分享PPT下载地址：http://pan.baidu.com/s/1beusTS​ 
开源技术社区分享 欢迎订阅微信公众号：

1、海量日志数据，提取出某日访问百度次数最多的那个IP。

首先是这一天，并且是访问百度的日志中的IP取出来，逐个写入到一个大文件中。注意到IP是32位的，最多有个2^32个IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件，再找出每个小文中出现频率最大的IP（可以采用hash_map进行频率统计，然后再找出频率最大的几个）及相应的频率。然后再在这1000个最大的IP中，找出那个频率最大的IP，即为所求。

或者如下阐述：
算法思想：分而治之+Hash

1.IP地址最多有2^32=4G种取值情况，所以不能完全加载到内存中处理； 

2.可以考虑采用“分而治之”的思想，按照IP地址的Hash(IP)24值，把海量IP日志分别存储到1024个小文件中。这样，每个小文件最多包含4MB个IP地址；

3.对于每一个小文件，可以构建一个IP为key，出现次数为＆#118alue的Hash map，同时记录当前出现次数最多的那个IP地址； 

4.可以得到1024个小文件中的出现次数最多的IP，再依据常规的排序算法得到总体上出现次数最多的IP；

2、搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每个查询串的长度为1-255字

假设目前有一千万个记录（这些查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个。一个查询串的重复度越高，说明查询它的用户越多，也就是越热门。），请你统计最热门的10个查询串，要求使用的内存不能超过1G。

典型的Top K算法，还是在这篇文章里头有所阐述，文中，给出的最终算法是：

第一步、先对这批海量数据预处理，在O（N）的时间内用Hash表完成统计（之前写成了排序，特此订正。July、2011.04.27）； 

第二步、借助堆这个数据结构，找出Top K，时间复杂度为N‘logK。即，借助堆结构，我们可以在log量级的时间内查找和调整/移动。因此，维护一个K(该题目中是10)大小的小根堆，然后遍历300万的Query，分别和根元素进行对比所以，我们最终的时间复杂度是：O（N） + N’*O（logK），（N为1000万，N’为300万）。

或者：采用trie树，关键字域存该查询串出现的次数，没有出现为0。最后用10个元素的最小推来对出现频率进行排序。

3、有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，内存限制大小是1M。返回频数最高的100个词。

方案：顺序读文件中，对于每个词x，取hash(x)P00，然后按照该值存到5000个小文件（记为x0,x1,…x4999）中。这样每个文件大概是200k左右。 

如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到分解得到的小文件的大小都不超过1M。

对每个小文件，统计每个文件中出现的词以及相应的频率（可以采用trie树/hash_map等），并取出出现频率最大的100个词（可以用含100个结点的最小堆），并把100个词及相应的频率存入文件，这样又得到了5000个文件。下一步就是把这5000个文件进行归并（类似与归并排序）的过程了。

4、有10个文件，每个文件1G，每个文件的每一行存放的都是用户的query，每个文件的query都可能重复。要求你按照query的频度排序。

还是典型的TOP K算法，解决方案如下： 

方案1：

　　顺序读取10个文件，按照hash(query)的结果将query写入到另外10个文件（记为）中。这样新生成的文件每个的大小大约也1G（假设hash函数是随机的）。

　　

   找一台内存在2G左右的机器，依次对用hash_map(query,query_count)来统计每个query出现的次数。利用快速/堆/归并排序按照出现次数进行排序。将排序好的query和对应的query_cout输出到文件中。这样得到了10个排好序的文件（记为）。

　 对这10个文件进行归并排序（内排序与外排序相结合）。　

方案2：

　　一般query的总量是有限的，只是重复的次数比较多而已，可能对于所有的query，一次性就可以加入到内存了。这样，我们就可以采用trie树/hash_map等直接来统计每个query出现的次数，然后按出现次数做快速/堆/归并排序就可以了。 

方案3：

　　与方案1类似，但在做完hash，分成多个文件后，可以交给多个文件来处理，采用分布式的架构来处理（比如MapReduce），最后再进行合并。

5、 给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？

方案1：可以估计每个文件安的大小为5G×64=320G，远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。

　　遍历文件a，对每个url求取hash(url)00，然后根据所取得的值将url分别存储到1000个小文件（记为a0,a1,…,a999）中。这样每个小文件的大约为300M。

