搜索[资源调度]结果-低调大师优秀个人博客

精选列表

搜索[资源调度]，共10000篇文章

腾讯云常规计算类主流产品分类介绍（最基础算力资源）

本文由小虎云飞机@xhyunbaba撰写计算类（最基础算力资源） ### 1. 云服务器 CVM 弹性虚拟云主机，腾讯云核心计算产品。

2026-07-28

RESTful API 落地的三个核心：资源建模、语义约束与工程化

Review 接口代码时，最常见的不是 bug，而是各种"伪 RESTful"：URI 里塞动词、不管什么错都返回 200、POST 接口被前端超时重试刷出一堆重复订单。这些问题单独看都是小事，凑在一起就是线上事故。

2026-07-27

IPD变革深水区：（一）战略目标与资源分配失衡的动态调节机制

然而，当企业满怀信心地将IPD推向纵深，期望其承载更宏大的战略抱负时，一个顽固且普遍的挑战浮出水面，成为阻碍价值释放的“暗礁”：战略目标与资源分配之间日益凸显且动态变化的失衡。

2026-07-17

腾讯云国际站EO规则引擎：静态资源缓存与动态页面绕过配置教程

本文由云国际站代理商『云老大飞弟：@yunlaoda360 / YunLaoDa-服务器服务商•撰写』如需转载请注明！

2026-07-14

1Panel v2.0.14 发布，后台资源占用大幅下降，降幅达到 50%

这一版本聚焦“轻量化与稳定性”主题，1Panel开源项目组在本次更新中对1Panel面板进行了系统级的性能优化，成功实现1Panel后台资源占用的大幅下降，从188MB左右降至94MB左右，后台资源占用降幅达到

2025-12-09

字节跳动如何对大规模 Spark 作业进行资源提效｜VLDB 2024论文解读

随着业务的快速发展，用户对计算资源的需求越来越大，除了增加物理资源之外，如何提高线上 Spark 作业的资源使用效率也是我们亟需解决的问题。

2024-09-25

资源占用远小于 Grafana Mimir —— GreptimeDB 海量数据写入性能报告

（图 1：GreptimeDB 数据采入）测试结果说明 GreptimeDB 的架构设计能够支撑超大规模的数据集群，并且在同等规模集群下，GreptimeDB 的资源占用极低。

2024-08-02

BMC调测载板解读第一期：BMC模块硬件资源介绍

9 结语上述部分介绍了 BMC 模块上部分硬件资源信息，以上接口都通过 BMC 模块上的 DDR4 SODIMM 接口引出，详情可参阅 BMC 模块接口引脚定义，接口详细信息可查阅原理图 PDF 文件

2024-03-14

云原生场景下月省 10 万元资源成本，这家企业做对了什么

传统部署模型下的资源成本统计方式，是按业务使用的节点维度分析成本，但是在 K8s 场景下，业务使用的资源统一从资源池中调度，业务对资源浪费也隐藏在整个集群、节点的水位中难以发现。

2023-12-27

Windows 文件资源管理器的神奇 bug，一秒提升性能

推特网友发现了 Windows文件资源管理器的一个神奇 bug——或者说是 feature：打开文件资源管理器后，按 F11 进入到全屏模式，然后再退出即可显著提升性能，缩短加载文件的时间。

