当前位置：首页 > news >正文

【大数据】机器学习----------强化学习机器学习阶段尾声

news 来源：原创 2025/6/9 23:00:01

一、强化学习的基本概念

注：圈图与折线图引用知乎博主斜杠青年

1. 任务与奖赏

任务：强化学习的目标是让智能体（agent）在一个环境（environment）中采取一系列行动（actions）以完成一个或多个目标。智能体通过与环境进行交互，根据环境的状态（states）选择动作，并根据环境的反馈调整自己的行为。
奖赏：环境会给智能体一个反馈信号，即奖赏（reward），奖赏是一个标量值，代表智能体采取行动后的即时奖励或惩罚。智能体的目标是最大化累积奖赏，通常使用折扣累积奖赏公式：

，其中
是在时刻
获得的奖赏，(\gamma\in[0,1]) 是折扣因子，用于平衡短期和长期奖赏，越接近 0 表示越关注短期奖赏，越接近 1 表示越关注长期奖赏。

二、k-摇臂赌博机

1. 基本概念

k-摇臂赌博机是强化学习中的一个经典问题，它有 (k) 个摇臂，每个摇臂被拉动时会给出一个随机的奖赏。智能体的任务是通过多次试验找到能带来最大累积奖赏的摇臂。

2. 代码示例（(\epsilon)-贪心算法）

import numpy as npdef k_arm_bandit(k, num_steps, epsilon):# 初始化每个摇臂的真实奖赏期望，这里假设服从正态分布true_rewards = np.random.normal(0, 1, k)estimated_rewards = np.zeros(k)num_pulls = np.zeros(k)rewards = []for step in range(num_steps):if np.random.rand() < epsilon:# 以 epsilon 的概率随机选择一个摇臂action = np.random.randint(k)else:# 以 1 - epsilon 的概率选择估计奖赏最大的摇臂action = np.argmax(estimated_rewards)# 从选中的摇臂获得一个随机奖赏，假设服从正态分布reward = np.random.normal(true_rewards[action], 1)rewards.append(reward)# 更新估计奖赏和拉动次数num_pulls[action] += 1estimated_rewards[action] += (reward - estimated_rewards[action]) / num_pulls[action]return rewards# 示例运行
k = 10
num_steps = 1000
epsilon = 0.1
rewards = k_arm_bandit(k, num_steps, epsilon)
print("Total rewards:", np.sum(rewards))

三、有模型学习

1. 基本概念

有模型学习中，智能体尝试学习环境的模型，即状态转移概率 (P(s’|s,a))（从状态 (s) 采取动作 (a) 转移到状态 (s’) 的概率）和奖赏函数 (R(s,a))（在状态 (s) 采取动作 (a) 获得的奖赏）。然后可以使用规划算法（如动态规划）来求解最优策略。

2. 数学公式（Bellman 方程）

状态值函数 (V(s)) 的 Bellman 期望方程：
动作值函数 (Q(s,a)) 的 Bellman 期望方程：
，其中 (\pi(a|s)) 是策略，表示在状态 (s) 下采取动作 (a) 的概率。

3. 代码示例（价值迭代）

import numpy as npdef value_iteration(P, R, gamma, theta):num_states = P.shape[0]num_actions = P.shape[1]V = np.zeros(num_states)while True:delta = 0for s in range(num_states):v = V[s]V[s] = max([sum([P[s][a][s_prime] * (R[s][a] + gamma * V[s_prime])for s_prime in range(num_states)]) for a in range(num_actions)])delta = max(delta, abs(v - V[s]))if delta < theta:breakreturn V# 示例运行
# 假设环境的状态转移矩阵 P 和奖赏矩阵 R
P = np.random.rand(3, 2, 3)  # P[s][a][s_prime]
R = np.random.rand(3, 2)  # R[s][a]
gamma = 0.9
theta = 0.001
V = value_iteration(P, R, gamma, theta)
print("Optimal state values:", V)

四、免模型学习

1. 基本概念

免模型学习不尝试学习环境的完整模型，而是直接学习价值函数或策略函数。常见的方法包括蒙特卡洛（Monte Carlo）、时序差分（Temporal Difference，TD）学习等。

2. 数学公式（TD(0) 更新）

在这里插入图片描述
，其中 (S_t) 和 (S_{t+1}) 是连续的状态，(R_{t+1}) 是从 (S_t) 到 (S_{t+1}) 获得的奖赏，(\alpha) 是学习率。

