GTK1 的程序是不支持Fontconfig的。所以有點麻煩。拿到一個字體，你首先要讓X找到它對吧？這一步就是在 /etc/X11/XF86config的Section "files"段里面的Fontpath屬性里說明的詳細后面會講。好了，X現在知道字體在哪里了。那gtk1的程序還不能直接使用它們，因為我們還沒有給它們"注冊",這就需要在前面設定的Fontpath里生成兩個文件fonts.dir fonts.scale這兩個文件里有Fontpath下所有字體的列表信息，就是一個"索引"。有了這個"索引"，gtk1的程序就可以找到相應的字體了。生成這兩個文件的工具有mkfontdir,mkfontscale,ttmkfdir等等。好了，上面兩步如果正確完成了，你的gtk1程序現在就可以正常顯示漢字了。

對于使用zabbix的用戶，要接入百度告警非常簡單，只需要按以下四步驟進行配置，就可以使用短信、電話、微信來接收zabbix告警信息。接入步驟1)在百度告警中配置服務和升級策略。2)配置zabbix，新增使用百度告警發送告警信息。3)選擇監控trigger，配置其action為使用百度告警發送信息。4)觸發trigger，電話、短信、微信接收告警！1、在百度告警中配置服務和升級策略1)配置升級策略，使用電話、短信和微信接收告警2)配置服務，作為告警接收的入口。

Java基礎Java對象序列化對象序列化是為了能夠讓對象像其他變量數據一樣能夠長久的保存下來，其實質是把對象在內存中的數據按照一定的規則，變成一系列的字節數據，然后寫入到流中。沒有實現java.io.Seralizabled接口的類不能實例化。Java內存管理機制Java內存組成部分棧：用于存儲局部變量表、操作棧、動態鏈接、方法出口等信息。每一個方法被調用直至執行完成的過程，就對應著一個棧幀在虛擬機棧中從入棧到出棧的過程。局部變量的值，包括：1.用來保存基本數據類型的值；

數據太多了，需要能存儲、快速分析Pb級數據集的系統單機的存儲、IO、內存、CPU有限，需要可擴展的集群使用門檻低，數據分析是個龐雜的問題，MPI太復雜單點故障問題–機器多了單點故障成為正常的異常–節點有增有減Hadoop就是一個滿足易用性、可靠性、可擴展性的存儲計算平臺，還是開源的！Hive：數據倉庫，facebook貢獻PIG：并行計算的一種高級語言，yahoo貢獻Nutch：網頁搜索軟件，不只是爬蟲Avro：數據序列化系統Chukwa：用于管理大規模分布式集群的數據收集系統ZooKeeper：用于分布式應用的高性能協同服務Hbase：類似于BigTable的，key-value數據庫系統Mahout：分布式機器學習和數據挖掘的LibHama：基于BSP的超大規模科學計算框架

--向磊Page?*Hadoop集群監控Cacti默認Cacti模板太少增加模板我們的模板磁盤IO內存詳情單個內核使用CPU總和及IOWaitJMX支持監控HadoopPage?*Hadoop集群監控Cacti優點監控每臺服務器的詳細數據SNMP采集數據可以自己定義相比zabbix：無需客戶端安裝配置簡單spine采集速度快模板眾多支持IPMI缺點SNMPD為UDP協議，不夠穩定無法獲知集群整體運行狀況Page?*Hadoop集群匯總監控GangliaPage?*Hadoop集群匯總監控Ganglia優點集群總體狀況和負載匯總采用多播地址降低帶寬占用TCP采集數據穩定hadoop原生支持ganglia數據采集缺點配置稍復雜，需安裝客戶端單臺數據不如cacti詳細Page?*Hive高可用集群Hive存在的問題單一節點Hive ThriftServer故障導致任務失敗高可用方案多個HiveThriftServer節點HAProxy+HiveHAProxy在實際應用中出現過的問題和優化Hive日志問題輪詢方式優化仍存在不穩定因素，其他方式解決HAProxy+Hive網絡拓撲