2023-09-10

百度APP iOS端包体积50M优化实践(三) 资源优化

本文重点介绍资源优化，在百度APP实践中，资源优化包括大资源优化、无用配置文件和重复资源优化。

2023-06-06

作者：京东物流崔旭我们都知道，数据结构和算法本身解决的是“快”和“省”的问题，即如何让代码运行得更快，如何让代码更省存储空间。所以，执行效率是算法一个非常重要的考量指标。那如何来衡量你编写的算法代码的执行效率呢？这里就要用到我们今天要讲的内容：时间、空间复杂度分析。 1 为什么需要复杂度分析？你可能会有些疑惑，我把代码跑一遍，通过统计、监控，就能得到算法执行的时间和占用的内存大小。为什么还要做时间、空间复杂度分析呢？这种分析方法能比实实在在跑一遍得到的数据更准确吗？首先可以肯定地说，这种评估算法执行效率的方法是正确的。很多数据结构和算法书籍还给这种方法起了一个名字，叫事后统计法。但是，这种统计方法有非常大的局限性。 1.1 测试结果非常依赖测试环境测试环境中硬件的不同会对测试结果有很大的影响。比如，我们拿同样一段代码，分别用 Intel Core i9 处理器和 Intel Core i3 处理器来运行，i9 处理器要比 i3 处理器执行的速度快很多。还有，比如原本在这台机器上 a 代码执行的速度比 b 代码要快，等我们换到另一台机器上时，可能会有截然相反的结果。 1.2 测试结果受数据规模的影响很大对同一个排序算法，待排序数据的有序度不一样，排序的执行时间就会有很大的差别。极端情况下，如果数据已经是有序的，那排序算法不需要做任何操作，执行时间就会非常短。除此之外，如果测试数据规模太小，测试结果可能无法真实地反应算法的性能。比如，对于小规模的数据排序，插入排序可能反倒会比快速排序要快！所以，我们需要一个不用具体的测试数据来测试，就可以粗略地估计算法的执行效率的方法，这就是我们接下来要说的大O复杂度表示法。 2 大O复杂度表示法算法的执行效率，粗略地讲，就是算法代码执行的时间。但是，如何在不运行代码的情况下，用“肉眼”得到一段代码的执行时间呢？这里有段非常简单的代码，求 1,2,3…n 的累加和。现在，一块来估算一下这段代码的执行时间吧。从 CPU 的角度来看，这段代码的每一行都执行着类似的操作：读数据-运算-写数据。尽管每行代码对应的 CPU 执行的个数、执行的时间都不一样，但是，我们这里只是粗略估计，所以可以假设每行代码执行的时间都一样，为 unit_time。在这个假设的基础之上，这段代码的总执行时间是多少呢？第 2、3 行代码分别需要 1 个 unit_time 的执行时间，第 4、5 行都运行了 n 遍，所以需要 2n_unit_time 的执行时间，所以这段代码总的执行时间就是 (2n+2)_unit_time。可以看出来，所有代码的执行时间 T(n) 与每行代码的执行次数成正比。按照这个分析思路，我们再来看这段代码。我们依旧假设每个语句的执行时间是 unit_time。那这段代码的总执行时间 T(n) 是多少呢？第 2、3、4 行代码，每行都需要 1 个 unit_time 的执行时间，第 5、6 行代码循环执行了 n 遍，需要 2n_unit_time 的执行时间，第 7、8 行代码循环执行了 n²遍，所以需要 2n²_unit_time 的执行时间。所以，整段代码总的执行时间 T(n) = (2n²+2n+3)*unit_time。尽管我们不知道 unit_time 的具体值，但是通过这两段代码执行时间的推导过程，我们可以得到一个非常重要的规律，那就是，所有代码的执行时间 T(n) 与每行代码的执行次数 n 成正比。我们可以把这个规律总结成一个公式。注意，大 O 就要登场了！我来具体解释一下这个公式。其中，T(n) 我们已经讲过了，它表示代码执行的时间；n 表示数据规模的大小；f(n) 表示每行代码执行的次数总和。因为这是一个公式，所以用 f(n) 来表示。公式中的 O，表示代码的执行时间 T(n) 与 f(n) 表达式成正比。所以，第一个例子中的 T(n) = O(2n+2)，第二个例子中的 T(n) = (2n²+2n+3)。这就是大O时间复杂度表示法。大O时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度，简称时间复杂度。