3. 代码示例（TD(0)）

import numpy as npdef td_0(env, num_episodes, alpha, gamma):V = np.zeros(env.num_states)for _ in range(num_episodes):state = env.reset()done = Falsewhile not done:action = np.random.randint(env.num_actions)  # 这里使用随机策略next_state, reward, done = env.step(action)V[state] += alpha * (reward + gamma * V[next_state] - V[state])state = next_statereturn Vclass SimpleEnvironment:def __init__(self):self.num_states = 5self.num_actions = 2def reset(self):return 0def step(self, action):# 简单模拟环境的状态转移和奖赏，实际应用中需要根据具体环境定义if action == 0:next_state = np.random.choice(self.num_states)reward = np.random.normal(0, 1)else:next_state = np.random.choice(self.num_states)reward = np.random.normal(1, 1)done = False  # 假设不会结束return next_state, reward, done# 示例运行
env = SimpleEnvironment()
num_episodes = 1000
alpha = 0.1
gamma = 0.9
V = td_0(env, num_episodes, alpha, gamma)
print("Estimated state values:", V)

在这里插入图片描述

五、值函数近似

1. 基本概念

当状态空间很大或连续时，使用表格存储值函数变得不可行，因此使用值函数近似。通常使用函数逼近器（如线性函数、神经网络）来表示 (V(s)) 或 (Q(s,a))。

2. 数学公式（线性值函数近似）

(V(s;\theta)=\theta^T\phi(s))，其中 (\theta) 是参数向量，(\phi(s)) 是状态 (s) 的特征向量。

3. 代码示例（线性函数近似）

import numpy as npdef linear_value_approximation(env, num_episodes, alpha, gamma, theta):for _ in range(num_episodes):state = env.reset()done = Falsewhile not done:action = np.random.randint(env.num_actions)  # 随机策略next_state, reward, done = env.step(action)# 特征向量表示phi_state = np.array([state, state**2])phi_next_state = np.array([next_state, next_state**2])target = reward + gamma * np.dot(theta, phi_next_state)delta = target - np.dot(theta, phi_state)theta += alpha * delta * phi_statestate = next_statereturn thetaclass SimpleEnvironment:def __init__(self):self.num_states = 5self.num_actions = 2def reset(self):return 0def step(self, action):# 简单模拟环境的状态转移和奖赏if action == 0:next_state = np.random.choice(self.num_states)reward = np.random.normal(0, 1)else:next_state = np.random.choice(self.num_states)reward = np.random.normal(1, 1)done = False  # 假设不会结束return next_state, reward, done# 示例运行
env = SimpleEnvironment()
num_episodes = 1000
alpha = 0.1
gamma = 0.9
theta = np.random.rand(2)
theta = linear_value_approximation(env, num_episodes, alpha, gamma, theta)
print("Estimated theta:", theta)

六、模仿学习

1. 基本概念

模仿学习旨在让智能体通过模仿专家的行为来学习策略，通常用于解决难以通过奖赏函数定义的任务。包括行为克隆（Behavior Cloning）、逆强化学习（Inverse Reinforcement Learning）等方法。

2. 代码示例（行为克隆）

import numpy as np
from sklearn.linear_model import LogisticRegressiondef behavior_cloning(expert_states, expert_actions):# 假设专家状态和动作是已知的model = LogisticRegression()model.fit(expert_states, expert_actions)return model# 示例运行
expert_states = np.random.rand(100, 2)  # 假设专家状态是二维的
expert_actions = np.random.randint(0, 2, 100)  # 专家动作是 0 或 1
model = behavior_cloning(expert_states, expert_actions)
print("Trained model:", model)

在这里插入图片描述

代码解释

k-摇臂赌博机代码解释：

k_arm_bandit 函数：
true_rewards：每个摇臂的真实期望奖赏。
estimated_rewards：对每个摇臂奖赏的估计。
num_pulls：每个摇臂被拉动的次数。
使用 (\epsilon)-贪心算法，以概率 (\epsilon) 随机选择摇臂，以概率 (1 - \epsilon) 选择估计奖赏最高的摇臂。

有模型学习代码解释：

value_iteration 函数：
P：状态转移矩阵。
R：奖赏矩阵。
通过迭代更新状态值函数 (V(s))，直到收敛（(\Delta < \theta)）。

免模型学习代码解释：

td_0 函数：
V：状态值函数。
通过 TD(0) 更新规则 (V(S_t)\leftarrow V(S_t)+\alpha(R_{t+1}+\gamma V(S_{t+1})-V(S_t))) 来更新值函数。

