1.Vue3核心源码解析 (一) ： 源码目录结构
2.ES核心源码(二):创建索引和主节点
3.linux内核通信核心技术：Netlink源码分析和实例分析
4.RocketMQ—NameServer总结及核心源码剖析
5.Python语言学习（三）：Tensorflow_gpu搭建及convlstm核心源码解读
Vue3核心源码解析 (一) ： 源码目录结构
通过软件框架源码阅读，深入理解框架运行机制，源码源码API设计、核心核心原理及流程成为开发者进阶的源码源码关键。Vue 3源码相较于Vue 2版本的核心核心改进明显，采用Monorepo目录结构，源码源码阿里云面试源码引入TypeScript作为开发语言，核心核心新增特性和优化显著。源码源码
启动Vue3源码，核心核心最新版本为V3.3.0-alpha.5。源码源码下载后进入core文件夹，核心核心使用Yarn进行构建。源码源码安装依赖后，核心核心执行npm run dev启动调试模式，源码源码可直观查看完整的核心核心源代码目录结构。
核心模块包括compiler-core、compiler-dom、runtime-core、runtime-dom。compiler模块在编译阶段负责将.vue文件转译成浏览器可识别的.js文件，runtime模块则负责程序运行时的处理。reactivity目录内是响应式机制的源码，遵循Monorepo规范，每个子模块独立编译打包，通过require引入。
构建Vue 3版本可使用命令，kdj共振源码构建结果保存在core\packages\vue\dist目录下。选择性构建可通过命令实现，具体参数配置在core/rollup.config.js中查看。对于客户端编译模板，需构建完整版本，而使用Webpack的vue-loader时，.vue文件中的模板在构建时预编译，无需额外编译器。浏览器直接打开页面时采用完整版本，构建工具如Webpack引入运行时版本。Vue的构建脚本源码位于core/scripts下。
ES核心源码(二):创建索引和主节点
在ElasticSearch系统中，写请求的流程引发了一个关键问题：主节点(master node)在数据写入过程中是否扮演了关键角色？让我们深入源码探讨这个话题，解答疑问。
首先，ElasticSearch的核心在于如何高效地管理和存储数据。其主节点的职责之一是在索引创建和管理过程中提供协调服务。当用户发起创建索引的请求时，流程从接收HTTP请求开始，具体在`org.elasticsearch.ty4.Netty4HttpRequestHandler`中进行。随后，请求经过`RestController`处理，这个组件负责将请求检验和分发至相应的服务。
在分发请求过程中，关键在于请求对象的deeptextures源码解析结构——它分为Action和Request。Action描述了请求的类型，如新建、删除等操作。在新建索引的请求中，系统通过URI匹配发现需要使用`TransportCreateIndexAction`来处理。这个Action继承自`TransportMasterNodeAction`，意味着其设计目标就是与主节点进行交互。
`TransportMasterNodeAction`的执行逻辑在于，它通过`transportService.sendRequest`方法向主节点发起请求。如果当前节点是主节点，该操作会直接在内部执行；若非主节点，则通过网络请求主节点完成。
关于主节点如何通知其他节点这一问题，答案在于请求的分发机制。当请求到达主节点后，如果当前节点是主节点，它会通过一系列内部操作生成新的集群状态信息，并通过`org.elasticsearch.action.admin.indices.create.TransportCreateIndexAction#masterOperation`执行索引创建的逻辑。这个过程中，关键步骤是通过`clusterService.submitStateUpdateTask`将索引创建任务包装为集群状态更新任务，然后通过`MasterService#runTasks`方法向集群中的其他节点分发集群状态信息。
集群状态的分发通过`ZenDiscovery`服务完成，具体实现为`publish`方法。这个流程确保了主节点在集群中的协调作用，使得创建索引的信鸽推送源码操作能够有效地在集群范围内进行。
关于主节点如何验证索引创建的合法性，答案是通过自创建索引并随后删除的方式完成。这样，主节点确保了新索引符合集群的规则和需求。
总结起来，创建索引的请求首先通过Bulk请求的形式执行，先发起对主节点的请求。主节点验证索引创建请求后，内部生成新的集群状态信息，执行索引创建任务。主分片所在的节点根据集群状态信息创建对应的索引，从而完成了索引的创建过程。整个流程中，主节点扮演了协调和验证的关键角色，确保了索引创建的正确性和集群的一致性。
linux内核通信核心技术：Netlink源码分析和实例分析
Linux内核通信核心技术：Netlink源码分析和实例分析
什么是netlink？Linux内核中一个用于解决内核态和用户态交互问题的机制。相比其他方法，netlink提供了更安全高效的交互方式。它广泛应用于多种场景，例如路由、用户态socket协议、防火墙、netfilter子系统等。
Netlink内核代码走读：内核代码位于net/netlink/目录下，包括头文件和实现文件。乔峰2014源码头文件在include目录，提供了辅助函数、宏定义和数据结构，对理解消息结构非常有帮助。关键文件如af_netlink.c，其中netlink_proto_init函数注册了netlink协议族，使内核支持netlink。
