Redis-布隆过滤器(Bloom Filter)详解

文章目录
  • 什么是布隆过滤器
    • 布隆过滤器的优点:
    • 布隆过滤器的缺点:
    • 其他问题
  • 布隆过滤器适合的场景
  • 布隆过滤器原理
    • 数据结构
    • 增加元素
    • 查询元素
    • 删除元素
  • 如何使用布隆过滤器
    • Google开源的Guava自带布隆过滤器
    • Redis实现布隆过滤器
      • Redis中配置布隆过滤器
      • Redis中布隆过滤器指令使用
        • 自定义参数
        • 基本操作
      • Java集成Redis使用布隆过滤器
        • pom中引入redisson依赖:
        • 编写代码测试

什么是布隆过滤器

布隆过滤器(Bloom Filter)是 1970 年由布隆提出的,是一种非常节省空间的概率数据结构,运行速度快,占用内存小,但是有一定的误判率且无法删除元素。它实际上是一个很长的二进制向量和一系列随机映射函数组成,主要用于判断一个元素是否在一个集合中。

通常我们都会遇到判断一个元素是否在某个集合中的业务场景,这个时候我们可能都是采用 HashMap的Put方法或者其他集合将数据保存起来,然后进行比较确定,但是如果元素很多的情况下,采用这种方式就会非常浪费空间,最终达到瓶颈,检索速度也会越来越慢,这时布隆过滤器(Bloom Filter)就应运而生了。

布隆过滤器的优点:

  • 支持海量数据场景下高效判断元素是否存在
  • 布隆过滤器存储空间小,并且节省空间,不存储数据本身,仅存储hash结果取模运算后的位标记
  • 不存储数据本身,比较适合某些保密场景

布隆过滤器的缺点:

  • 不存储数据本身,所以只能添加但不可删除,因为删掉元素会导致误判率增加
  • 由于存在hash碰撞,匹配结果如果是“存在于过滤器中”,实际不一定存在
  • 当容量快满时,hash碰撞的概率变大,插入、查询的错误率也就随之增加了

布隆过滤器中一个元素如果判断结果为存在的时候元素不一定存在,但是判断结果为不存在的时候则一定不存在。因此,布隆过滤器不适合那些对结果必须精准的应用场景。

其他问题

  • 不支持计数,同一个元素可以多次插入,但效果和插入一次相同
  • 由于错误率影响hash函数的数量,当hash函数越多,每次插入、查询需做的hash操作就越多

布隆过滤器适合的场景

  • 区块链中使用布隆过滤器来加快钱包同步;以太坊使用布隆过滤器用于快速查询以太坊区块链的日志
  • 数据库防止穿库,Google Bigtable,HBase 和 Cassandra 以及 Postgresql 使用BloomFilter来减少不存在的行或列的磁盘查找。避免代价高昂的磁盘查找会大大提高数据库查询操作的性能
  • 判断用户是否阅读过某一个视频或者文章,类似抖音,刷过的视频往下滑动不再刷到,可能会导致一定的误判,但不会让用户看到重复的内容
  • 网页爬虫对URL去重,采用布隆过滤器来对已经爬取过的URL进行存储,这样在进行下一次爬取的时候就可以判断出这个URL是否爬取过了
  • 使用布隆过滤器来做黑名单过滤,针对不同的用户是否存入白名单或者黑名单,虽然有一定的误判,但是在一定程度上还是很好的解决问题
  • 缓存击穿场景,一般判断用户是否在缓存中,如果存在则直接返回结果,不存在则查询数据库,如果来一波冷数据,会导致缓存大量击穿,造成雪崩效应,这时候可以用布隆过滤器当缓存的索引,只有在布隆过滤器中,才去查询缓存,如果没查询到则穿透到数据库查询。如果不在布隆过滤器中,则直接返回,会造成一定程度的误判
  • WEB拦截器,如果相同请求则拦截,防止重复被攻击。用户第一次请求,将请求参数放入布隆过滤器中,当第二次请求时,先判断请求参数是否被布隆过滤器命中。可以提高缓存命中率。Squid 网页代理缓存服务器在 cache digests 中就使用了布隆过滤器。Google Chrome浏览器使用了布隆过滤器加速安全浏览服务
  • Google 著名的分布式数据库 Bigtable 使用了布隆过滤器来查找不存在的行或列,以减少磁盘查找的IO次数
  • Squid 网页代理缓存服务器在 cache digests 中使用了也布隆过滤器
  • Venti 文档存储系统也采用布隆过滤器来检测先前存储的数据
  • SPIN 模型检测器也使用布隆过滤器在大规模验证问题时跟踪可达状态空间
  • Google Chrome浏览器使用了布隆过滤器加速安全浏览服务