　　遍历文件b，采取和a相同的方式将url分别存储到1000小文件（记为b0,b1,…,b999）。这样处理后，所有可能相同的url都在对应的小文件（a0vsb0,a1vsb1,…,a999vsb999）中，不对应的小文件不可能有相同的url。然后我们只要求出1000对小文件中相同的url即可。

　　求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。 

方案2：如果允许有一定的错误率，可以使用Bloom filter，4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloom filter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloomfilter，如果是，那么该url应该是共同的url（注意会有一定的错误率）。

Bloom filter日后会在本BLOG内详细阐述。

6、在2.5亿个整数中找出不重复的整数，注，内存不足以容纳这2.5亿个整数。

方案1：采用2-Bitmap（每个数分配2bit，00表示不存在，01表示出现一次，10表示多次，11无意义）进行，共需内存2^32 * 2 bit=1 GB内存，还可以接受。然后扫描这2.5亿个整数，查看Bitmap中相对应位，如果是00变01，01变10，10保持不变。所描完事后，查看bitmap，把对应位是01的整数输出即可。

方案2：也可采用与第1题类似的方法，进行划分小文件的方法。然后在小文件中找出不重复的整数，并排序。然后再进行归并，注意去除重复的元素。

7、腾讯面试题：给40亿个不重复的unsigned int的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中？

与上第6题类似，我的第一反应时快速排序+二分查找。以下是其它更好的方法： 

方案1：oo，申请512M的内存，一个bit位代表一个unsigned int值。读入40亿个数，设置相应的bit位，读入要查询的数，查看相应bit位是否为1，为1表示存在，为0表示不存在。　

方案2：这个问题在《编程珠玑》里有很好的描述，大家可以参考下面的思路，探讨一下：

　　又因为2^32为40亿多，所以给定一个数可能在，也可能不在其中；

　　这里我们把40亿个数中的每一个用32位的二进制来表示

　　假设这40亿个数开始放在一个文件中。

　　然后将这40亿个数分成两类:

1.最高位为0

2.最高位为1

　　并将这两类分别写入到两个文件中，其中一个文件中数的个数<=20亿，而另一个>=20亿（这相当于折半了）；

　　与要查找的数的最高位比较并接着进入相应的文件再查找

　　再然后把这个文件为又分成两类:

1.次最高位为0

2.次最高位为1

　　并将这两类分别写入到两个文件中，其中一个文件中数的个数<=10亿，而另一个>=10亿（这相当于折半了）；

　　与要查找的数的次最高位比较并接着进入相应的文件再查找。

　　…….

　　以此类推，就可以找到了,而且时间复杂度为O(logn)，方案2完。

　　附：这里，再简单介绍下，位图方法：

　　使用位图法判断整形数组是否存在重复

　　判断集合中存在重复是常见编程任务之一，当集合中数据量比较大时我们通常希望少进行几次扫描，这时双重循环法就不可取了。

　　位图法比较适合于这种情况，它的做法是按照集合中最大元素max创建一个长度为max+1的新数组，然后再次扫描原数组，遇到几就给新数组的第几位置上1，如遇到5就给新数组的第六个元素置1，这样下次再遇到5想置位时发现新数组的第六个元素已经是1了，这说明这次的数据肯定和以前的数据存在着重复。这种给新数组初始化时置零其后置一的做法类似于位图的处理方法故称位图法。它的运算次数最坏的情况为2N。如果已知数组的最大值即能事先给新数组定长的话效率还能提高一倍。

　　欢迎，有更好的思路，或方法，共同交流。

8、怎么在海量数据中找出重复次数最多的一个？

方案1：先做hash，然后求模映射为小文件，求出每个小文件中重复次数最多的一个，并记录重复次数。然后找出上一步求出的数据中重复次数最多的一个就是所求（具体参考前面的题）。

9、上千万或上亿数据（有重复），统计其中出现次数最多的钱N个数据。

方案1：上千万或上亿的数据，现在的机器的内存应该能存下。所以考虑采用hash_map/搜索二叉树/红黑树等来进行统计次数。然后就是取出前N个出现次数最多的数据了，可以用第2题提到的堆机制完成。