Hive 是建立在 Hadoop 上的數據倉庫基礎構架。它提供了一系列的工具，可以用來進行數據提取轉化加載（ETL），這是一種可以存儲、查詢和分析存儲在 Hadoop 中的大規模數據的機制。Hive 定義了簡單的類 SQL 查詢語言，稱為 QL，它允許熟悉 SQL 的用戶查詢數據。同時，這個語言也允許熟悉 MapReduce 開發者的開發自定義的 mapper 和 reducer 來處理內建的 mapper 和 reducer 無法完成的復雜的分析工作。

Content數據分析前，我們需要思考>《孫子兵法·謀攻篇》：故上兵伐謀，其次伐交，其次伐兵，其下攻城;攻城之法為不得已。像一場戰役的總指揮影響著整個戰役的勝敗一樣，數據分析師的思想對于整體分析思路，甚至分析結果都有著關鍵性的作用。>問題分析結果呈現分析思路與方法數據選取數據分析前，我們怎么去思考？每一個步驟可能面臨的問題以及需要準備的東西????分析問題和解決問題的思路>兩個重點步驟精確的陳述問題Where----哪里存在問題？What------存在的問題是什么？Why-------原因在哪里？When-----什么時候開始出現這樣的問題？Who------與什么對象有關？Howmany-----發生的次數和數量？Howmuch------損失有多大？

Visual C++ MFC簡明教程原著：MarshallBrain編譯：張圣華第一部分：MFC導論Visual C++不僅僅是一個編譯器。它是一個全面的應用程序開發環境，使用它你充分利用具有面向對象特性的C++來開發出專業級的Windows應用程序。為了能充分利用這些特性，你必須理解C++程序設計語言。掌握了C++，你就必須掌握Microsoft基本類庫(MFC)的層次結構。該層次結構包容了WindowsAPI中的用戶界面部分，并使你能夠很容易地以面向對象的方式建立Windows應用程序。這種層次結構適用于所有版本的Windows并彼此兼容。你用MFC所建立的代碼是完全可移植的。該教程將向你介紹MFC的基本概念和術語以及事件驅動程序設計方法。在本節中，你將會輸入、編譯和運行一個簡單的MFC程序。下一節中將向你詳細解釋這些代碼。

內容簡介與以往算法的比較變色龍算法聚類步驟稀疏圖相對互連性相對近似性聚類對比試驗總結與以往算法的比較以往算法的不足只處理符合某靜態模型的簇忽略了不同簇間的信息忽略互連性互連性：簇間距離較近數據對的多少。忽略近似性近似性：簇間數據對的相似度(最近距離)。變色龍算法同時考慮了互連性和近似性變色龍算法的聚類步驟步驟稀疏圖節點表示數據項邊表示數據項的相似度圖的表示基于k-最近鄰居圖的方法節點表示數據項邊表示邊的一個節點v在另一個節點u的k個最相似點中。好處：距離很遠的數據項完全不相連邊的權重代表了潛在的空間密度信息在密集和稀疏區域的數據項都同樣能建模表示的稀疏便于使用有效的算法相對互連性(RI)相對互連性函數：EC(Ci,Cj):連接簇Ci和Cj的所有邊的權重和。

聚類分析?聚類分析中的數據類型主要聚類分析方法分類劃分方法（PartitioningMethods）分層方法基于密度的方法基于表格的方法基于模型（Model-Based）的聚類方法異常分析總結DataMining:Conceptsand Techniques什么是聚類分析?簇（Cluster）:一個數據對象的集合在同一個類中，對象之間0具有相似性；不同類的對象之間是相異的。聚類分析把一個給定的數據對象集合分成不同的簇；聚類是一種無監督分類法:沒有預先指定的類別；典型的應用作為一個獨立的分析工具，用于了解數據的分布；作為其它算法的一個數據預處理步驟；聚類的常規應用模式識別空間數據分析在GIS中，通過聚類發現特征空間來建立主題索引；