当 n 很大时，你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。我们只需要记录一个最大量级就可以了，如果用大 O 表示法表示刚讲的那两段代码的时间复杂度，就可以记为：T(n) = O(n)； T(n) = O(n²)。 3 时间复杂度分析前面介绍了大 O 时间复杂度的由来和表示方法。现在我们来看下，如何分析一段代码的时间复杂度？ 3.1 只关注循环执行次数最多的一段代码大 O 这种复杂度表示方法只是表示一种变化趋势。我们通常会忽略掉公式中的常量、低阶、系数，只需要记录一个最大阶的量级就可以了。所以，我们在分析一个算法、一段代码的时间复杂度的时候，也只关注循环执行次数最多的那一段代码就可以了。这段核心代码执行次数的 n 的量级，就是整段要分析代码的时间复杂度。为了便于你理解，我还拿前面的例子来说明。其中第 2、3 行代码都是常量级的执行时间，与 n 的大小无关，所以对于复杂度并没有影响。循环执行次数最多的是第 4、5 行代码，所以这块代码要重点分析。前面我们也讲过，这两行代码被执行了 n 次，所以总的时间复杂度就是 O(n)。 3.2 加法法则：总复杂度等于量级最大的那段代码的复杂度这里还有一段代码。这个代码分为三部分，分别是求 sum_1、sum_2、sum_3。我们可以分别分析每一部分的时间复杂度，然后把它们放到一块儿，再取一个量级最大的作为整段代码的复杂度。第一段的时间复杂度是多少呢？这段代码循环执行了 100 次，所以是一个常量的执行时间，跟 n 的规模无关。即便这段代码循环 10000 次、100000 次，只要是一个已知的数，跟 n 无关，照样也是常量级的执行时间。当 n 无限大的时候，就可以忽略。尽管对代码的执行时间会有很大影响，但是回到时间复杂度的概念来说，它表示的是一个算法执行效率与数据规模增长的变化趋势，所以不管常量的执行时间多大，我们都可以忽略掉。因为它本身对增长趋势并没有影响。那第二段代码和第三段代码的时间复杂度是多少呢？答案是 O(n) 和 O(n²)。综合这三段代码的时间复杂度，我们取其中最大的量级。所以，整段代码的时间复杂度就为 O(n²)。也就是说：总的时间复杂度就等于量级最大的那段代码的时间复杂度。那我们将这个规律抽象成公式就是：如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么 T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n))). 3.3 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积刚讲了一个复杂度分析中的加法法则，这儿还有一个乘法法则。类比一下，你应该能“猜到”公式是什么样子的吧？如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么 T(n)=T1(n)_T2(n)=O(f(n))_O(g(n))=O(f(n)*g(n)). 也就是说，假设 T1(n) = O(n)，T2(n) = O(n²)，则 T1(n) * T2(n) = O(n³)。落实到具体的代码上，我们可以把乘法法则看成是嵌套循环，我举个例子给你解释一下。我们单独看 cal() 函数。假设 f() 只是一个普通的操作，那第 4～6 行的时间复杂度就是，T1(n) = O(n)。但 f() 函数本身不是一个简单的操作，它的时间复杂度是 T2(n) = O(n)，所以，整个 cal() 函数的时间复杂度就是，T(n) = T1(n)_T2(n) = O(n_n) = O(n²)。 3.4 几种常见时间复杂度实例分析虽然代码千差万别，但是常见的复杂度量级并不多。稍微总结了一下，这些复杂度量级几乎涵盖了大部分的场景。常量阶 O(1) 对数阶 O(logn) 线性阶 O(n) 线性对数阶 O(nlogn) 平方阶 O(n²) 立方阶 O(n³) … 指数阶 O(2ⁿ) 阶乘阶 O(n!) 对于刚罗列的复杂度量级，我们可以粗略地分为两类，多项式量级和非多项式量级。其中，非多项式量级只有两个：O(2ⁿ) 和 O(n!)。当数据规模 n 越来越大时，非多项式量级算法的执行时间会急剧增加，求解问题的执行时间会无限增长。所以，非多项式时间复杂度的算法其实是非常低效的算法。