10、一个文本文件，大约有一万行，每行一个词，要求统计出其中最频繁出现的前10个词，请给出思想，给出时间复杂度分析。

方案1：这题是考虑时间效率。用trie树统计每个词出现的次数，时间复杂度是O(n[i]le)（le表示单词的平准长度）。然后是找出出现最频繁的前10个词，可以用堆来实现，前面的题中已经讲到了，时间复杂度是O(n[/i]lg10)。所以总的时间复杂度，是O(n[i]le)与O(n[/i]lg10)中较大的哪一个。

　　附、100w个数中找出最大的100个数。

　　

方案1：在前面的题中，我们已经提到了，用一个含100个元素的最小堆完成。复杂度为O(100w*lg100)。

方案2：采用快速排序的思想，每次分割之后只考虑比轴大的一部分，知道比轴大的一部分在比100多的时候，采用传统排序算法排序，取前100个。复杂度为O(100w[i]100)。　

方案3：采用局部淘汰法。选取前100个元素，并排序，记为序列L。然后一次扫描剩余的元素x，与排好序的100个元素中最小的元素比，如果比这个最小的要大，那么把这个最小的元素删除，并把x利用插入排序的思想，插入到序列L中。依次循环，知道扫描了所有的元素。复杂度为O(100w[/i]100)。

Devops基础设施自动化的工具

有许多工具用于基础设施自动化。决定使用哪个工具的体系结构和基础设施的需求。下面我们列出了一些伟大的工具,受到不同类别配置管理、编制、持续集成、监控、等。

1、Chef

Chef是一个基于ruby开发的配置管理工具。你可能会遇到“基础设施代码”这个词,这意味着配置管理。厨师烹饪书的概念,你的代码基础设施DSL(领域特定语言)和一个小的编程。chef规定和配置虚拟机根据规则中提到的食谱。代理将会运行在所有的服务器配置。代理将chef主服务器的cookbooks,在服务器上运行这些配置来达到理想的状态。

2、Puppet

Puppet也基于ruby编写的配置管理工具跟chef一样。配置代码编写使用puppet DSL和封装在模块。而chef更以开发人员为中心,puppet是由系统管理员控制为中心。puppet proxy运行在所有服务器配置,它把编译模块从puppet服务器和安装所需要的软件包中指定模块。

3、Saltstack

Saltstack是一个基于python打开配置管理工具。不像chef和puppet,Saltstack支持远程执行的命令。通常在chef和puppet,配置的代码将从服务器,在Saltstack,代码可以同时被推到许多节点。编译的代码和配置是Saltstack非常快。

4、Ansible

Ansible是一个缺少代理配置管理以及编制工具。在Ansible配置模块中被称为“剧本”。剧本都写在YAML格式和它相对容易写相比其他配置管理工具。像其他工具,Ansible可用于云配置。

5、Juju

Juju是由典型的基于Python的编排工具。它已经在你的云环境应用程序的伟大的UI。你也可以使用命令行界面来完成所有的业务流程的任务。你可以配置，部署和使用且具规模的应用。

6、 Jenkins

Jenkins是一个基于java的持续集成工具更快的应用程序。Jenkins必须关联到一个版本控制系统如github或SVN。每当新代码被推到代码库,詹金斯服务器将构建和测试新代码和通知团队的结果和变化。

7、 Vagrant

vagrant是一个伟大的工具为开发环境配置虚拟机。vagrant的上面运行的VM虚拟框和流浪的解决方案。它使用一个配置文件叫做Vagrantfile,其中包含所需的所有配置VM。一旦创建了一个虚拟机,它可以与其他开发人员共享相同的开发环境。vagrant有云配置插件,配置管理工具(chef、puppet等)和docker。

8、Docker

Docker是一个自动化工具之上的Linux容器(LXC)。它工作在流程级别虚拟化的概念。Docker创造了孤立的环境称为应用程序容器。这些容器可以运往其他服务器无需更改应用程序。Docker被认为是虚拟化的下一步。码头工人有一个巨大的开发者社区,它是获得巨大的声望在Devops从业者和云计算的先驱。