值函数近似代码解释：

linear_value_approximation 函数：
使用线性函数 (V(s;\theta)=\theta^T\phi(s)) 来近似值函数。
通过更新参数 (\theta) 来学习。

模仿学习代码解释：

behavior_cloning 函数：
使用逻辑回归模型来学习专家的状态 - 动作映射。

算法比对

在这里插入图片描述

请注意，上述代码仅为简单示例，在实际应用中可能需要更复杂的环境和算法调整。同时，对于使用的库，如 numpy 和 sklearn，你可以使用 pip 安装：

pip install numpy sklearn

在这里插入图片描述

【大数据】机器学习----------强化学习机器学习阶段尾声

一、强化学习的基本概念注： 圈图与折线图引用知乎博主斜杠青年 1. 任务与奖赏任务：强化学习的目标是让智能体（agent）在一个环境（environment）中采取一系列行动（actions）以完成一个…...

编程日记 2025/6/3 15:02:33

Unicode不可见字符

场景复现在访问 https://dotnet.microsoft.com/zh-cn/apps/aspnet地址时突然出现 https://dotnet.microsoft.com/zh-cn/apps/aspnet%E2%80%8C%E2%80%8C 但是正常来看，这个地址后面是没有%E2%80%8C%E2%80%8C的，粘贴到idea里发现了url地址后面还拼接了2…...

编程日记 2025/6/3 15:04:57

w172二手车交易系统的设计与实现

🙊作者简介：多年一线开发工作经验，原创团队，分享技术代码帮助学生学习，独立完成自己的网站项目。代码可以查看文章末尾⬇️联系方式获取，记得注明来意哦~🌹赠送计算机毕业设计600个选题excel文…...

编程日记 2025/6/3 15:03:37

TRELLIS微软的图生3D

TRELLIS 教程目录： Youtube：https://www.youtube.com/watch?vJqFHZ-dRMhI 官网地址：https://trellis3d.github.io/ GitHub：https://github.com/Microsoft/TRELLIS 部署目录： 克隆项目 git clone --recurse-submodul…...

编程日记 2025/6/4 17:25:17

【力扣：新动计划，编程入门 —— 题解 ①】

向前看，总会有新的故事值得期盼 —— 25.1.21 2235. 两整数相加给你两个整数 num1 和 num2，返回这两个整数的和。示例 1： 输入：num1 12, num2 5 输出：17 解释：num1 是 12，num2 是 5 &#x…...

编程日记 2025/6/3 15:04:41

如何使用 Pytest -k 选项轻松筛选测试用例

关注开源优测不迷路大数据测试过程、策略及挑战测试框架原理，构建成功的基石在自动化测试工作之前，你应该知道的10条建议在自动化测试中，重要的不是工具你是否曾不得不从成百上千个测试中费力筛选，只为运行几个特定的测试&am…...

编程日记 2025/6/3 15:03:06

C语言之小型成绩管理系统

🌟 嗨，我是LucianaiB！ 🌍 总有人间一两风，填我十万八千梦。 🚀 路漫漫其修远兮，吾将上下而求索。 C语言之小型成绩管理系统目录设计题目设计目的设计任务描述设计要求输入和输出要求验收要…...

编程日记 2025/6/3 15:04:09

C++ ——— 模拟实现 vector 类

目录 vector 类的框架无参数的构造函数析构函数获取有效数据个数获取容量重载 [] 运算符可读可写版本只可读版本扩容尾插实现迭代器可读可写版本只可读版本自定义设置size长度和内容在任意位置插入删除任意位置的数据赋值重载 vector 类的框…...

编程日记 2025/6/3 15:02:49

SpringBoot实现轻量级动态定时任务管控及组件化

1关于动态定时任务关于在SpringBoot中使用定时任务，大部分都是直接使用SpringBoot的Scheduled注解，如下： Component public class TestTask {Scheduled(cron"0/5 * * * * ? ") //每5秒执行一次public void execute(){SimpleDa…...

编程日记 2025/6/3 15:03:22

STM32 FreeRTOS 任务挂起和恢复---实验

实验目标学会vTaskSuspend( )、vTaskResume( ) 任务挂起与恢复相关API函数使用： start_task:用来创建其他的三个任务。 task1：实现LED1每500ms闪烁一次。 task2：实现LED2每500ms闪烁一次。 task3：判断按键按下逻辑，KE…...