我们主要来看几种常见的多项式时间复杂度。 1.O(1) 首先你必须明确一个概念，O(1) 只是常量级时间复杂度的一种表示方法，并不是指只执行了一行代码。比如这段代码，即便有 3 行，它的时间复杂度也是 O(1），而不是 O(3)。只要代码的执行时间不随 n 的增大而增长，这样代码的时间复杂度我们都记作 O(1)。或者说，一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)。 2.O(logn)、O(nlogn) 对数阶时间复杂度非常常见，同时也是最难分析的一种时间复杂度。我通过一个例子来说明一下。根据我们前面讲的复杂度分析方法，第三行代码是循环执行次数最多的。所以，我们只要能计算出这行代码被执行了多少次，就能知道整段代码的时间复杂度。从代码中可以看出，变量 i 的值从 1 开始取，每循环一次就乘以 2。当大于 n 时，循环结束。实际上，变量 i 的取值就是一个等比数列。如果我把它一个一个列出来，就应该是这个样子的：所以，我们只要知道 x 值是多少，就知道这行代码执行的次数了。通过 2ˣ=n 求解 x ，x=log₂n，所以，这段代码的时间复杂度就是 O(log₂n)。现在，我把代码稍微改下，你再看看，这段代码的时间复杂度是多少？根据我刚刚讲的思路，很简单就能看出来，这段代码的时间复杂度为 O(log₃n)。实际上，不管是以 2 为底、以 3 为底，还是以 10 为底，我们可以把所有对数阶的时间复杂度都记为 O(logn)。为什么呢？我们知道，对数之间是可以互相转换的，log₃n 就等于 log₃2_log₂n，所以 O(log₃n) = O(C_log₂n)，其中 C=log₃2 是一个常量。基于我们前面的一个理论：在采用大 O 标记复杂度的时候，可以忽略系数，即 O(Cf(n)) = O(f(n))。所以，O(log₂n) 就等于 O(log₃n)。因此，在对数阶时间复杂度的表示方法里，我们忽略对数的“底”，统一表示为 O(logn)。如果你理解了O(logn)，那 O(nlogn) 就很容易理解了。还记得我们刚讲的乘法法则吗？如果一段代码的时间复杂度是 O(logn)，我们循环执行 n 遍，时间复杂度就是 O(nlogn) 了。而且，O(nlogn) 也是一种非常常见的算法时间复杂度。比如，归并排序、快速排序的时间复杂度都是 O(nlogn)。 3.O(m+n)、O(m*n) 我们再来讲一种跟前面都不一样的时间复杂度，代码的复杂度由两个数据的规模来决定。老规矩，先看代码！从代码中可以看出，m 和 n 是表示两个数据规模。我们无法事先评估 m 和 n 谁的量级大，所以我们在表示复杂度的时候，就不能简单地利用加法法则，省略掉其中一个。所以，上面代码的时间复杂度就是 O(m+n)。针对这种情况，原来的加法法则就不正确了，我们需要将加法规则改为：T1(m) + T2(n) = O(f(m) + g(n))。但是乘法法则继续有效：T1(m)_T2(n) = O(f(m)_f(n))。 4 空间复杂度分析前面，咱们花了很长时间讲大 O 表示法和时间复杂度分析，理解了前面讲的内容，空间复杂度分析方法学起来就非常简单了。时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。类比一下，空间复杂度全称就是渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系。还是拿具体的例子来说明。跟时间复杂度分析一样，我们可以看到，第 2 行代码中，我们申请了一个空间存储变量 i，但是它是常量阶的，跟数据规模 n 没有关系，所以我们可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组，除此之外，剩下的代码都没有占用更多的空间，所以整段代码的空间复杂度就是 O(n)。我们常见的空间复杂度就是 O(1)、O(n)、O(n²)，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且，空间复杂度分析比时间复杂度分析要简单很多。 5 内容小结复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n²)。