9、New Relic

New relic的基于云的解决方案(SaaS)应用程序监视。它支持各种应用程序的监控像Php、Ruby、Java、NodeJS等等。它给你实时的见解关于您的运行应用程序中。new relic的代理应该配置在应用程序中获得实时数据。New relic使用各种指标提供有价值的见解关于应用程序监控。

10、Sensu

Sensu是一个开放源码监视框架用Ruby编写的。Sensu是一个监控工具专门建立云环境。它可以很容易地部署使用工具如chef和puppet。Sensu也有一个企业版的监控。

英文原文链接：http://devopscube.com/devops-tools-for-infrastructure-automation/ 

GITC 大会2015资料下载链接：http://pan.baidu.com/s/1skjVm4t
 
开源技术社区分享
只做技术的分享，欢迎关注微信订阅号：

FACEBOOK创始人扎克伯格喜得千金，并捐赠价值约为450亿美元的股份——这是前天最重磅的消息。

不过，扎克伯格喜得千金有多激动，当初就有多难过，他说：“在过去几年一直尝试着要孩子，但流产了三次。这是一段孤独的经历……就好像你有什么缺陷，或者你做错了什么才会招致这一切。"

昨天，问题来了，按照网络传言：俗称码农的男性程序员因为不良的生活习惯，会导致妻子容易流产，即使是特别有才又有钱的程序员扎克伯格也难以避开这个问题。

男性码农的家庭是发生“流产”悲剧的高发地带吗？码农这个职业为什么会导致妻子流产呢，又该如何避免这样的情况呢？

钱报记者采访了杭州市中医院中妇科副主任赵宏利、杭州市妇产科医院生殖中心主任费小阳和浙江大学医学院附属妇产科医院男科门诊负责人张峰彬，结论是：IT男由于不良的作息习惯影响精子质量，胎儿流产的概率确实较高。而IT男，不仅仅是码农，还有和网站和新媒体的编辑！

男人有问题导致妻子习惯性流产

精子质量不好的人群就有IT男

赵宏利讲了一个病例：程序员小刘的妻子怀孕不到两个月自然流产；半年后，妻子又有了，这一次胎停育自然流产。赵宏利说：“我建议小刘去做一套精子形态学分析检查，发现他正常形态的精子很少，活力也不好。”

“男方的精子状况也直接影响到女方受孕。”赵宏利说，精子和卵子结合成受精卵，就像一枚种子丢进土里，如果土地贫瘠，种子无法发芽。但如果种子有问题，土壤再肥沃，也无济于事。

张峰彬在门诊中也发现，受孕受到阻碍，男女出问题的比例是2:8，虽然女性占多数，但问题也可能出在男人身上：“现在我们注意到，长途客车司机、出租车司机、高温作业者、长期与化学物质、重金属接触的工作者，占到大部分，还有一类人群特别庞大，就是搞IT的，包括程序员和网站编辑。而这些人的通病就是，作息不好导致精子质量下降。”

六个IT男的标签

对精子质量产生影响



那么在IT男的身上，有哪些标签导致了他们的精子问题，以至于妻子频频流产？



这些标签是：久坐、熬夜、抽烟、喝酒、喝咖啡、喝可乐、压力大、缺乏锻炼。



三位专家分别解释这些标签的可怕之处。

第一个标签：久坐

费小阳解释：按照常理男子生殖器官的温度应低于腹腔温度。不过久坐之后，血液循环受影响，局部温度也会增高，精子的数量、形态、活力都会受到影响，容易造成少精、弱精和畸精，这也就容易导致不孕和流产。

第二个标签：熬夜

其实，熬夜会让内分泌激素水平紊乱，使得细胞代谢异常，影响人体细胞正常分裂，导致细胞突变，这包括精子的伤害。

第三个标签：抽烟

很多程序员都认为，“电脑跟香烟最配”。不管是一手烟还是二手烟，尼古丁的摄入就是容易生出畸形婴儿。

第四个标签：垃圾食品

三位专家在采访中都提到，酒精、咖啡、可乐可谓精子的三大杀手。精子从开始发生到成熟需依赖雄激素存在，睾酮必不可少，酒精引起睾丸内睾酮降低，容易造成生精障碍。有研究表明，饮酒引起睾丸萎缩变小者，50%-70%发生不育。而摄入咖啡之后，人容易处于亢奋状态，当交感神经活动频繁时，相对较弱的副交感神经就会受到压抑，临床表现为性欲减退、勃起受抑制，也会影响受孕。至于可乐，也有一定杀精能力。

