hello 的blog

并发数计算方法

常用并发数计算公式:N=[(n×0.8×S×P) / (T×0.2)]*R;

其中:n为系统用户数;

S为每个用户发生的业务笔数(QPS);

P为每笔业务所需要访问服务器的时间,单位为秒;

T为使用业务的时间,单位为秒;

R为调节因子,缺省值为1;

示意:

S = 20(每天1000个用户发生20000笔业务);
P = 30(每笔业务需要访问服务器30秒);
T = 36000(每天工作10小时);
R =2(缺省为1,复杂的业务系统可用2);

计算得出的并发数为:(1000*0.8*20*30/(36000*0.2))*2=133.33;

grunt npm 错误

>> Local Npm module "grunt-contrib-clean" not found. Is it installed?
>> Local Npm module "grunt-contrib-concat" not found. Is it installed?
>> Local Npm module "grunt-contrib-watch" not found. Is it installed?
>> Local Npm module "grunt-contrib-connect" not found. Is it installed?
>> Local Npm module "grunt-contrib-copy" not found. Is it installed?
>> Local Npm module "grunt-contrib-jasmine" not found. Is it installed?
Warning: Task "connect:server" not found. Use --force to continue.

docker创建mysql实例

[root@server1 hjl]# docker ps -a |grep mysql
fb0d1d56a395 mysql "docker-entrypoint.sh" 14 minutes ago Up 14 minutes 0.0.0.0:3306->3306/tcp mysql-2
fc4337de6716 hub.c.163.com/library/mysql "docker-entrypoint.sh" 15 minutes ago Up 15 minutes k8s_mysql.1a4722ab_mysql-kphr7_default_828d279b-8c50-11e7-b38e-000c29156886_a168e4ff

fix problem:/usr/bin/docker-current: Error response from daemon: driver failed programming external connectivity on endpoint mysql-1

错误信息:
[root@server1 hjl]# docker run --name mysql-1 -p 3306:3306 -e MYSQL\_ROOT\_PASSWORD=123456 -d mysql
8bccbf191d394c28f424b17e04942e2d3c73d6c394cafd424fd1a96514a55028
/usr/bin/docker-current: Error response from daemon: driver failed programming external connectivity on endpoint mysql-1 (5e4dc0a7f4a8819c8f049d5ba255871c879da014ed1eb7e17afc5839cf360dda): iptables failed: iptables --wait -t nat -A DOCKER -p tcp -d 0/0 --dport 3306 -j DNAT --to-destination 172.17.0.8:3306 ! -i docker0: iptables: No chain/target/match by that name.
(exit status 1).
[

分类算法和聚类算法的区别

1、分类和聚类的区别:

Classification (分类),对于一个classifier,通常需要你告诉它“这个东西被分为某某类”这样一些例子,理想情况下,一个 classifier 会从它得到的训练集中进行“学习”,从而具备对未知数据进行分类的能力,这种提供训练数据的过程通常叫做supervised learning (监督学习),

Clustering (聚类),简单地说就是把相似的东西分到一组,聚类的时候,我们并不关心某一类是什么,我们需要实现的目标只是把相似的东西聚到一起。因此,一个聚类算法通常只需要知道如何计算相似度就可以开始工作了,因此 clustering 通常并不需要使用训练数据进行学习,这在Machine Learning中被称作unsupervised learning (无监督学习).

2、常见的分类与聚类算法

页面

Subscribe to RSS - hello 的blog