软件只是服务提供的一种媒介。进一步，我们可以将SaaS，定义为一个服务包，如图所示。以一个SCRM的获客服务为例，解释服务包的概念。这里的产品即软件;环境可理解为集客条件，比如官网内容、落地页等;信息可以是流量、待转化的线索等数据。一个服务质量的高低，决定了客户的购买和复购的意愿。与软件类似，服务也需要有一个评价的标准。我们知道，软件的评价标准是合同约定的需求实现程度;而服务的评价标准则是：客户的服务感知与服务期望之间的差距。也就是说，一个SaaS的优劣，是由这个规则决定的。以服务的视角定义SaaS，有几个明显的好处。 (1) 比如，虽然软件趋于同质化，但是服务却是可以个性化和差异化的。这就是说，即使SaaS包含的软件高度相似、甚至相同，服务也能产生很大的差异化;且服务的价值远大于所包含产品的价值。以民航业为例，一家好的航空公司，与一家廉价航空公司，可能使用完全相同的飞机机型(产品)，服务水平的差异化，使前者的价格，要高出后者好多。 (2) 再比如，软件对于企业客户来说，可能是非刚需的;但服务一定是刚需。软件一般都很难卖，因为客户不明白为什么要买，或者为什么要现在买。所以才需要销售员替客户找出购买的理由。与软件不同，服务的需求来自于用户，而非厂家推销。即当用户有需要时，服务即可发生。除非是做了一个没人需要的服务。 (3) 又比如，服务可与客户持续保持联系。软件卖出去，与客户就基本失联了。但服务不会，因为服务的交互过程始终有客户的参与，所以服务更容易产生复购和续费。以服务的视角定义SaaS，有可能认清和解决困扰行业的主要障碍，缩小中外SaaS的行业差距。 3. 从服务的角度，SaaS的这些问题可能有解在SaaS的创业或转型过程中，会遇到很多令人困扰的问题，其中讨论最多的有三个：即SaaS的环境问题、赛道问题和产品问题。 (1) SaaS的环境问题对于企业软件来说，环境条件包含两个方面。首先是定位目标客户，是大企业还是SMB;其次是行业的信息化水平，它决定了客户是否具备使用软件的基础和条件。当我们把SaaS当作软件时，无形中也把软件的环境条件当作是SaaS的应用环境。实际上，对于SaaS来说，这两方面的环境问题是不存在的。也就是说，客户体量和信息化程度并不能对SaaS形成限制。比如再小的店铺，也有引流获客的服务需求。也正是因为其自身信息化的水平较低，所以才会使用SaaS服务。实际上，中小微企业原本也不是软件企业的菜，但却是SaaS的主要目标市场。没有了环境限制的SaaS，所以增速才能比软件更快。 (2) 赛道问题赛道一度被认为是SaaS创业的最关键因素，没有之一。SaaS现在讨论最多的，还是“做什么”的问题。比如，工具型、业务型，还是做垂直型的SaaS，哪种更容易成功? 其实复制“赛道”这件事，本身就是一个SaaS创业的迷惑行为。只有缺乏企业经验的创业者和投资人，才想去走这种捷径。如果不去做深入的行业应用研究，单靠复制赛道就开始创业，是一件风险很大的事。首先，赛道复制很难成功。因为从对标或赛道能复制的，只是软件功能;而忽略了其对应的服务和背景。换句话说，一个服务在其原有环境下是刚需，复制过来因为环境变了，这个服务可能就变得一文不值。其次，做什么类型的SaaS更容易成功，这完全取决于SaaS输出的服务价值高低，而不取决于哪种型。因为每种类型都有成功的，答案只能在输出的服务侧，而不在复制的输入侧。 (3) 产品问题很多SaaS创业者认为，中外SaaS之所以存在差距，是因为自己的产品不够好。以至于说SaaS的成功，必须有更好的“产品力”。也许大家还记得，当Slack成功时，国内几乎所有SaaS协同产品就开始了全面对标分析;Zoom成功了，国内视频会议SaaS，就对其功能进行逐个地对比。一通对比下来，结论是国内SaaS产品更好。那为什么国内同类SaaS没有成功?除了甩锅给用户，还没看到有其它的答案。诚然，一个成功的SaaS，必须依赖一个好的产品。但这个产品驱动逻辑，反过来却未必成立。因为，从服务的角度看，SaaS的服务与软件产品之间，是一对多的关系。即在特定环境下，最佳的服务标准只有一个，而很多软件产品都能支持这一最佳服务。这个逻辑也可以理解为，软件产品的设计,是以支持服务的目标为原则。堆积更多功能、引入更多新科技，只能使服务的结构变得更复杂。可能会降低服务的效率和提高服务成本。所以，从服务的角度看，这些问题或者不存在、或者有不同的解决方法。写在最后就算是我们从服务入手，解决了目前SaaS的所有问题，事情也还远没有结束。目前多数SaaS公司的运行方式，从市场营销、到销售模式，再到售后服务，还是软件公司的模式。因此，全面的SaaS服务转型，要求所有内容和流程，都需要按照服务的要求重构。

2021-08-03

GOTC 2021 超级账本区块链分论坛预告

区块链技术已成为国家级战略新兴技术，为什么区块链如此重要？这对您的业务意味着什么以及如何在您的业务中使用区块链技术？在区块链的世界中，最新的技术是什么？

2021-07-29

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。