费小阳补充说，程序员常常不按时吃饭，或者吃些垃圾食品，不利于营养均衡，也会对精子质量造成影响。

第五个标签：压力大

赵宏利解释：在高压下，人的各种机能都会失常，生精也不例外。

第六个标签：缺乏锻炼

缺乏锻炼，人容易发胖。过度肥胖的男人，睾丸埋在两堆肉里面，不利于散热。适宜精子生长发育的温度是35℃，超过这个温度，不利于精子生长发育。加上肥胖的男人体内雌激素高，对雄激素产生抑制，也不利于精子生长发育。

解决办法：见缝插针地运动

胡萝卜一定要生吃
那么，有什么办法拯救IT男的精子呢？

赵宏利说，首先需要改变的是工作方式。工作一段时间，可以去倒杯水，或者去窗口站一会儿，也可以站起来扭扭腰，原地踏步。如果要拿文件，请走过去取，而不是滚动椅子滑过去。同事之间技术交流请拒绝互传邮件，可以把同事喊到位置上交流，或者走到同事面前去沟通问题，尽可能让自己多站一会儿。

到了周末，最好能有超过一小时的锻炼，尽量不要宅在家中。

精子生成需要很多营养物质，比如微量元素锌、硒等，多种维生素，氨基酸等等。在饮食方面，除了不抽烟，不喝酒，少喝咖啡和可乐之外，张峰彬荐多吃蔬菜水果。蔬菜里推荐胡萝卜，胡萝卜记得要生吃。

另外，很重要的一点，如果妻子习惯性流产2次以上，作为丈夫的，就一定要做检查。

分享阅读：http://news.163.com/15/1204/07/B9VNRGUV00014AED.html

今天接到ucloud的安全公告信息，内容如下，分享给大家：

近日爆出针对Redis的新型攻击手法，Redis用户可能因为配置不当，被攻击者恶意利用导致被清空Redis数据或者获取到系统控制权限。

对于自建Redis服务、如使用默认端口、没有启用认证而且对公网开放的服务器均受该漏洞影响。

修复方案

1、监听指定接口

修改redis.conf配置，例如只监听127.0.0.1：



bind 127.0.0.1

redis默认注释了该配置，删掉前面的"#"即可，重启才会生效。

2、启用认证

在requirepass字段后面配置强口令，例如：



requirepass H9j#udw*1FL

redis默认注释了该配置，删掉前面的"#"即可，重启才会生效，同时修改客户端程序，需要使用该口令才可以访问。

3、关闭config命令
如果不需要在运行过程中通过CONFIG命令修改配置，可以关闭该功能，有两种方式：
1）把CONFIG重命名为其它的名字，这样攻击者很难猜测到该名字，方法如下：

rename-command CONFIG b840fc02d524045429941cc15f59e41cb7be6c52

 2）直接关闭CONFIG命令，方法如下：

rename-command CONFIG ""

修改完配置后需要重启才能生效。
 
4、使用普通账户运行redis服务

使用普通用户运行redis，并关闭该账号系统登录权限，可以减少漏洞影响，但是攻击者还是可以通过运行命令删除redis数据。

5、配置访问控制策略

如果redis必须对公网提供服务，可以通过通过防火墙限制指定的IP才可以访问redis服务。

http://openskill.cn   开源技术社区分享阅读
只做技术的分享，欢迎订阅微信公众号：

简介：

Linux is a Unix-ish POSIX-compliant OS family. Most of the distros are GPL or otherwise FOSS. The defining component of Linux is the Linux Kernel, first released on 5 October 1991 by Linus Torvalds.

新版本

开始

受欢迎的网站

著名发行版本

Grok Linux       

Linux Virt

可调参数

Linux日志

Book/ebooks

Kernel Matrix 

内核地图

In Production

Linux论坛

shell指南

Linux安全

Linux桌面

防火墙

linux NAS

最佳实践

http://openskill.cn  开源技术社区分享
只做技术的分享，欢迎关注微信订阅号：

QQ群交流：

分享英文原文链接：https://linux.zeef.com/paul.reiber