2023-03-21

云小课｜手把手教您在PyCharm中连接云端资源进行代码调试

摘要：让我们看看如何在PyCharm中连接云端资源进行代码调试吧！本文分享自华为云社区《【云小课】EI第54课手把手教您在PyCharm中连接云端资源进行代码调试》，作者：Hello EI 。

2023-02-01

MQTT 1.9.1-beta.1 带来桌面客户端性能提升，优化使用资源消耗

十二月末，MQTT X 团队发布了 1.9.1-beta.1 版本，这也是 MQTT X 的首个公共测试版。我们希望能够通过测试版本，让更多用户参与到 MQTT X 的测试中来，和我们一起打造一个更加稳定的版本，进而帮助用户轻松使用 MQTT X 完成 MQTT 服务与应用的开发。在 1.9.1-beta.1 版本中，我们主要优化了 MQTT X 桌面端使用时的部分性能问题，减少了在使用过程中的卡顿现象和内存消耗，优化数据存储方式，减少数据库崩溃的情况；在 MQTT X CLI 中加入自动重连功能，并支持将配置参数保存到配置文件中，减少了每次使用时的参数输入；同时也修复了一些已知的问题。目前团队正专注于 1.9.1-beta.2 版本的研发，将修复更多社区反馈和测试出的问题，对性能进行更多优化。最新版本：1.9.1-beta.2 版本桌面客户端性能优化在目前的用户反馈中，我们发现了一些性能问题，比如在使用过程中会出现卡顿现象、内存消耗过大等。我们在 1.9.1-beta.1 版本中对这些问题进行了优化。我们使用 MQTT X CLI 的 bench 命令，设置以每秒 100 条消息的速率向 mqttx/bench 主题发布消息，并将 MQTT X 运行在开发环境中，连接上同一个 MQTT 服务，然后订阅 mqttx/bench 主题，最后使用性能监控工具来对 MQTT X 进行性能监控，在差不多同等时间和环境内来对比区分我们在优化前后的性能变化，以便于更好地了解当前的优化效果。 bench 命令如下： mqttx bench pub -c 100 -t mqttx/bench -m hello JS heap size 是指 JavaScript 引擎在运行时分配的内存大小优化前：优化后：我们可以看到内存使用在优化前接近 600MB 左右，CPU 使用率基本维持 98% 左右，优化后内存维持在 380MB 左右，CPU 使用率维持在 60% 左右，内存和 CPU 的使用率都有了明显的下降。后续我们将继续优化这些性能问题，可以基本满足用户使用时在接收大量主题消息的情况下，仍然能够保持较低的 CPU 和内存使用率。支持批量存储在该测试版中，我们支持了消息和数据的批量存储，当用户接收大量的消息时，避免了数据库的频繁写入，提高了性能，同时也减少了数据库压力和内存与 CPU 消耗，防止部分数据库在使用时崩溃的问题。该性能优化目前仍在进行中，预计将在 1.9.1 正式版中，全面优化这些卡顿及性能问题。主题输入框提示在之前的版本中，很多新手用户在使用时无法快速准确的找到输入主题的地方。当建立连接后，我们需要手动输入主题并填写 payload 后，才能够发送消息。在该测试版中，我们优化了主题输入框的提示功能，当用户未输入主题时，提示框将显示高亮，以便提醒用户在界面中高亮的主题输入框内输入发送主题。命令行客户端 MQTT X CLI 在 1.9.1-beta.1 的测试版中，主要是添加了以下两个较大的新功能，为用户提供更好的使用体验。支持自动重连命令行工具同样也支持了自动重连功能，当连接断开时将自动重连，无需手动重连。支持设置重连周期以及最大重连次数。 # 以连接命令时的自动重连次数配置为例，修改为 5 次，重连周期为 5000 毫秒 mqttx conn -h 'broker.emqx.io' -p 1883 --maximun-reconnect-times 5 --reconnect-period 5000 支持配置文件支持将连接、订阅和发布时的参数保存到配置文件中，减少用户在使用时的参数配置次数，快速复用配置文件中的参数来连接、订阅和发布消息。保存和加载配置文件的路径也可以由用户自行定义。 # 以连接命令时的配置文件为例，保存配置文件到当前目录下的 mqttx.json 文件中 mqttx conn -h 'broker.emqx.io' -p 1883 --save mqttx.json # 加载当前目录下的 mqttx.json 文件中的连接配置 mqttx conn --config mqttx.json 上述两个新功能同样支持在 MQTT X CLI 的 bench 命令中使用，方便用户性能测试时快速测试连接、订阅和发布消息等。未来规划 MQTT X 还在持续增强完善中，以期为用户带来更多实用、强大的功能，为物联网应用与服务的测试和开发提供便利。接下来我们将重点关注以下方面，敬请期待：接收消息和存储时的性能优化，大量消息不卡顿（继续减少 CPU 和内存的消耗）可配置忽略 QoS 0 的消息存储，以减少存储空间的占用 MQTT Debug 功能接收到的消息可以进行自动图表绘制插件功能脚本测试自动化（Flow）版权声明：本文为 EMQ 原创，转载请注明出处。原文链接：https://www.emqx.com/zh/blog/mqttx-newsletter-202212