如果允许误判率的话,可以使用布隆过滤器,只有你想不到的,没有你做不到的。

布隆过滤器原理

数据结构

布隆过滤器是由一个固定大小的二进制向量或者位图(bitmap)和一系列映射函数组成的。

对于长度为 m 的位数组,在初始状态时,它所有位置都被置为0,如下图所示:
在这里插入图片描述
位数组中的每个元素都只占用 1 bit ,并且数组中元素只能是 0 或者 1。这样申请一个 100w 个元素的位数组只占用 1000000Bit / 8 = 125000 Byte = 125000/1024 KB ≈ 122KB 的空间。

增加元素

当一个元素加入布隆过滤器中的时候,会进行如下操作:

  • 使用布隆过滤器中的哈希函数对元素值进行计算,得到哈希值(有几个哈希函数得到几个哈希值)
  • 根据得到的哈希值,在位数组中把对应下标的值置为 1
如下图所示:

在这里插入图片描述
接着再添加一个值 “xinlang”,哈希函数的值是3、5、8,如下图所示:
在这里插入图片描述

这里需要注意的是,5 这个 bit 位由于两个值的哈希函数都返回了这个 bit 位,因此被覆盖了。

查询元素

  • 对给定元素再次进行相同的哈希计算
  • 得到哈希值之后判断位数组中的每个元素是否都为 1,如果值都为 1,那么说明这个值存在布隆过滤器当中,如果存在一个值不为 1,说明该元素不在布隆过滤器中
例如我们查询 “cunzai” 这个值是否存在,哈希函数返回了 1、5、8三个值

如下图所示:
在这里插入图片描述
结果得到三个 1 ,说明 “cunzai” 是有可能存在的。

为什么说是可能存在,而不是一定存在呢?主要分为以下几种情况:

因为映射函数本身就是散列函数,散列函数是会有碰撞的情况发生。

  • 情况1:一个字符串可能是 “chongtu” 经过相同的三个映射函数运算得到的三个点跟 “xinlang” 是一样的,这种情况下我们就说出现了误判
  • 情况2: “chongtu” 经过运算得到三个点位上的 1 是两个不同的变量经过运算后得到的,这也不能证明字符串 “chongtu” 是一定存在的
如下图所示:

在这里插入图片描述

鉴于上面的情况,不同的字符串可能哈希出来的位置相同,这种情况我们可以适当增加位数组大小或者调整哈希函数。

布隆过滤器判定某个元素存在,小概率会误判;布隆过滤器判定某个元素不在,则这个元素一定不在。

删除元素

布隆过滤器对元素的删除,肯定不可以,会出现问题,比如上面添加元素的 bit 位 5 被两个变量的哈希值共同覆盖的情况下,一旦我们删除其中一个值。例如“xinlang”而将其置位 0,那么下次判断另一个值例如“baidu”是否存在的话,会直接返回 false,而实际上我们并没有删除它,这就导致了误判的问题。

如何使用布隆过滤器

Google开源的Guava自带布隆过滤器

首先引入Guava的依赖:

那么,在数据量很大的情况下,效率如何呢?

BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), 5000000);for (int i = 0; i < 5000000; i++) {bloomFilter.put(i);}long start = System.nanoTime();if (bloomFilter.mightContain(500000)) {System.out.println("成功过滤到500000");}long end = System.nanoTime();System.out.println("布隆过滤器消耗时间"+(end - start)/1000000L+"毫秒");
    成功过滤到500000
    布隆过滤器消耗时间0毫秒
    
    • 1
    • 2

    布隆过滤器消耗时间:0毫秒,有点不敢相信呢,匹配速度是不是很快?

    那么,在数据量很大的情况下,1%的误判率结果如何?

    		BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8),5000000,0.01);List<String> list = new ArrayList<>(5000000);for (int i = 0; i < 5000000; i++) {String uuid = UUID.randomUUID().toString();bloomFilter.put(uuid);list.add(uuid);}int mightContainNumber1= 0;NumberFormat percentFormat =NumberFormat.getPercentInstance();percentFormat.setMaximumFractionDigits(2);
    

    3%的误判率结果如何?

    创建一个最多添加 500 个整数的布隆过滤器,并且可以容忍误判率为百分之一(0.01)

    	public void bool(){BloomFilter<Integer> filter = BloomFilter.create(Funnels.integerFunnel(), 500, 0.01);// 判断指定元素是否存在System.out.println(filter.mightContain(1));System.out.println(filter.mightContain(2));// 将元素添加进布隆过滤器filter.put(1);filter.put(2);// 判断指定元素是否存在System.out.println(filter.mightContain(1));System.out.println(filter.mightContain(2));}
    

    从上面的结果可以看出:

    • 如果元素实际存在,那么布隆过滤器一定会判断存在
    • 误判率即fpp在3%左右,随着for循环的次数越大,而且越接近3%,那么如果元素不存在,那么布隆过滤器可能会判断存在

    看源码可知这个3%的fpp是Guava中默认的fpp

      public static <T> BloomFilter<T> create(Funnel<? super T> funnel, long expectedInsertions) {return create(funnel, expectedInsertions, 0.03); // FYI, for 3%, we always get 5 hash functions}
    
    • 1
    • 2
    • 3

    如下地址是一个免费的在线布隆过滤器在线计算的网址:
    点击这里

    经过哈希计算次数设置为3次,这个3%的误判率和3次哈希运算需要多大空间位数组呢?
    在这里插入图片描述
    计算得到的结果是984.14KiB,100W的key才占用了0.98M,而如果是10亿呢,计算的结果是960M,这个内存空间是完全可以接受的。

    Guava 提供的布隆过滤器的实现还是很不错的,但是它有一个重大的缺陷就是只能单机使用(另外,容量扩展也不容易),而现在互联网一般都是分布式的场景。为了解决这个问题就需要用到Redis中的布隆过滤器了。

    Redis实现布隆过滤器

    Redis中配置布隆过滤器

    1、点击https://redis.io/modules 找到RedisBloom
    2、点击进去下载RedisBloom-master.zip文件,上传到linux
    3、解压缩刚才的RedisBloom文件

    unzip RedisBloom-master.zip
    cd RedisBloom-master
    
    • 1
    • 2

    编译安装

    make
    
    • 1

    make完生成redisbloom.so,拷贝到redis的安装目录。

    cp redisbloom.so /home/www/server/redis
    
    • 1

    在redis.conf配置文件中加入如RedisBloom的redisbloom.so文件的地址,如果是集群则每个配置文件中都需要加入redisbloom.so文件的地址

    loadmodule /home/www/server/redis/redisbloom.so
    
    • 1

    保存以后重启redis服务

     redis-server redis.conf --loadmodule /home/www/server/redis/redisbloom.so
    
    • 1

    上面我们有提到需要重启Redis,在本地和测试环境还可以,但是正式环境能不重启就不需要重启,那这么做可以不重启Redis,使用module load命令执行。

    > MODULE LOAD /home/www/server/redis/redisbloom.so
    > module list
    1) 1) "name"2) "bf"3) "ver"4) (integer) 999999
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    看到以上数据则说明redisbloom加载成功了,模块名name为"bf",模块版本号ver为999999。

