统计代码行数 (LoC) 的超简单 Python 实现
为了统计代码行数(lines of code, LoC)，最简单的思路是用python读取每个所输入的代码文件的行数，然后加起来。
本实现分离了代码文件识别和统计，代码文件由用户给出。
1. 实现：
Python实现，用enumerate函数统计可以防止内存占用过大的问题，我们要的只是一个计数，每行读完扔掉即可(pass)。代码如下：
作者：JayceeZ
Bloom Filter 和 Cuckoo Filter 的源码简析
Bloom Filter 和 Cuckoo Filter有类似的用途，很多人将它们称为概率数据结构或者近似成员数据结构(approximate membership data structure)。最近看了一个Bloom Filter和一个Cuckoo Filter的比较好的实现，代码都是用C++实现，代码量也不大，读起来没有什么难度。
本文贴出来的是两个项目的大体构成，不涉及到空间、错误率等的理论分析，希望能给需要的新手一些帮助。
两个项目的网址如下：
存储系统的崩溃一致性问题 (Crash Consistency)
Consistency这个词在计算机各领域用的很多，比如分布式系统、体系结构和存储系统等等。本文只探讨存储系统crash consistency。Crash Consistency问题在存储系统中都会存在(数据库、文件系统、dedup系统 …)，即系统遭遇断电、崩溃等情况时，相关联的数据没有全部持久化可能导致的不一致。本文以文件系统为例进行说明，所有内容基于自己对相关资料的理解，如有错误，恳请指正！
崩溃为什么会导致不一致
下表整理自我的OSTEP笔记[1]，我们假设了一个有data和inode、bitmap两种metadata的简单文件系统，下表给出了一些可能导致不一致的情况，其中N表示断电时没有写完，F表示断电时已经完成：
A Primer on Memory Consistency & Cache Coherence 笔记1
本文是对《A Primer on Memory Consistency and Cache Coherence》这本书前一半内容的记录和理解，主要涉及memory consistency model。
1. 引言
对于多处理器共享内存系统来说，consistency和coherence都关注的是共享内存(shared memory)及cache的正确性问题，而人们把这个问题拆成两个方面是为了更好地将这个复杂问题分治解决。
1.1 Consistency
一般需要被详细讨论的是多核(或线程)共享内存(shared memory)的consistency模型，因为单核单线程问题相对简单直观。内存consistency模型规定的是：多线程同时进行load/store操作时，怎样的执行顺序是对的，怎样是错的。比较简单直接的consistency模型包括sequential consistency、TSO(total store consitency，x86使用)等。
QEMU 自带的简易计时器 — profiler 的简介及代码分析
我们应该怎么分析QEMU代码中某段代码的性能呢？除了比较复杂的trace-event功能（我的博客中翻译过qemu tracing的文档），其实在QEMU自带有一个简单的profiler实现，它是一个简单的计时器封装。这篇博客主要介绍怎么在编译时开启、使用QEMU profiler，并说明怎么利用这个功能添加一个自己的计时器来分析QEMU中某段代码的性能。
1. 编译
我的代码是QEMU 2.12.0。要开启profiler功能，在编译前进行运行configure的时候，只要加入--enable-profiler选项就可以了，它会加入CONFIG_PROFILER这个宏定义。比如我用如下选项进行编译：
|
1 2 3 4 5 |
cd QEMU_SRC_PATH ./configure --prefix=/PATH/TO/QEMU_BIN_DIR --target-list=x86_64-softmmu --enable-profiler make -j make install |
关于通用和专用系统的一些思考
日记式的个人胡扯，没有一句话保证正确，谢谢围观，欢迎指正。。
通用与专用，没有好坏
首先举两个极端的例子：深度学习应用十分重要，因此人们愿意专门为它花钱设计新型专用芯片和硬件架构，甚至可能为了它的性能，没准以后会重新写了一个叫”DnnOS”（我自己瞎编的名字）操作系统；而Jc写的helloworld.py程序无论在Linux, Windows 95还是Win 10上怎么折腾，都是打印一行hello, world，没有任何区别的。
