Kid1999' Blog

Fabric测试网络搭建 aliyun centos7 学生机一台 前置条件： Go语言安装 Docker、Docker-Compose安装 Git安装 node.js、npm安装（使用node.js开发application可装） Fabric环境搭建： 我当前的空目录地址为：/root/go/src/github.com/kid1999 官方给定的安装流程： 如果需要，请克隆 hyperledger/fabric-samples 仓库 选择合适的版本 将指定版本的 Hyperledger Fabric 平台特定二进制文件和配置文件安装到 fabric-samples 下的 /bin 和 /config 目录中 下载指定版本的 Hyperledger Fabric docker 镜像 直接运行脚本即可，默认拉取最新的版本 12curl -sSL https://bit.ly/2ysbOFE | bash -s -- <fabric_version> <fabric-ca_version>curl -sSL https://bit.ly/2y ...

Fabric基础目录 总体概述 Peer解析 Order解析 MSP与CA 开发指南 部署实践 总体概览 联盟链与公链 ​ Fabric是基于联盟链（参与需要联盟许可）模型设计的，抛去公链的挖矿和无准入门槛。采用外部激励和较小的网络规模提高并发量。 Fabric的模型 Fabric网络模型 ​ Fabric的网络分为channel和联盟，其中一个channel包含几个信息共享的组织，每个组织又有自己的其他小圈子，所以各个圈子错综复杂构成了整个联盟链。 Fabric交易流程 proposal - 建议 用户向各组织的Peer节点发送交易请求 Peer节点根据背书策略运行智能合约。 运行成功后，签名回传给用户。 用户整合签名，打包广播发送给orderer节点 Orderer节点对接收到的所以交易进行全排序 Orderer节点将排序好的区块发送给Peer节点 Peer验证区块交易，通过的区块被提交到账本 最后Peer向用户发送消息，告知交易已提交 应用开发 开发者只需关注application的UI逻辑设计和核心chainCode也就是 ...

一个Solidity智能合约的定义： 运行在区块链上的一个服务，代码可见，大家都可以调用执行其中的方法，完成信息读写，转账等功能。 一个简单的Solidity智能合约的构成： 其语法类似 JS，也是运行在虚拟机上的。 12345678910111213141516171819202122pragma solidity ^0.5.1; // EVM编译器版本contract MyContract{ // 一个合约 类比Java中的一个类 string value; // 定义一个变量，默认保存在区块链上 constructor() public{ // 初始化函数 value = "MyContract"; } // 一个get方法 // public说明这个一个公开可调用的方法 // view说明这个方法只读不可写 // returns说明这个函数的回传值类型 function get() public view returns(string ...

本文的区块链相关知识，主要基于北京大学肖臻老师的《区块链技术与应用》总结。 区块链基础目录比特币部分 密码学基础 比特币的数据结构 共识协议和系统实现 挖矿算法及难度调节 比特币脚本 软分叉和硬分叉 匿名与隐私保护 以太坊部分 概述：基于账户的分布式账本 数据结构（MPT）：状态树、交易树、收据树 GHOST协议：对非主链区块的补偿 挖矿：memory hard mining puzzle 权益证明：由POW向POS转变 智能合约 总结与展望 比特币部分1.密码学基础哈希碰撞： 简述就是给定hash函数 目前不存在一个方法可以找到满足hash(A) == hash(B) 的 A和B ，即我们无法人为制造hash碰撞。该特性叫做 collision resistance collision resistance用处： 给出A，但是由于本性质的缘故，无法反推出A的具体值。 hiding： 即在给定A和hash函数的条件下，也无法反推出A的取值。 collision resistance和hiding结合实现digital commitment(数据保证) 如：预测结果为A，提 ...