    Redis中布隆过滤器指令使用

    使用布隆过滤器完整指令请到官网查看: 点击这里

    自定义参数
    • bf.reserve {key} {error_rate} {capacity}
    • 使用给定的期望错误率和初始容量创建空的布隆过滤器
    • 参数说明:
      • key:布隆过滤器的key
      • error_rate:期望的错误率(False Positive Rate),该值必须介于0和1之间。该值越小,BloomFilter的内存占用量越大,CPU使用率越高
      • capacity:布隆过滤器的初始容量,即期望添加到布隆过滤器中的元素的个数。当实际添加的元素个数超过该值时,布隆过滤器将进行自动的扩容,该过程会导致性能有所下降,下降的程度是随着元素个数的指数级增长而线性下降
    • 返回值:
      • 成功:OK
      • 其它情况返回相应的异常信息
    基本操作
    • bf.add {key} {item}
    • 添加单个元素
    • 参数说明:
      • key:布隆过滤器的名字
      • item:待插入过滤器的元素
    • 返回值:
      • 元素不存在插入成功:返回1
      • 元素可能已经存在:返回0
      • 其它情况返回相应的异常信息
    • bf.madd {key} {item} [item...]
    • 添加多个元素
    • 参数说明:
      • key:布隆过滤器的名字
      • item:待插入过滤器的元素,可插入多个
    • 返回值:
      • 成功:返回一个数组,数组的每一个元素可能为1或0,当item一定不存在时数组元素值为1,当item可能已经存在时数组元素值为0
      • 其它情况返回相应的异常信息
    • bf.exists{key} {item}
    • 判断单个元素是否存在
    • 参数说明:
      • key:布隆过滤器的名字
      • item:待检查的元素
    • 返回值:
      • 元素一定不存在:0
      • 元素可能存在:1
      • 其它情况返回相应的异常信息
    • bf.mexists{key} {item} [item...]
    • 判断多个元素是否存在
    • 参数说明:
      • key:布隆过滤器的名字
      • item:待检查的元素
    • 返回值:
      • 元素一定不存在:0
      • 元素可能存在:1
      • 其它情况返回相应的异常信息
    • bf.insert{key} [CAPACITY {cap}] [ERROR {ERROR}] [NOCREATE] ITEMS {item…}
    • 向key指定的Bloom中添加多个元素,添加时可以指定大小和错误率,且可以控制在Bloom不存在的时候是否自动创建
    • 参数说明:
      • key:布隆过滤器的名字
      • CAPACITY:如果过滤器已创建,则此参数将被忽略
      • ERROR:如果过滤器已创建,则此参数将被忽略
      • expansion:布隆过滤器会自动创建一个子过滤器,子过滤器的大小是上一个过滤器大小乘以expansion。expansion的默认值是2,也就是说布隆过滤器扩容默认是2倍扩容。
      • NOCREATE:如果设置了该参数,当布隆过滤器不存在时则不会被创建。用于严格区分过滤器的创建和元素插入场景。该参数不能与CAPACITY和ERROR同时设置。
      • NONSCALING:设置此项后,当添加到布隆过滤器中的数据达到初始容量后,不会扩容过滤器,并且会抛出异常((error) ERR non scaling filter is full)。
      • ITEMS:待插入过滤器的元素列表,该参数必传。
    • 返回值:
      • 成功:返回一个数组,数组的每一个元素可能为1或0,当item一定不存在时数组元素值为1,当item可能已经存在时数组元素值为0
      • 其它情况返回相应的异常信息
    127.0.0.1:6379> bf.insert name items  zhangsan1 zhangsan2 zhangsan3
    1) (integer) 1
    2) (integer) 1
    3) (integer) 1
    127.0.0.1:6379> bf.insert name items  zhangsan1 zhangsan2 zhangsan3
    1) (integer) 0
    2) (integer) 0
    3) (integer) 0
    127.0.0.1:6379> bf.insert name capacity  10000 error 0.00001  nocreate  items  zhangsan1 zhangsan2 zhangsan3
    1) (integer) 0
    2) (integer) 0
    3) (integer) 0
    127.0.0.1:6379>
    127.0.0.1:6379> bf.insert name capacity  10000 error 0.00001  nocreate  items  zhangsan4 zhangsan5 zhangsan6
    1) (integer) 1
    2) (integer) 1
    3) (integer) 1
    127.0.0.1:6379>
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • bf.scandump {key} {item}
    • 对布隆过滤器进行增量持久化操作
    • 参数说明:
      • key:布隆过滤器的名字
      • item:首次调用传值0,或者上次调用此命令返回的结果值
    • 返回值:
      • 返回连续的(iter, data)对,直到(0,NULL),表示DUMP完成
      • 其它情况返回相应的异常信息
    • bf.scandump {key} {item}
    • 对布隆过滤器进行增量持久化操作
    • 参数说明:
      • key:布隆过滤器的名字
      • item:首次调用传值0,或者上次调用此命令返回的结果值
    • 返回值:
      • 返回连续的(iter, data)对,直到(0,NULL),表示DUMP完成
      • 其它情况返回相应的异常信息
    • bf.info {key}
    • 返回布隆过滤器的相关信息
    • 参数说明:
      • key:布隆过滤器的名字
    • 返回值:
      • Capacity:预设容量
      • Size:实际占用情况,但如何计算待进一步确认
      • Number of filters:过滤器层数
      • Number of items inserted:已经实际插入的元素数量
      • Expansion rate:子过滤器扩容系数(默认2)
    • bf.debug{key}
    • 查看布隆过滤器的内部详细信息
    • 参数说明:
      • key:布隆过滤器的名字
    • 返回值:
      • size:布隆过滤器中已插入的元素数量
      • 每层BloomFilter的详细信息
        • bytes:占用字节数量
        • bits:占用bit位数量,bits = bytes * 8
        • shashes:该层hash函数数量
        • hashwidth:hash函数宽度
        • capacity:该层容量(第一层为BloomFilter初始化时设置的容量,第2层容量 = 第一层容量 * expansion,以此类推)
        • size:该层中已插入的元素数量(各层size之和等于BloomFilter中已插入的元素数量size)
        • ratio:该层错误率(第一层的错误率 = BloomFilter初始化时设置的错误率 * 0.5,第二层为第一层的0.5倍,以此类推,ratio与expansion无关)
    #创建一个容量为5的布隆过滤器,其key为“name”;
    127.0.0.1:6379> bf.reserve name0.1 5
    OK
    
