前段时间在群里跟大家讨论一个关于功能测试的问题，谈到如何评估测试结果，有一个朋友谈到规范问题，让我颇有感触，他说他们公司每次执行压力测试的时候，都要求脚本中必须有检查点存在，不然测试结果将不被认可，这是他们公司的规范。
其实，在做压力测试过程，我们很容易忽略很多东西，而且随着自身的技术演变，我们很容易去丢失掉一些很好的习惯，当我们再碰到这些问题的时候，我们才发现其实是我们太粗心大意了，所以说好的习惯要保持。
这次我刚好也要接手一些功能工作，因此就如何规范设置检查点来谈谈一些基本的流程和方法。
使用LoadRunner做压力测试，大致如下几个流程：1、明确测试目标2、录制测试脚本3、脚本优化、调试4、

关于LWIP的pcb-＞next指向pcb自身，造成死机问题处理方法.LWIP版本1.3.2。

近年来可穿戴设备渐渐进入人们的视线，京东JDC也为给用户一个完整的体验加入到了探索的队伍中来。
谷歌与苹果的Watch设计理念基本相同，两个平台下我们面临相同的问题。
如何体现Watch平台自身重情景、极简、轻量的特点是我们设计过程中始终思考的问题。
如何在那么小的屏幕上做文章?放什么功能?如何使体验完整?用户主动使用场景：Watch可移植一些手机应用的功能，协助用户在合适的场景下使用这些功能。
如：公车上想看看中午买的东西到哪儿了，人太多且手机在公文包中不便于拿出，于是抬起手腕查了一下。
走在路上，忽然想起家里大米没有了，对着手腕上的watch说：“买一袋大米。
”watch推荐了三款大米：之前购买过的

在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；
2）带抖动视频；
3）静态背景下多摄像头对多目标提取；
4）出现异常事件视频的判断等问题。
给出了在不同情况下的前景目标提取方案。
问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。
在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。
由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。
并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。
而且对我们的算法模型做了效果评价。
详细数据参考正文与附录。
问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。
在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。
在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。
详细结果参考正文与附录。
问题三是在问题一、二基础上的进一步深化。
问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。
由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。
具体效果见正文与附录。
问题四是对前三个问题的综合应用。
运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；
选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。
若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。
问题五是针对多摄像头多目标的协同跟踪问题。
在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。
再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。
由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。
问题六是针对监控视频中前景目标出现异常情况时判断能否有异常事件的问题。
在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。
以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

我在自动化部署，特别是公有云的自动化部署上工作多年，因此本文主要就这方面进行展开。
注意：这里提到的云主要指基础设施服务层，即IaaS，且泛指包括公有云、私有云或者混合云在内的所有IaaS层形状。
由于工作关系，我在上一家公司(Autodesk)时从2008年底开始使用某国外公有云。
当时参与项目中很重要的一部分工作就是帮助用户在我们的平台上(注：我们的平台运行在该云上)完成自动化部署。
由于整个部署非常重，涉及到平台自身部署、基础软件部署和用户传统软件部署。
每次部署需要数个小时的时间，非常影响整个团队的工作效率。
所以，我们花费了比较多的时间在构建自己的云自动化部署系统。
进入现在公司后，个人也推进了所

Go语言原本当前内容基于go1.15Go语言从2009年诞生之初已有十余年的历史。
纵观大多数编程语言的历史进程，令人震惊的是Go语言自身在进化的这十余年间，语言本身却发生了太大从语言设计的角度而言，作为一门从生成之初就考虑一下法规，高并发，简约等原则的语言，很难让人本书就是一本讨论Go语言原始码工程中的技术原理及其替代历程的书籍。
致读者的话读者可能会好奇，设计总在某种程度上，原始总在变化，为什么要耗费力气研究实际工作中可能永远不会接触到的源码？笔者以为不然，因为『软件工程发生在代码被非原作者阅读之时』，在阅读源码的过程中，我们除了能进一步加深对语言本身的理解，更重要的则是理解某些设计背后所使用的基本原理，以及当其他人在实现这个设计的过程中发生的工程方法上，实践与实现技巧。
代码总是可以推倒重来，但原理却能『永生』。
本书的创作前景是涵盖整个Go语言的方方面面。
这包括用户代码能直接接触的Go运行时组件，与关键语言特性强相关的工具链，大量重要的标准库等等。
在部分情况下，本书会讨论不同平台下的实现差异，但着重以Linux/amd64为主。
阅读的预备知识阅读本书的读者应该具备

适用于连锁超市、连锁便利店、连锁专卖店等零售行业的一款软件，软件以界面直观、易学易用、功能全面、系统稳定为主要特点，支持连锁运营管理，能够满足现代商业企业的管理高效、分析精确、降低成本的要求，帮助企业实现物流、信息流、资金流的科学管理，为企业提高自身竞争力奠定坚实的基础。

经验模态分解是2000年以来以傅立叶变换为基础的线性和稳态频谱分析的一个严重突破，它是依据信号自身的时间尺度特征对信号进行分解，无需预先设定任何基函数，这一点与建立在先验性的谐波基函数和小波基函数上的傅立叶分解与小波分解方法有本质区别。
EDM方法理论上可以应用于任何类型信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势，具有很高的信噪比。

每一种网络系统都有其自身的特殊机制，有其自身的演化机制，但由于都可以使用网络分析的方法进行分析，所以也有其共性。
研究网络的集合性质、网络的构成机制、网络演化的统计规律、网络上的模型性质以及网络的结构稳定性，并把它与现实系统结合起来加以研究比较是复杂网络研究的主要任务。

本文实例讲述了PHP基于session.upload_progress实现文件上传进度显示功能。
分享给大家供大家参考，具体如下：介绍session.upload_progress是PHP5.4的新特征。
当session.upload_progress.enabledINI选项开启时，PHP能够在每一个文件上传时监测上传进度。
这个信息对上传请求自身并没有什么协助，但在文件上传时应用可以发送一个POST请求到终端（例如通过XHR）来检查这个状态。
当一个上传在处理中，同时POST一个与INI中设置的session.upload_progress.name同名变量时，上传进度可

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。