文章目录1.CAP定理1.1一致性1.2可用性1.3分区容错1.4矛盾2.BASE理论3.解决分布式事务的思路4.扩展解决分布式事务问题，需要一些分布式系统的基础知识作为理论指导。1.CAP定理Consistency(一致性):用户访问分布式系统中的任意节点，得到的数据必须一致Availability（可用性）:用户访问集群中的任意健康节点，必须能得到响应，而不是超时或拒绝。Partition(分区):因为网络故障或其它原因导致分布式系统中的部分节点与其它节点失去连接，形成独立分区。tolerance(容错):在集群出现分区时，整个系统也要持续对外提供服务======结论:CP:强一致性,弱可

累积分布函数/分布函数：是概率密度函数的积分，能完整描述一个实随机变量X的概率分布。一般以大写“CDF”（CumulativeDistributionFunction）标记。定义：对于所有实数，累积分布函数定义如下：FX(x)=P(X≤x)F_X(x)=P(X\lex)FX​(x)=P(X≤x)即累积分布函数表示：对离散变量而言，所有小于等于a的值出现概率的和。

1. 控制请求数量1.1. 这个世界可以随时摧毁我们的系统1.1.1. 要么拒绝工作1.1.2. 要么扩展容量1.1.3. 没有人会在与世隔绝的环境中使用服务，现在的服务大多必须处理互联网规模的负载1.2. 系统的每次失效，都源自某个等待队列1.3. 每个请求都会在它所经过的每一层上占用一个套接字，当请求被实例处理后，该实例就临时少了一个处理其他新请求的套接字1.4. 可用套接字数量与服务每秒可以处理的请求数量之间存在一定关系，这取决于请求处理的持续时间1.5. 服务完成请求处理的速度越快，其可处理的吞吐量就越高1.6. 以太网本质上就是一个串行协议1.6.1. 把数据包“放到”导线上需要时间

文章目录概述定义特性术语技术概念架构和组件生态圈部署Docker部署基于hadoop环境安装前置条件安装使用步骤官方样例Cube说明示例演示准备演示数据创建项目选择数据源创建Model创建CubeCube构建与Hive查询对比概述定义ApacheKylin官网中文地址https://kylin.apache.org/cn/ApacheKylin官网中文最新文档https://kylin.apache.org/cn/docs/ApacheKylin源码地址https://github.com/apache/kylinApacheKylin™是一个开源的、分布式的分析型数据仓库，提供Hadoop/

目录简单的扩展到泊松分布 比较整体的动态过程，增加实验次数时当二项分布，n很大，p很小的时候，会趋向泊松分布当n足够大时，二项分布趋向于正态分布。这个结论在概率论中被称为中心极限定理，它是概率论中一个非常重要的定理，广泛应用于各种领域，如金融、工程、生物学等。简单的扩展到泊松分布1   M，N都趋向∞时，超几何分布趋向二项分布         2   n足够大，np固定，二项分布概率收敛于泊松分布，            近似成立的前提要求n足够大，而p足够小，np不是很小         3   他们的期望都是一样的，概率分布pdf不同         4   其中超几何分布3个参数，二项分

背景组内有很多项目都涉及复杂的任务流场景：集群创建、删除等生命周期管理k8s资源申请销毁....这些场景都有几个共同的特点：流程耗时且步骤复杂，需要几十步操作，其中包含云资源申请、脚本执行、接口调用等，且相互存在依赖关系。任务量随着业务增长而快速迭代，比如每个集群每天都会自动备份等任务需要调度执行。运维难度大，需要标准的框架约束业务实现，并基于此框架提供建设标准的运维体系，尽最大可能支持SLA方案调研在go体系内的各种方案硬编码结合定时TimerWorker实现虽然工作量较小，但是只能满足某个场景下的特定工作流，没有可复用性，暂不具备扩展性，无法建立标准。argo基于k8s,api-serve

这些年我在一些企业的IT主管交流的时候，他们都认为分布式数据库才是他们企业数据库的未来选择。在很多情况下，想要改变一个人的观点十分的不易，因此在大多数情况下，经过简单的交流后我都会放弃让他们更加深入的了解分布数据库的想法。确实想要把分布式数据库讲清楚并不是三言两语就能搞定的，因为每个人，甚至十分资深的IT人员亦或是资深的数据库专家，可能对某个分布式数据库的想象都只是存在于他自己的四维空间里，他在按他对集中式数据库的理解来想象一个分布式数据库，而事实上，往往真实的分布式数据库与他想象的不同。事实上，在七八年前，我也是这么想象着分布式数据库的，直到有一天，我和Oracle的研发部门的高层的一次关于

点击蓝字关注我们作者|欧阳业伟01导读ApacheDolphinScheduler是一个分布式易扩展的可视化DAG工作流任务调度平台，致力于解决数据处理流程中错综复杂的依赖关系，使得调度系统在数据处理流程中开箱即用。自2019年开源以来，得益于其自身的稳定性、易用性、扩展性和完备的功能备受关注，笔者收集了一些业界案例：有赞：全面从Airflow迁移到DolphinScheduler，日均调度6w+任务实例；360数科：全面从Azkaban迁移到DolphinScheduler，日均调度1w+任务实例；Fordeal：全面从Azkaban迁移到DolphinScheduler，日均调度3500+

统计系列（二）常见的概率分布离散概率分布伯努利分布背景：抛一次硬币，正面朝上的概率定义：一次试验中，只有两种结果，成功（X=1）概率为p，失败（X=0）概率为1-p。定义为伯努利试验。数学描述P(X=x)=px(1−p)1−x,x∈{0,1}P(X=x)=p^{x}(1-p)^{1-x},x\in\{0,1\}P(X=x)=px(1−p)1−x,x∈{0,1}E(X)=pE(X)=pE(X)=p;D(X)=p(1−p)D(X)=p(1-p)D(X)=p(1−p)二项分布背景扔10次硬币，有3次正面朝上的概率上了一学期的课，有10次迟到的概率定义：n次伯努利试验中，成功k次的概率数学描述X∼B(

统计系列（二）常见的概率分布离散概率分布伯努利分布背景：抛一次硬币，正面朝上的概率定义：一次试验中，只有两种结果，成功（X=1）概率为p，失败（X=0）概率为1-p。定义为伯努利试验。数学描述P(X=x)=px(1−p)1−x,x∈{0,1}P(X=x)=p^{x}(1-p)^{1-x},x\in\{0,1\}P(X=x)=px(1−p)1−x,x∈{0,1}E(X)=pE(X)=pE(X)=p;D(X)=p(1−p)D(X)=p(1-p)D(X)=p(1−p)二项分布背景扔10次硬币，有3次正面朝上的概率上了一学期的课，有10次迟到的概率定义：n次伯努利试验中，成功k次的概率数学描述X∼B(