    编写代码测试
    	public void patchingConsum(ConsumPatchingVO vo) throws ParseException {Config config = new Config();SingleServerConfig singleServerConfig = config.useSingleServer();singleServerConfig.setAddress("redis://127.0.0.1:6379");singleServerConfig.setPassword("123456");RedissonClient redissonClient = Redisson.create(config);RBloomFilter<String> bloom = redissonClient.getBloomFilter("name");// 初始化布隆过滤器;  大小:100000,误判率:0.01bloom.tryInit(100000L, 0.01);// 新增10万条数据for(int i=0;i<100000;i++) {bloom.add("name" + i);}// 判断不存在于布隆过滤器中的元素List<String> notExistList = new ArrayList<>();for(int i=0;i<100000;i++) {String str = "name" + i;boolean notExist = bloom.contains(str);if (notExist) {notExistList.add(str);}}if ($.isNotEmpty(notExistList) && notExistList.size() > 0 ) {System.out.println("误判次数:"+notExistList.size());}
    

    本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/378988.html

    如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

    相关文章

    使用崖山YMP 迁移 Oracle/MySQL 至YashanDB 23.2 验证测试

    前言 首届YashanDB「迁移体验官」开放后&#xff0c;陆续收到「体验官」们的投稿&#xff0c;小崖在此把优秀的投稿文章分享给大家~今天分享的用户文章是《使用崖山YMP 迁移 Oracle/MySQL 至YashanDB 23.2 验证测试》&#xff08;作者&#xff1a;尚雷&#xff09;&#xff0c…

    zookeeper+kafka消息队列群集部署

    kafka拓扑架构 zookeeper拓扑架构

    Elasticsearch 企业级实战 01:Painless 脚本如何调试?