编程日记 2025/6/3 7:37:26

#漏洞挖掘# 一文了解什么是Jenkins未授权访问！！！

免责声明本教程仅为合法的教学目的而准备，严禁用于任何形式的违法犯罪活动及其他商业行为，在使用本教程前，您应确保该行为符合当地的法律法规，继续阅读即表示您需自行承担所有操作的后果，如有异议，请立即停…...

编程日记 2025/6/4 18:03:35

1.21学习记录

misc 2023isctf 你说爱我尊嘟假嘟这题有点脑洞，需要把你说爱我换成Ook.将尊嘟换为Ook！假嘟换成Ook？（根据语气进行猜测吧）用在线工具解密最后用base64解密即可 2023isctf 杰伦可是流量明星解压后是一个MP3文件&am…...

编程日记 2025/6/3 7:38:31

Pandas2.2 Series Function application, GroupBy & window 方法描述Series.apply()用于将一个函数应用到 Series 的每个元素或整个 SeriesSeries.agg()用于对 Series 数据进行聚合操作Series.aggregate()用于对 Series 数据进行聚合操作Series.transform()用于对 Series…...

编程日记 2025/6/3 7:37:10

Text2SQL 智能报表方案介绍

0 背景 Text2SQL智能报表方案旨在通过自然语言处理（NLP）技术，使用户能够以自然语言的形式提出问题，并自动生成相应的SQL查询，从而获取所需的数据报表，用户可根据得到结果展示分析从而为结论提供支撑&#…...

编程日记 2025/6/3 7:37:57

51c~SLAM~合集1

我自己的原文哦~ https://blog.51cto.com/whaosoft/12327374 #GSLAM 自动驾驶相关~~~ 一个通用的SLAM架构和基准 GSLAM：A General SLAM Framework and Benchmark 开源代码：https://github.com/zdzhaoyong/GSLAM SLAM技术最近取得了许多成功&am…...

编程日记 2025/6/4 9:06:19

服务器安装ESXI7.0系统及通过离线包方式升级到ESXI8.0

新到了一台物理服务器需要安装系统，项目不急用，先拿来做些实验。本次实验目标： 1、在物理服务器上安装ESXI7.0系统； 2、通过离线包升级方式将ESXI7.0升级为ESXI8.0。实验环境准备： 物理服务器1台，型号…...

编程日记 2025/6/3 7:36:38

计算机网络（52）秘钥分配

一、重要性在计算机网络中，密钥分配是密钥管理中的一个核心问题。由于密码算法通常是公开的，因此网络的安全性主要依赖于密钥的安全保护。密钥分配的目的是确保密钥在传输过程中不被窃取或篡改，同时确保只有合法的用户才能获得密钥。二、方…...

编程日记 2025/6/3 5:08:24

xctf-comment（Intruder，git恢复，SQL注入，Hex解码）

这题是2018年网鼎杯真题，考察 Burp Suite 的 Intruder 模块去找用户密码，使用 githacker 恢复代码（githack不行），代码审计发现SQL二次注入，尝试SQL注入读取文件内容，读取的是/home/www/.bash_hi…...

编程日记 2025/6/3 7:36:22

Docker Compose创建镜像服务

什么是Docker Compose 使用Docker Compose，可以使用YAML配置文件（称为Compose文件）来配置应用程序的服务，然后使用Compose CLI从配置中创建并启动所有服务。 Compose文件的默认路径是compose.yaml（首选）…...

编程日记 2025/6/2 17:45:26

kafka学习笔记5 PLAIN认证——筑梦之路

在Kafka中，SASL（Simple Authentication and Security Layer）机制包括三种常见的身份验证方式： SASL/PLAIN认证：含义是简单身份验证和授权层应用程序接口，PLAIN认证是其中一种最简单的用户名、密码认证方式&…...

编程日记 2025/6/3 3:20:11

Walrus Learn to Earn计划正式启动！探索去中心化存储的无限可能

本期 Learn to Earn 活动将带领开发者和区块链爱好者深入探索 Walrus 的技术核心与实际应用，解锁分布式存储的无限可能。参与者不仅能提升技能，还能通过完成任务赢取丰厚奖励！🌊 什么是 Walrus？ 数据主权如今正成为越…...