什么是聚類聚類(clustering)是一個將數據集劃分為若干組(class)或類(cluster)的過程，并使得同一個組內的數據對象具有較高的相似度；而不同組中的數據對象是不相似的。什么是聚類過程將一組(set)物理的或抽象的對象，根據它們之間的相似程度，分為若干組(group)；其中相似的對象構成一組，這一過程就稱為聚類過程(clustering)什么是聚類分析一個聚類(cluster)就是由彼此相似的一組對象所構成的集合；不同聚類中對象是不相似的。就是從給定的數據集中搜索數據項(items)之間所存在的有價值聯系。在許多應用，一個聚類中所有對象常常被當作一個對象來進行處理或分析等操作許多領域，包括數據挖掘、統計學和機器學習都有聚類研究和應用!

簡易聚類分析～能力分組一、研究動機：我們由綠豆成長的實驗中，控制一個變因－有無光照（照光、暗室）﹔由實驗結果可以看出－在光照環境下的綠豆莖長明顯短于暗室中成長的綠豆。若依此結果，量出每一顆綠豆的莖長畫于數線上（如下〔圖一〕所示，S1,S2,S3為照光組、D1,D2,D3為暗室組）。很清楚的，如果我們要依據莖的長度將這六顆綠豆分成兩組，那顯然是S1,S2,S3一組，D1,D2,D3一組。這樣直觀的分組結果與實驗的結果不謀而合（即照光組與暗室組）。然而，這種直觀的分組方法其實就是利用"距離近的在一組"的觀點來處里的。我們就以此為出發點，試著利用距離來處理分組問題。 ?〔　圖一〕二、研究目的：比較聚類分組與傳統能力分組的差別。若假設數學及生物為國一的理科科目，我們想利用這兩科成績來對班上的同學做一理科??能力分組。

摘要：樸素貝葉斯分類器是機器學習中一種簡單而又有效的分類方法。但是由于它的屬性條件獨立性假設在實際應用中經常不成立，這影響了它的分類性能。本文基于信息幾何和Fisher分，提出了一種新的創建屬性集的方法。把原有屬性經過Fisher分映射成新的屬性集，并在新屬性集上構建貝葉斯分類器。我們在理論上探討了新屬性間的條件依賴關系，證明了在一定條件下新屬性間是條件獨立的。試驗結果表明，該方法較好地提高了樸素貝葉斯分類器的性能。關鍵詞：樸素貝葉斯分類器；信息幾何；Fisher分；條件獨立1.引言樸素貝葉斯分類器（Na?veBayesianClassifier）是一種基于Bayes理論的簡單分類方法，它在很多領域都表現出優秀的性能[1][2]。

摘要：數據挖掘是信息產業界近年來非常熱門的研究方向，聚類分析是數據挖掘中的核心技術。本文對數據挖掘領域的聚類分析方法及代表算法進行分析，并從多個方面對這些算法性能進行比較，同時還對聚類分析在數據挖掘中的幾個應用進行了闡述。關鍵詞：數據挖掘；聚類分析；聚類算法

主題MVC設計思想MVC即Model-View-Controller，把一個應用的輸入、處理、輸出流程按照Model、View、Controller的方式進行分離，這樣一個應用被分成三個層——模型層、視圖層、控制層。MVC設計思想MVC是一種復合模式，結合了觀察者模式、策略模式、組合模式、適配器模式。模型使用觀察者模式，以便觀察者更新，同時保持兩者之間的解耦。控制器是視圖的策略，視圖使用組合模式實現用戶界面。適配器模式用來將模型適配成符合現有視圖和控制器的需要的模型。這些模式合作把MVC模式的三層解耦。MVC設計思想視圖(View)代表用戶交互界面，對于Web應用來說，可以是HTML，也可能是jsp、XML和Applet等。一個應用可能有很多不同的視圖，MVC設計模式對于視圖的處理僅限于視圖上數據的采集和處理，以及用戶的請求，而不包括在視圖上的業務流程的處理。業務流程的處理交予模型(Model)處理。比如一個訂單的視圖只接受來自模型的數據并顯示給用戶，以及將用戶界面的輸入數據和請求傳遞給控制和模型。MVC設計思想模型(Model)：是業務的處理以及業務規則的制定。模型接受視圖請求的數據，并返回最終的處理結果。