    在企业级应用中&#xff0c;Elasticsearch 常常被用来处理复杂的数据查询和操作。 Painless 是 Elasticsearch 的内置脚本语言&#xff0c;虽然强大&#xff0c;但调试起来并不容易。 本文将详细介绍如何在实战中有效调试 Painless 脚本&#xff0c;以提高开发和运维效率。 本文…

    智慧博物馆的“眼睛”:视频智能监控技术守护文物安全与智能化管理

    近日&#xff0c;位于四川德阳的三星堆博物馆迎来了参观热潮。据新闻报道&#xff0c;三星堆博物馆的日均参观量达1.5万人次。随着暑假旅游高峰期的到来&#xff0c;博物馆作为重要的文化场所&#xff0c;也迎来了大量游客。博物馆作为文化和历史的重要载体&#xff0c;其安全保…

    深入解析公有IP与私有IP:地址分配与使用限制

    IP地址在网络基础设施的建设和维护过程中起着至关重要的作用。作为IP地址的两大类型&#xff0c;公有IP和私有IP各自具有独特的分配机制和使用限制。本文将详细分析两者之间的区别&#xff0c;以帮助读者更好地理解和使用IP地址。 1. 公有IP与私有IP概述 IP地址是网络中的唯一…

    windows和linux的等保加固测评的经验分享

    一头等保加固测评的牛马&#xff0c;需要能做到一下午测评n个服务器 接下来就讲讲如何当一头xxxxxxxxx》严肃的等保测评加固的经验分享&#xff08; 一、window等保 首先你要自己按着教程在虚拟机做过一遍&#xff08;win2012和win2008都做过一遍&#xff0c;大概windows的…

    Proteus + Keil单片机仿真教程(六)多位LED数码管的动态显示

    上一节我们通过锁存器和八个八位数码管实现了多个数码管的静态显示,这节主要讲解多位数码管的动态显示,所谓的动态显示就是对两个锁存器的控制。考虑一个问题,现在给WS位锁存器增加一个循环,让它从1111 1110到0111 1111会发生什么事情?话不多说,先上代码: #include<…

    阿里云国际站:海外视频安全的DRM加密

    随着科技的进步&#xff0c;视频以直播或录播的形式陆续开展海外市场&#xff0c;从而也衍生出内容安全的问题&#xff0c;阿里云在这方面提供了完善的内容安全保护机制&#xff0c;适用于不同的场景&#xff0c;如在视频安全提供DRM加密。 由图可以了解到阿里云保护直播安全的…

    用 WireShark 抓住 TCP

    Wireshark 是帮助我们分析网络请求的利器&#xff0c;建议每个同学都装一个。我们先用 Wireshark 抓取一个完整的连接建立、发送数据、断开连接的过程。 简单的介绍一下操作流程。 1、首先打开 Wireshark&#xff0c;在欢迎界面会列出当前机器上的所有网口、虚机网口等可以抓取…

    华为HCIP Datacom H12-821 卷42

    42.填空题 如图所示&#xff0c;MSTP网络中SW1为总根&#xff0c;请将以下交换机与IST域根和主桥配对。 参考答案&#xff1a;主桥1468 既是IST域根又是主桥468 既不是又不是就是25 解析&#xff1a; 主桥1468 既是IST域根又是主桥468 既不是又不是就是25 43.填空题 网络有…

    3.RabbitMQ安装-Centos7

    官方网址&#xff1a;gInstalling RabbitMQ | RabbitMQ 安装前提&#xff0c;需要一个erlang语言环境。 下载 erlang: Releases rabbitmq/erlang-rpm GitHub rabbitmq-server: 3.8.8 Releases rabbitmq/rabbitmq-server GitHub 安装命令 (说明i表示安装&#xff…