2023-01-05

Gitea 1.17.2 | 带来视觉提升、完善资源校验、加强安全性等42项优化

Gitea 1.17.2 合并了 42 个 Pull Request，现已正式发布，我们建议所有用户升级到此版本。致谢：@zeripath 为 Gitea 贡献了诸多安全补丁！您可以从下载页面下载预编译的二进制文件，请注意选择正确的操作系统。关于如何安装，还请参考安装手册。 Gitea 中文文档：https://docs.gitea.io/zh-cn/ 在此，我们感谢所有在 Open Collective 给予我们资金支持的贡献者。 Changelog 1.17.2 - 2022-09-06 SECURITY Double check CloneURL is acceptable (#20869) (#20892) Add more checks in migration code (#21011) (#21050) ENHANCEMENTS Fix hard-coded timeout and error panic in API archive download endpoint (#20925) (#21051) Improve arc-green code theme (#21039) (#21042) Enable contenthash in filename for dynamic assets (#20813) (#20932) Don't open new page for ext wiki on same repository (#20725) (#20910) Disable doctor logging on panic (#20847) (#20898) Remove calls to load Mirrors in user.Dashboard (#20855) (#20897) Update codemirror to 5.65.8 (#20875) Rework repo buttons (#20602, #20718) (#20719) BUGFIXES Ensure delete user deletes all comments (#21067) (#21068) Delete unreferenced packages when deleting a package version (#20977) (#21060) Redirect if user does not exist on admin pages (#20981) (#21059) Set uploadpack.allowFilter etc on gitea serv to enable partial clones with ssh (#20902) (#21058) Fix 500 on time in timeline API (#21052) (#21057) Fill the specified ref in webhook test payload (#20961) (#21055) Add another index for Action table on postgres (#21033) (#21054) Fix broken insecureskipverify handling in redis connection uris (#20967) (#21053) Add Dev, Peer and Optional dependencies to npm PackageMetadataVersion (#21017) (#21044) Do not add links to Posters or Assignees with ID < 0 (#20577) (#21037) Fix modified due date message (#20388) (#21032) Fix missed sort bug (#21006) Fix input.value attr for RequiredClaimName/Value (#20946) (#21001) Change review buttons to icons to make space for text (#20934) (#20978) Fix download archiver of a commit (#20962) (#20971) Return 404 NotFound if requested attachment does not exist (#20886) (#20941) Set no-tags in git fetch on compare (#20893) (#20936) Allow multiple metadata files for Maven packages (#20674) (#20916) Increase Content field size of gpg_key and public_key to MEDIUMTEXT (#20896) (#20911) Fix mirror address setting not working (#20850) (#20904) Fix push mirror address backend get error Address cause setting page display error (#20593) (#20901) Fix panic when an invalid oauth2 name is passed (#20820) (#20900) In PushMirrorsIterate and MirrorsIterate if limit is negative do not set it (#20837) (#20899) Ensure that graceful start-up is informed of unused SSH listener (#20877) (#20888) Pad GPG Key ID with preceding zeroes (#20878) (#20885) Fix SQL Query for SearchTeam (#20844) (#20872) Fix the mode of custom dir to 0700 in docker-rootless (#20861) (#20867) Fix UI mis-align for PR commit history (#20845) (#20859)

2022-09-07

人物 | 陈兴振：58同城机器学习平台资源使用率优化实践

02 训练任务资源调度各业务部门在WPAI上提交训练任务，平台统一进行资源分配调度。

2022-01-10

常用开源监控系统分析推荐（必备知识）｜附优质监控书籍资源

Zabbix拥有丰富的MiB库资源以及模版等850多个插件；易用性、依赖少。基于PHP与MySQL搭建，可用性比较强；可进行一定颗粒度的权限控制；文档完善。

2022-01-10

13 个技术电子书资源站，从此看书不求人

chengxy-nds/Springboot-Notebook 国内篇 1、SoBooks（我的最爱） SoBooks 图书下载网站是本人最喜欢的一个，它不仅书的种类齐全，而且质量也是相当的高，长期这里获取资源让我受益匪浅

2020-12-10

Kubernetes安全三步谈：如何监控与控制Kubernetes中的资源消耗问题

或许很多人可能认为资源消耗并非安全问题，但实际上不合理的资源消耗会让黑客有可乘之机，来攻击K8s的组件。

2019-07-03

Java程序在K8S容器部署CPU和Memory资源限制相关设置

因为JVM GC相关的参数跟CPU处理器核相关联的，可使用的CPU核数越多，分配给GC的线程资源也越多。

2019-04-28

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。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。