在客户端创建netlink socket时，使用PF_NETLINK表示协议族，SOCK_RAW表示原始协议包，NETLINK_USER表示自定义协议字段。sock_register函数注册协议到内核中，以便在创建socket时使用。
Netlink用户态和内核交互过程：主要通过socket通信实现，包括server端和client端。netlink操作基于sockaddr_nl协议套接字，nl_family制定协议族，nl_pid表示进程pid，nl_groups用于多播。消息体由nlmsghdr和msghdr组成，用于发送和接收消息。内核创建socket并监听，用户态创建连接并收发信息。
Netlink关键数据结构和函数：sockaddr_nl用于表示地址，nlmsghdr作为消息头部，msghdr用于用户态发送消息。内核函数如netlink_kernel_create用于创建内核socket，netlink_unicast和netlink_broadcast用于单播和多播。
Netlink用户态建立连接和收发信息：提供测试例子代码，代码在github仓库中，可自行测试。核心代码包括接收函数打印接收到的消息。
总结：Netlink是一个强大的内核和用户空间交互方式，适用于主动交互场景，如内核数据审计、安全触发等。早期iptables使用netlink下发配置指令，但在iptables后期代码中，使用了iptc库，核心思路是使用setsockops和copy_from_user。对于配置下发场景，netlink非常实用。
链接：内核通信之Netlink源码分析和实例分析
RocketMQ—NameServer总结及核心源码剖析
一、NameServer介绍
NameServer 是为 RocketMQ 设计的轻量级名称服务，具备简单、集群横向扩展、无状态特性和节点间不通信的特点。RocketMQ集群架构主要包含四个部分：Broker、Producer、Consumer 和 NameServer，这些组件之间相互通信。
二、为什么要使用NameServer？
当前有多种服务发现组件，如etcd、consul、zookeeper、nacos等。然而，RocketMQ选择自研NameServer而非使用开源组件，原因在于特定需求和性能优化。
三、NameServer内部解密
NameServer主要功能在于管理路由数据，由Broker提供，并在内部进行处理。路由数据被Producer和Consumer使用。NameServer核心逻辑基于RouteInfoManager类，用于维护路由信息管理，提供注册/查询等核心功能。NameServer使用HashMap和ReentrantReadWriteLock读写锁来管理路由数据。
四、结论
作为RocketMQ的“大脑”，NameServer保存集群MQ路由信息，包括主题、Broker信息及监控Broker运行状态，为客户端提供路由能力。NameServer的核心代码围绕多个HashMap操作，包括Broker注册、客户端查询等。
Python语言学习（三）：Tensorflow_gpu搭建及convlstm核心源码解读
在探索深度学习领域，使用Python语言进行编程无疑是一条高效且灵活的途径。尤其在科研工作或项目实施中，Python以其丰富的库资源和简单易用的特性，成为了许多专业人士的首选。本文旨在分享在Windows系统下使用Anaconda搭建TensorFlow_gpu环境及解读ConvLSTM核心源码的过程。在提供具体步骤的同时，也期待读者的反馈，以持续改进内容。
为了在Windows系统下搭建适合研究或项目的TensorFlow_gpu环境，首先需要确认TensorFlow_gpu版本及其对应的cuDNN和CUDA版本。访问相关网站，以获取适合自身硬件配置的版本信息。以TensorFlow_gpu2.为例，进行环境搭建。
在Anaconda环境下，通过命令行操作来创建并激活特定环境，如`tensorflow-gpu`环境，选择Python3.版本。接着，安装cuDNN8.1和CUDA.2。推荐使用特定命令确保安装过程顺利，亲测有效。随后，使用清华镜像源安装TensorFlow_gpu=2..0。激活虚拟环境后，使用Python环境验证安装成功，通常通过特定命令检查GPU版本是否正确。
为了在Jupyter Notebook中利用该环境，需要安装ipykernel，并将环境写入notebook的kernel中。激活虚拟环境并打开Jupyter Notebook，通过命令确保内核安装成功。
对于ConvLSTM核心源码的解读，重点在于理解模型的构建与参数设置。模型核心代码通常包括输入数据维度、模型结构、超参数配置等。以官方样例为例，构建模型时需关注样本整理、标签设置、卷积核数量等关键参数。例如，输入数据维度为（None，，，1），输出数据维度为（None，None，，，）。通过返回序列设置，可以控制模型输出的形态，是返回单个时间步的输出还是整个输出序列。
在模型改造中，将彩色图像预测作为目标，需要调整模型的最后层参数，如将`return_sequence`参数更改为`False`，同时将`Conv3D`层修改为`Conv2D`层以适应预测彩色图像的需求。此外，选择合适的损失函数（如MAE）、优化器（如Adam）以及设置Metrics（如MAE）以便在训练过程中监控模型性能。
通过上述步骤，不仅能够搭建出适合特定研究或项目需求的TensorFlow_gpu环境，还能够深入理解并灵活应用ConvLSTM模型。希望本文内容能够为读者提供有价值的指导，并期待在后续过程中持续改进和完善。
