前言最近对Kafka集群部署了Kafka_exporter监控，并集成了granfana图标展示。发现ConsumerGroupLag有时候为负数。于是进行一番查询，并总结整理下。具体情形从下图可以看出，consumergroup值有时候出现负数的情况。具体原因消息过期了（超过默认7天），已经被清理掉了，这时候topic最新的end-offset是从0开始，而__consumer_offset不为0，则为负数。Producer的offset是通过JMX轮询获得的，Consumer的offset是从kafka内的__consumer_offsets的topic中直接读取到的，很明显轮询获取off
目录为什么会出现M-LAGM-LAG基本概念M-LAG建立过程M-LAG的协议兼容性M-LAG的防环机制M-LAG正常工作流量转发单播流量转发组播流量转发广播流量转发M-LAG故障场景流量转发上行链路故障下行链路故障M-LAG主设备故障Peer-link故障M-LAG二次故障（Peer-Link故障+M-LAG设备故障）V-STPV-STP方式（推荐方式）根桥方式M-LAG技术的应用M-LAG（MuntichassisLinkAggregationGroup）跨设备链路聚合组，将不同设备上的不同端口组成一个聚合组，达到跟普通LAG一样的功能，主要应用场景是“双归接入”场景，即用户侧双归接入到两
目录为什么会出现M-LAGM-LAG基本概念M-LAG建立过程M-LAG的协议兼容性M-LAG的防环机制M-LAG正常工作流量转发单播流量转发组播流量转发广播流量转发M-LAG故障场景流量转发上行链路故障下行链路故障M-LAG主设备故障Peer-link故障M-LAG二次故障（Peer-Link故障+M-LAG设备故障）V-STPV-STP方式（推荐方式）根桥方式M-LAG技术的应用M-LAG（MuntichassisLinkAggregationGroup）跨设备链路聚合组，将不同设备上的不同端口组成一个聚合组，达到跟普通LAG一样的功能，主要应用场景是“双归接入”场景，即用户侧双归接入到两
难得有空可以水一篇文章,最近有在学点数据可视化,以后可能会更新一点数据可视化powerbi,tableau的内容.今天这期是关于拼多多的anti_content参数逆向,实测可以过拼多多web端上app的网站以及批发商城的网站.感觉拼多多的加密参数不是很难,难在于它的风控,如果你调试的时候发了一次异常的请求,你浏览器再刷新页面就要登陆了,多次后你可能连拼多多都打不开了,因为它的后台可能已经把你的浏览器指纹给记住了,你可以换个浏览器试试或者隔一会再请求.网址1:aHR0cHM6Ly9waWZhLnBpbmR1b2R1by5jb20v网址2:aHR0cHM6Ly9tb2JpbGUucGluZHVv
一些基础的检测，整理起来，方便日后使用：Frida:https://codeooo.blog.csdn.net/article/details/120054432Xposed:https://codeooo.blog.csdn.net/article/details/119738344模拟器：https://codeooo.blog.csdn.net/article/details/119737758IDA：https://codeooo.blog.csdn.net/article/details/119946227unidbg:APP增加unidbg|unicorn检测对抗：1.在真机上，使
理论格兰杰Granger因果关系检验只能得出两变量之间是否存在因果关系https://max.book118.com/html/2018/0613/172349596.shtm名字有误，并非因果这个例子揭示了GrangerCausality和因果关系的本质区别：前者说的是一种可预测性（forcasting），如果A事件对于预测B事件是有用的，那么我们就说：A是B的GrangerCausality（即：拒绝“A不是B的GrangerCausality”）；https://www.zhihu.com/question/34787362p7格兰杰因果检验https://max.book118.com
理论格兰杰Granger因果关系检验只能得出两变量之间是否存在因果关系https://max.book118.com/html/2018/0613/172349596.shtm名字有误，并非因果这个例子揭示了GrangerCausality和因果关系的本质区别：前者说的是一种可预测性（forcasting），如果A事件对于预测B事件是有用的，那么我们就说：A是B的GrangerCausality（即：拒绝“A不是B的GrangerCausality”）；https://www.zhihu.com/question/34787362p7格兰杰因果检验https://max.book118.com
M-lag：跨设备链路聚合组，是一种实现跨设备链路聚合的机制。将一台设备与另外两台设备进行跨设备链路聚合，从而把链路的可靠性从单板级提升到设备级，组成双活系统。基本概念： peer-link链路：是一条聚合链路（可靠性），用于协商报文及传输部分流量。 keepalive链路（双主检测链路）：三层互通链路，推荐使用MGMT接口。用于m-lag主备设备之间按照1s的周期发送双主检测报文，用于peer-link故障时进行双主检测。keepalive不参与m-lag的任何转发行为。 m-lag成员接口之间状态需要同步，使用dfs-group（动态交换服务组协议）进行同步。防环
首先我是pandas的新手，但我已经爱上了它。我正在尝试实现与Oracle的Lag功能等效的功能。假设你有这个DataFrame:DateGroupData2014-05-1409:10:00A12014-05-1409:20:00A22014-05-1409:30:00A32014-05-1409:40:00A42014-05-1409:50:00A52014-05-1410:00:00B12014-05-1410:10:00B22014-05-1410:20:00B32014-05-1410:30:00B4如果这是一个oracle数据库，我想创建一个按“组”列分组并按日期排序的滞后
首先我是pandas的新手，但我已经爱上了它。我正在尝试实现与Oracle的Lag功能等效的功能。假设你有这个DataFrame:DateGroupData2014-05-1409:10:00A12014-05-1409:20:00A22014-05-1409:30:00A32014-05-1409:40:00A42014-05-1409:50:00A52014-05-1410:00:00B12014-05-1410:10:00B22014-05-1410:20:00B32014-05-1410:30:00B4如果这是一个oracle数据库，我想创建一个按“组”列分组并按日期排序的滞后