编程日记 2025/6/3 8:33:16

Linux学习笔记

1、什么是Linux Linux,一般指GNU/Linux（单独的Linux内核并不可直接使用，一般搭配GUN套件，故得此称呼），是一种免费使用和自由传播的类UNIX操作系统。它主要受到Minix和Unix思想的启发，是一个基于POSIX的多用…...

编程日记 2025/6/2 15:28:35

解锁电商设计新速度：StartAI插件制作产品图实操教程

在电商设计这片竞争激烈的战场上，每一位设计师都在追求高效与创意的完美融合。繁琐的背景抠图、单一的设计模板、紧迫的时间周期，常常让我们力不从心。但现在，StartAI插件的问世，为我们的设计之路带来了革命性的改变。下面&#x…...

编程日记 2025/6/3 14:31:36

AutoPrompt框架和实操：如何用AutoPrompt完成电影评论和聊天审核任务？

1. AutoPrompt框架概述 1.1 框架定义与目标 AutoPrompt是一个旨在提升和完善用户提示以适应现实世界用例的提示优化框架。该框架通过迭代生成具有挑战性的边缘案例数据集，并相应地优化提示，从而自动生成针对用户意图量身定制的高质量、详细的提示。其核心目标是利用大型语言…...

编程日记 2025/6/3 14:32:08

修复 Kubernetes Deployment 修改后未生效的问题

在 Kubernetes 集群中，当尝试修改某些 Deployment 资源（如 calico-kube-controllers）的 image 配置时，发现修改总是未生效，并恢复到原样。这种问题通常是因为 Deployment 资源受到其他控制器（如 Operator&a…...

编程日记 2025/6/3 14:30:16

Excel 技巧17 - 如何计算倒计时，并添加该倒计时的数据条(★）

本文讲如何计算倒计时，并添加该倒计时的数据条。 1，如何计算倒计时这里也要用公式 D3 - TODAY() 显示为下面这个样子的然后右键该单元格，选设置单元格格式然后点常规这样就能显示出还书倒计时的日数了。下拉适用到其他单元格。 2&a…...

编程日记 2025/6/3 14:31:04

Golang Gin系列-5：数据模型和数据库

在这篇Gin教程的博客中，我们将探索如何将模型和数据库与Gin框架无缝集成，使你能够构建健壮且可扩展的web应用程序。通过利用流行的库并遵循最佳实践，你将学习如何定义模型、建立数据库连接、执行CRUD操作以及确保基于gin的项目中的数据完整性…...

编程日记 2025/6/3 14:31:52

Android系统开发（十九）：无缝拉伸的艺术——9-Patch 可绘制对象详解

引言在移动开发中，背景、标题以及其他界面元素的设计质量直接影响用户体验。然而，如何让图片适应不同分辨率设备，成为开发者常常头疼的问题。这时，9-Patch 闪亮登场！它不仅可以无缝拉伸，还能保持视觉效果…...

编程日记 2025/6/3 14:30:32

物联网网关Web服务器--CGI开发实例BMI计算

本例子通一个计算体重指数的程序来演示Web服务器CGI开发。硬件环境：飞腾派开发板（国产E2000处理器） 软件环境：飞腾派OS（Phytium Pi OS） 硬件平台参考另一篇博客：国产化ARM平台-飞腾派开发板…...

编程日记 2025/6/2 18:31:12

计算机网络（51）鉴别

前言计算机网络鉴别是信息安全领域中的一项关键技术，主要用于验证用户或信息的真实性，以及确保信息的完整性和来源的可靠性。一、目的与重要性鉴别的目的是验明用户或信息的正身，对实体声称的身份进行唯一识别，以便验证其访问请…...

编程日记 2025/6/1 23:06:26

Mellanox ConnectX 系列网卡的双驱动架构：以太网与 InfiniBand 的协同设计

在现代数据中心和高性能计算（HPC）环境中，网络硬件的性能和功能至关重要。Mellanox ConnectX 系列网卡以其卓越的性能和多功能性而闻名，支持从传统的以太网到高性能的 InfiniBand 网络协议。这种多功能性使得 Mellanox 网卡能够满足不同应用场景的需求，从常规的数据中心网络…...

编程日记 2025/6/2 6:30:06

【Java】阿里环球Antom支付对接

阿里环球Antom支付对接线上文档地址： GitHub：https://github.com/alipay/global-open-sdk-java 文档：https://global.alipay.com/docs/ac/ams_zh-cn/session_cashier maven： <dependency><g…...

