51CTO博客开发
这段时间在抽空为一次会议准备PPT，内容是关于软件设计方法和设计决策的。10多年工作下来，周围认识和认可的设计师实在太少了。很多所谓的设计师，当说到扩展性的时候，能想到的只是工厂方法，简直太衰了。今天PPT差不多写好了（还剩了一点东西在另一台电脑上，到时候胡乱加进去就好了），闲着无聊，把PPT都转成图片贴上来。
《简单之美》场景故事连载5
《简单之美》场景故事连载4
《简单之美》场景故事连载3
《简单之美》场景故事连载2
《简单之美》场景故事连载1
《简单之美——软件开发实践者的思考》终于上架了，从年初定稿到现在转眼又4个月，希望看过的朋友都能喜欢。 贴下每章之前的话，推广下本书中的想法。 第1章 无极生太极 在进入软件开发领域之前，我们必须要做一些思想上的准备。这种思想上的准备高于方法论，以及任何一项具体的工作内容，它可以使我们站在一个更高的角度来认识软件开发这件事。思想认识是解
最近一直在抽时间了解Hadoop，进展比较慢，目前还在学习MapReduce计算模型中，估计等完全弄明白还要有一段时间了。 不过，这个学习过程还是很享受，看看一些行家在设计一种计算模型中表现出来的专业性，从应用背景，到基本算法抽象，到计算环境，到容错语义定义，到基本技巧与经验介绍，到性能原理分析，很好很喜欢。 学习之余，我又杂想了一下。 你看，MapReduce计算模型是完全公开的，对goo
回忆一下Google的计算环境，由很多廉价的机器组成的集群，硬件不可靠，网络带宽一般。前面我们介绍了MapReduce的并行计算模型，但是，针对特定的计算环境，仍然有一些设计上的问题要考虑。 首先必须考虑机器故障的容错处理。主要有两种故障，一种是运行worker程序的机器发生故障，一种是运行master程序的机器发生故障。在google的计算环境中，只有一个master，相对来说，worker的
在讨论MapReduce计算模型执行过程（框架或者叫运行时系统提供支持）之前，我们来看看计算环境。Google的计算环境非常典型，在两位工程师的论文中已经提到： 每个节点通常是双X86处理器，运行Linux，每台机器2～4GB内存 使用的网络设备都是常用的，一般在节点上使用的是100M或者1000M网络，一般情况下都用不到一半的网络带宽 一个Cluster中常常有
在上一篇文章中，我们谈到了MapReduce计算模型的基本原理。这个基本原理非常简单，就是map和reduce两个函数，处理一组键值对，并生成一组键值对。map和reduce分别包含了映射和化简（合并）这样两个思想。 MapReduce的计算思想来自于谷歌的两位工程师对于日常工作内容的思考。他们的工作对象是海量的原始数据，例如，从互联网上抓取的文档，服务器上的日志，而要做的计算，是对这些原始数据
管理 服务 本质
最近买了不少书，打算从头开始二次学习。这次学习将比较深入，包括一些硬件知识、系统软件知识、网络、编程语言、以及一些流行的编程模型，也许以后还会想到更多。刚开始的时候，一定找不到比较有效的线索，但走过一段以后，也许会有点眉目。好在这是一次长途旅行（也许是下半辈子），慢慢来 。 在开始这次旅行之前，因为一些特殊的原因，要先学习几个节外生枝的内容。这些内容不是计划的一部分，至少不是刚开始要进
经过一年多的努力，《简单之美》即将面世了。感谢杨福川先生的发现、鼓励和支持，也感谢小波，文柯，彬兄提出了这么多宝贵的建议。这本书包含了我十 多年软件生涯的心得，涉及的内容几乎覆盖了软件开发的方方面面，从方法论到架构思想，从需求到维护，从个人世界到团队管理。 多年以来，不管是在从事管理工作，还是在从事一线的软件开发工作，我一直在思考这样一个问题，业界有这么多知识财富，可是在实践中
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