哪个更好的问题没有绝对的答案，也许深度学习的新型硬件没有键盘鼠标和显示器，DnnOS也只要实现一套新型硬件的驱动，复杂程度远远小于Linux和Windows。但是Jc的helloworld.py无论运行在多么复杂的系统上，都无法到一个好的深度学习模型所带来的价值；反过来说，即使这套新型深度学习工具再牛逼，可能都无法运行Jc的helloworld.py程序。
存储系统中的各种“写放大”(Write Amplification)
“写放大”(Write Amplification)在存储系统中是很常见的。但是，即使都是在存储系统中，“写放大”也有很多种，各种的写放大原理并不是很一样。下边根据自己的理解，进行了下总结，如有问题，恳请指正。
1. 读写单元较大导致的写放大
在文件系统中，读写单元固定，比如都是4K，这样，如果write函数写的数据小于4K，则要先把整块读入，再修改，再把新的4K整体写入（O_DIRECT情况除外）。这个过程可以称为 RMW (Read-Modify-Write)，这就是File System的写放大问题。[1][2][5] （注意：Read-Modify-Write被更广泛地用在原子指令[3]和RAID[4]中。）
再如，在DBMS等应用层存储系统中，同样存在自己管理的读写单元，如MySQL的默认读写单元称为页，默认是16KB，所以一次读写只能以页的单位进行，这时，小于页的数据读写同样会带来整页的读写，进而造成了“写放大”，道理和文件系统是一样的。
LevelDB中数据文件的分目录存储
出于某种目的，你可能不想把levelDB的所有的文件都存到一个目录下：
|
1 2 3 4 5 6 7 8 9 10 |
我们希望的： level 0 -+ level 1 +--> DIR1 (DISK1) level 2 -+ ------------------------------ level 3 -+ level 4 | ... +--> DIR2 (DISK2) level N -+ |
但是 levelDB 不支持类似的选项，只能将文件存到一个目录；而且不幸的是，levelDB由于频繁的compaction操作，带来了频繁的文件创建和删除，且每个level包含多个文件，不易这样改。
《人有人的用途》 读书笔记2
《人有人的用途》(The Human Use of Human Beings — Cybernetics and Society)这本书是控制论鼻祖维纳(Norbert Wiener)的一本“科普书”，虽然只有100多页，我却是一本有深度的好书。第二部分笔记是书的第4~6章。
我曾经看过两本和经济学相关的畅销书，这种经济科普书中，常见类似“让你像经济学家一样思考”的宣传。书呢看了的确挺爽，思考世界的方式也很新鲜，但是看完之后并不能在头脑中留下系统的经济学知识体系，因此，这让我一直认为这类“经济科普”都是速食垃圾，读不得。
但这次再看完《人有人的用途》的几章，却动摇了我对那些科普书的看法。这是因为虽然我的专业与维纳相关，但我却从没有像他那样用信息、控制、反馈、计算、博弈的观点重新审视过这个世界。我虽不完全同意维纳所说，但就像经济学家可以用经济学的视角看世界，维纳也在用他的控制论视角看世界。如此看来，那些经济畅销书，还是有用的，不过我还是感觉先学经济知识，再看它们也许更好。
《人有人的用途》 读书笔记1
《人有人的用途》(The Human Use of Human Beings — Cybernetics and Society)这本书是控制论鼻祖维纳(Norbert Wiener)的一本“科普书”，虽然只有100多页，还是32开纸，但是我觉得却是一本有深度的好书。首先，这本书并没有任何公式和严谨的控制理论，还有很多恰当的小例子，因此特别易读；但是虽易读，并非无营养，相反，每一段、每个观点都可以细读，引发思考。
与“科普书”的定位相比，更应当注意的是这本书的副标题：“控制论和社会”，作者不仅让人信服的解释了熵的概念、（机器）学习的概念、语言信息传递的原理；也对法律、社会政策等方面的思考和讨论；最后时甚至对未来发展进行预测……行文间，作者的例子不仅涉及自己的控制论，还包括信息论、生物学、热力学、社会学等多方面的思考。更令人叹服的是，虽1954年成书时人工智能之一概念才刚刚起步，作者在这本当时的“科普”书中，就已经能够看出各种现在很火的统计机器学习、仿生神经网络等让机器从历史经验进行未来预测的思想！
我读这本书并不快，但第一次也只是匆匆略过，现在想抽时间再读一遍，准备记下好的观点和自己对应的思考。总之，这是一本连相关专业学生都无法当科普书来读的科普书。