编程日记 2025/6/2 18:03:32

【vim】vim编辑器如何设置行号

vim编辑器如何设置行号一、**临时设置行号**二、永久设置行号2.1. **用户配置文件方式（针对当前用户）**2.2. **全局配置文件方式（谨慎使用，会影响所有用户）** 在Vim中设置行号有以下两种常见的方法： 一、…...

编程日记 2025/6/4 4:22:18

爬虫基础之爬取某站视频

目标网址:为了1/4螺口买小米SU7，开了一个月，它值吗？_哔哩哔哩_bilibili 本案例所使用到的模块 requests (发送HTTP请求)subprocess(执行系统命令)re (正则表达式操作)json (处理JSON数据) 需求分析: 视频的名称 F12 打开开发者工具 or 右击…...

编程日记 2025/6/2 6:38:22

2024嵌入式系统的未来发展与技术洞察分享

时间如白驹过隙，不知不觉又是一年，这一年收获满满。接下来，将本年度对技术的感悟和洞察分析如下，希望对大家有所帮助。在过去几十年里，嵌入式系统技术迅速发展，成为现代电子设备和智能硬件的核心组成部分。…...

编程日记 2025/6/1 19:42:23

[微服务]注册中心优化

环境隔离企业实际开发中，往往会搭建多个运行环境，例如： 开发环境测试环境预发布环境生产环境这些不同环境之间的服务和数据之间需要隔离。还有的企业中，会开发多个项目，共享nacos集群。此时，这些项目…...

编程日记 2025/6/4 3:35:14

Leetcode 3426. Manhattan Distances of All Arrangements of Pieces

Leetcode 3426. Manhattan Distances of All Arrangements of Pieces 1. 解题思路2. 代码实现题目链接：3426. Manhattan Distances of All Arrangements of Pieces 1. 解题思路这道题很惭愧，一开始没有搞定，后来看了答案想了想&#xff…...

编程日记 2025/6/3 13:45:17

【重庆市乡镇界】面图层shp格式arcgis数据乡镇名称和编码wgs84坐标无偏移内容测评

标题中的“最新重庆市乡镇界面图层shp格式arcgis数据乡镇名称和编码wgs84坐标无偏移最新”指的是一个地理信息系统（GIS）的数据集，特别设计用于ArcGIS软件。这个数据集包含了重庆市所有乡镇的边界信息，以Shapefile（.shp…...

编程日记 2025/5/31 4:53:32

基于ChatGPT的论文写作辅助工具研究

**基于ChatGPT的论文写作辅助工具研究** **摘要**： 随着人工智能技术的飞速发展，自然语言处理（NLP）领域取得了显著进步。ChatGPT作为OpenAI最新推出的生成式预训练Transformer模型，在文本生成、对话系统等方面展现出…...

编程日记 2025/6/2 18:02:31

定时器setTimeout和setInterval

setTimeOut()异步 setInterval()异步...

编程日记 2025/6/4 0:24:09

PCL 部分点云视点问题【2025最新版】

目录一、问题概述二、解决方案1、软件实现2、代码实现三、调整之后博客长期更新，本文最近更新时间为：2025年1月18日。一、问题概述针对CloudCompare软件处理过的pcd格式点云，在使用PCL进行特征点提取、配准等实验中最终显示结果出现点云位置偏差较大的问题，本博客给出解…...

编程日记 2025/6/4 0:23:53

Cursor 与常见集成开发环境（IDE）的优势对比

Cursor与常见集成开发环境（IDE）的优势对比一、AI 辅助编程能力强大的代码生成功能： Cursor： 以其内置的强大 AI 辅助编程功能为核心优势。用户可以通过输入自然语言描述，快速生成各种编程语言的代码。例如&#xf…...

编程日记 2025/6/3 0:40:50

TDengine 做为 FLINK 数据源技术参考手册

Apache Flink 是一款由 Apache 软件基金会支持的开源分布式流批一体化处理框架，可用于流处理、批处理、复杂事件处理、实时数据仓库构建及为机器学习提供实时数据支持等诸多大数据处理场景。与此同时，Flink 拥有丰富的连接器与各类工具，可对接…...

编程日记 2025/6/3 14:45:36

不重启JVM，替换掉已经加载的类

不重启JVM，替换掉已经加载的类直接操作字节码使用ASM框架直接操作class文件，在类中修改代码，然后retransform就可以了下边是BTrace官方提供的一个简单例子： package com.sun.btrace.samples;import com.sun.btrace.annotati…...

编程日记 2025/6/4 0:26:06