Electron基于Vue.js开发 本文一步一步教你如何使用Electron11和vue-cli4，在完全保留vue开发web应用的习惯下，搭建桌面应用。 目录 安装环境 创建项目 编译运行 增加依赖库 1.安装环境 使用cnpm 1npm install -g cnpm --registry=https://registry.npm.taobao.org 安装/升级vue-cli4 12vue -Vcnpm install @vue/cli -g 2. 创建项目 创建vue项目 1vue create electron-vue-demo 安装Electron 1vue add electron-builder 3.编译运行1npm run electron:serve 4.增加依赖12vue add elementvue add axios 注：不建议再使用SimulatedGREG/electron-vue，太久没更新了。 参考： 掘金

Electron 使用 JavaScript，HTML 和 CSS 构建跨平台的桌面应用程序。 目录 安装依赖 基础开发 编译打包 1.安装依赖 下载安装node.js 全局安装electron： npm i -g electron 初始化项目: npm init -y 生成 package.json 创建一个基础的Electron项目如下： 1234my-electron-app/├── package.json // 依赖关系├── main.js // 主进程函数└── index.html // 主页面 具体代码如下： main.js 12345678910111213141516171819202122var electron = require('electron')var app = electron.app // 引用 appvar BrowserWindow = electron.BrowserWindow // 窗口var mainWindow = null // 主窗口// 创建应用app.on(' ...

SpringBoot整合Kafka SpringBoot整合Kafka, 实现消息解耦传输。 1. 环境搭建 win10, zookeeper3.5.5 , kafka2.6.0 , java1.8 zookeeper 资源调度，使用kafka的前提 kafka 消息队列 docker安装详情参见 —> 常用环境Docker运维 2. pom依赖123456789101112<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>org.apache.kafka</groupId> <artifactId>kafka-streams& ...

spark-streaming整合kafka spark-streaming整合kafka 基于java实现消息流批处理。 本次计划用在 搜索商品 —> 发送 (用户ID，商品ID) —> Kafka —> spark-streaming —> 商品推荐算法 —> Kafka —> 更改推荐商品队列 1. 环境搭建 win10, zookeeper3.5.5 , kafka2.6.0 , spark 2.4.7 , java1.8 zookeeper 资源调度，使用kafka的前提 kafka 消息队列 docker安装详情参见 —> 常用环境Docker运维 spark 计算引擎 此次先使用win10本地安装调试，Linux安装参照docker安装或直接解压安装 2. 设置kafka消息发送 参见springBoot整合Kafka，可略过使用kafka-console 发送消息 3. pom依赖123456789101112131415161718192021222324<dependency> ...

前缀和 通常，涉及连续子数组问题的时候，我们使用前缀和来解决。 我们令 P[i] = A[0] + A[1] + … + A[i] 那么每个连续子数组的和 sum(i, j) = P[j] - P[i-1]（其中 0 < i < j）。 例如： 560. 和为K的子数组 123456789101112public int subarraySum(int[] nums, int k) { int res = 0,sum = 0; HashMap<Integer,Integer> map = new HashMap<>(); map.put(0,1); for (int n:nums) { sum += n; // sum1 - k = sum2 if(map.containsKey(sum-k)) res += map.get(sum-k); map.put(sum,map.getOrDefault(sum,0)+1); } ...

前缀树 Trie (发音为 “try”) 或前缀树是一种树数据结构，用于检索字符串数据集中的键。这一高效的数据结构有多种应用 自动补全 拼写检查 IP 路由 (最长前缀匹配) T9 (九宫格) 打字预测 单词游戏 还有其他的数据结构，如平衡树和哈希表，使我们能够在字符串数据集中搜索单词。为什么我们还需要 Trie 树呢？尽管哈希表可以在 O(1) 时间内寻找键值，却无法高效的完成以下操作： 找到具有同一前缀的全部键值。 按词典序枚举字符串的数据集。 Trie 树优于哈希表的另一个理由是，随着哈希表大小增加，会出现大量的冲突，时间复杂度可能增加到 O(n)，其中 n 是插入的键的数量。与哈希表相比，Trie 树在存储多个具有相同前缀的键时可以使用较少的空间。此时 Trie 树只需要 O(m) 的时间复杂度，其中 m 为键长。而在平衡树中查找键值需要 O(mlogn) 时间复杂度。 Trie 树的结点结构Trie 树是一个有根的树，其结点具有以下字段：。 最多 R 个指向子结点的链接，其中每个链接对应字母表数据集中的一个字母。本文中假定 R 为26，小写拉丁字母的数量。 布尔 ...