Drools Guvnor 是一個集中資源庫Drools的知識庫,基于Web豐富的圖形用戶設計,編輯,以及通過這個工具管理大量的規則。 Guvnor是一個通過Web界面可以管理,更改規則的工具,也可以提供Repository的服務.(似乎各種開源軟件里都會提供這樣的Web管理界面,Heritrix,Nutch,AllGeography等等等等).支持Dsl和QA.

第1章基礎知識1.1機器語言1.9數據總線1.2匯編語言的產生1.10控制總線1.3匯編語言的組成1.11內存地址空間（概述）1.4存儲器1.12主板1.5指令和數據1.13接口卡1.6存儲單元1.14各類存儲器芯片1.7CPU對存儲器的讀寫1.15內存地址空間1.8地址總線引言匯編語言是直接在硬件之上工作的編程語言，首先要了解硬件系統的結構，才能有效的應用匯編語言對其編程。在本章中，對硬件系統結構的問題進行一部分的探討，以使后續的課程可在一個好的基礎上進行。引言當課程進行到需要補充新的基礎知識（關于編程結構或其他的）時候，再對相關的基礎知識進行介紹和探討。本書的原則是，以后用到的知識，以后再說。引言匯編課程的研究重點放在如何利用硬件系統的編程結構和指令集有效靈活的控制系統進行工作。

配置struts2引入相關的jar包2.在web.xml中配置struts2的和核心過濾器3.配置struts.xml配置spring引入相關的jar包配置文件在web.xml中配置spring的核心監聽器applicationContext.xml配置hibernate1.引入相關的jar包2.配置文件1）沒有hibernate的核心配置文件2）映射文件C3P0連接池的配置引入外部屬性文件Jdbc.properties在applicationContext.xml配置連接池信息Hibernate的相關信息事務管理

scala介紹Scala完全面向對象相對于Java而言，Scala的代碼更為精簡（減低犯錯），而且功能更為廣泛（Scala其實是ScalableLanguage的簡稱，意為可擴展的語言），許多Scala的特性和語法都是針對Java的不足和弱點來設計的。Scala的特點是有很多函數程式語言的特性（例如ML，Miranda,Scheme，Haskell），譬如惰性求值，listcomprehension,typeinference,anonymousfunction,patternmatching等等，同時也包含Object-Oriented的特性（OO能與FP混合使用是Scala的亮點）。此外，許多相似于高級編程語言的語法也滲入其中（例如Python），不僅提高了Scala代碼的可讀性，維護、修改起來也較為省時省力。Scala與Java語法上的明顯差異有：不需要分號結尾類型定義開頭需大寫（與Haskell相同）函數定義需?def?開頭（與Python、Ruby相同）return?可以省略scala安裝解壓設置PATH即可,前提是需要先安裝JDK,不在過多描述。

聚類分析又稱群分析，它是研究（樣品或指標）分類問題的一種多元統計方法，所謂類，通俗地說，就是指相似元素的集合。嚴格的數學定義是較麻煩的，在不同問題中類的定義是不同的。詳見參考文獻[1]。<br> 聚類分析起源于分類學，在考古的分類學中，人們主要依靠經驗和專業知識來實現分類。隨著生產技術和科學的發展，人類的認識不斷加深，分類越來越細，要求也越來越高，有時光憑經驗和專業知識是不能進行確切分類的，往往需要定性和定量分析結合起來去分類，于是數學工具逐漸被引進分類學中，形成了數值分類學。后來隨著多元分析的引進，聚類分析又逐漸從數值分類學中分離出來而形成一個相對獨立的分支。