    Kafka Producer之ACKS应答机制

    文章目录 1. 应答机制2. 等级03. 等级14. 等级all5. 设置等级6. ISR 1. 应答机制 异步发送的效率高&#xff0c;但是不安全&#xff0c;同步发送安全&#xff0c;但是效率低。 无论哪一种&#xff0c;有一个关键的步骤叫做回调&#xff0c;也就是ACKS应答机制。 其中ACKS也分…

    Spock单元测试框架使用介绍和实践

    背景 单元测试是保证我们写的代码是我们想要的结果的最有效的办法。根据下面的数据图统计&#xff0c;单元测试从长期来看也有很大的收益。 单元测试收益: 它是最容易保证代码覆盖率达到100%的测试。可以⼤幅降低上线时的紧张指数。单元测试能更快地发现问题。单元测试的性…

    20.x86游戏实战-远线程注入的实现

    免责声明&#xff1a;内容仅供学习参考&#xff0c;请合法利用知识&#xff0c;禁止进行违法犯罪活动&#xff01; 本次游戏没法给 内容参考于&#xff1a;微尘网络安全 工具下载&#xff1a; 链接&#xff1a;https://pan.baidu.com/s/1rEEJnt85npn7N38Ai0_F2Q?pwd6tw3 提…

    Ubuntu 24.04安装Jellyfin媒体服务器图解教程

    使用 Jellyfin 等开源软件创建媒体服务器肯定能帮助您管理和跨各种设备传输媒体集合。当你有一个封闭社区时&#xff0c;这尤其有用。 什么是 Jellyfin 媒体服务器&#xff1f; Jellyfin 媒体服务器&#xff0c;顾名思义&#xff0c;是一款开源软件&#xff0c;允许用户使用本…

    vue使用audio 音频实现播放与关闭(可用于收到消息给提示音效)

    这次项目中因为对接了即时通讯 IM&#xff0c;有个需求就是收到消息需要有个提示音效&#xff0c;所以这里就想到了用HTML5 提供的Audio 标签&#xff0c;用起来也是很方便&#xff0c;首先让产品给你个提示音效&#xff0c;然后你放在项目中&#xff0c;使用Audio 标签&#x…

    GESP CCF C++ 三级认证真题 2024年6月

    第 1 题 小杨父母带他到某培训机构给他报名参加CCF组织的GESP认证考试的第1级&#xff0c;那他可以选择的认证语言有&#xff08;&#xff09;种。 A. 1 B. 2 C. 3 D. 4 第 2 题 下面流程图在yr输入2024时&#xff0c;可以判定yr代表闰年&#xff0c;并输出 2月是29天 &#x…

    百日筑基第二十三天-23种设计模式-创建型总汇

    百日筑基第二十三天-23种设计模式-创建型总汇 前言 设计模式可以说是对于七大设计原则的实现。 总体来说设计模式分为三大类&#xff1a; 创建型模式&#xff0c;共五种&#xff1a;单例模式、简单工厂模式、抽象工厂模式、建造者模式、原型模式。结构型模式&#xff0c;共…

    Hadoop3:HDFS存储优化之小文件归档

    一、情景说明 我们知道&#xff0c;NameNode存储一个文件元数据&#xff0c;默认是150byte大小的内存空间。 那么&#xff0c;如果出现很多的小文件&#xff0c;就会导致NameNode的内存占用。 但注意&#xff0c;存储小文件所需要的磁盘容量和数据块的大小无关。 例如&#x…

    SpringBoot整合阿里云RocketMQ对接,商业版

    1.需要阿里云开通商业版RocketMQ 普通消息新建普通主题,普通组,延迟消息新建延迟消息主题,延迟消息组 2.结构目录 3.引入依赖 <!--阿里云RocketMq整合--><dependency><groupId>com.aliyun.openservices</groupId><artifactId>ons-client</…