# Service Mesh Meetup #3 深圳站 ## I stio控制平面组件原理解析 朱经惠 2018.08.25 ## 关于我 • 朱经惠，ETC车宝平台工程师。 - 喜欢开源，个人开源项目”Jaeger PHP Client”。 - 喜欢研究源码，对NSQ，Jaeger，Istio（控制平面）等go语言开源项目进行过研究。 - 除了代码还喜欢爬山和第二天睡醒后全身酸疼的感觉。 ## v1版本和v2版本之间的区别 V1 HTTP1 REST V2 HTTP2 GRPC JSON/YAML 弱类型 Proto3 强类型 轮询 SDS/CDS/RDS/LDS 奠定控制平面基础 Push SDS/CDS/RDS/LDS/HDS/ADS/KDS 和Google强强联手 ## 缓存Istio和k8s配置 ✓一个小型的非持久性key/value数据库 ✓ 借助k8s istio.default ## 证书过期 √root-cert.pem 实际有效期1年，没有找到更新方式，手动更新？ ✓cert-chain.pem 和 key.pem 实际有效期90天，程序控制有效期45天 ✓证书过期会被重新生成并挂载到/etc/certs ✓触发envoy热启动 ![Image](/uploads/documents/b/2/8/c/b28ca9ff0721c6eb

## 机器学习-机器学习实践 黄海广 副教授 2022年02月 ## 本章目录 01 数据集划分 02 评价指标 03 正则化、偏差和方差 ### 1. 数据集划分 ## 01 数据集划分 02 评价指标 03 正则化、偏差和方差 ### 1. 数据集划分 训练集（Training Set）：帮助我们训练模型，简单的说就是通过训练集的数据让我们确定拟合曲线的参数。 验证集（Validation colspan="3">数据集训练集验证集测试集 三者划分：训练集、验证集、测试集 机器学习：60%，20%，20%；70%，10%，20% 深度学习：98%，1%，1%（假设百万条数据） ## 交叉验证  (c) 找到靠近k的n个少类样本 (d) 增加样本 ## 不平衡数据的处理 ## 代价敏感学习 代价敏感学习是指为不同类别的样本提供不同的权重，从而让机器学习模型进行学习的一种方法 比如风控或者入侵检测，这两类任务都具有严重的数据不平衡问题，可以在算法学习的时候，为少类样本设置更高的学习权重，从而让算法更加专注于少类样本的分类情况，提高对少类样本分

1.1. RED HAT OPENSHIFT SERVICE MESH Red Hat OpenShift Service Mesh 是一个提供对服务网格（service mesh）的行为信息和操作控制的平台，它为用户提供了一个连接、管理和监控微服务应用程序的统一方法。 术语 服务网格（service mesh）代表在分布式微服务架构中组成应用程序的微服务网络，以及这些微服务间的交互。当服务网格 提供了一个方便的方法来创建一个部署的服务网络，它可提供发现、负载平衡、服务对服务验证、故障恢复、指标和监控的功能。服务网格还提供更复杂的操作功能，其中包括 A/B 测试、canary 发行版本、速率限制、访问控制以及端到端验证。 #### 1.2. 获取支持 如果您在执行本文档所述的某个流程时遇到问题，请访问红帽客户门户。您可通过该客户门户： ● 搜索或浏览红帽知识库，了解有关红帽产品的技术支持文章。 Kiali 观察控制台只支持 Chrome、Edge、Firefox 或 SDomain 浏览器的最新的两个版本。 ##### 1.3.2. 支持的 Mixer 适配器 ● 此发行版本只支持以下 Mixer 适配器： ☐ 3scale Istio Adapter Red Hat OpenShift Service Mesh 在服务网络间提供了实现关键功能的统一方式： - 流量管理 - 控制服务间的流量和

OpenShift Container Platform 4.2 ## Web 控制台 在OpenShift Container Platform 4.2中使用Web控制台 Powered by TCPDF (www.tcpdf.org) 在OpenShift Container Platform 4.2中使用Web控制台 ## 法律通告 Copyright $ \copyright $ 2020 respective owners. ## 摘要 本文档提供了有关使用和定制 OpenShift Container Platform 4.2 Web 控制台的信息。 ## 目录 第1章 访问WEB控制台 ..... 3 1.1. 了解和访问WEB控制台 ..... 3 第2章 使用OPENSHIFT CONTAINER PLATFORM DASHBOARD 获取集群信息 ..... 4 2 在OPENSHIFT CONTAINER PLATFORM中配置WEB控制台 ..... 5 3.1. 配置WEB控制台 ..... 5 第4章 在OPENSHIFT CONTAINER PLATFORM中定制WEB控制台 ..... 6 4.1. 添加自定义徽标和产品名称 ..... 6 4.2. 在WEB控制台中创建自定义链接 ..... 7 4.3. 自定义登录页面 ..

## 机器学习-机器学习项目流程 黄海广 副教授 2021年06月 ## 本章目录 01 机器学习项目流程概述 02 数据清洗 03 特征工程 04 数据建模 ### 1. 机器学习项目流程概述 ## 01 机器学习项目流程概述 02 数据清洗 03 特征工程 04 数据建模 ## 机器学习的一般步骤 历史数据 经验  训练 归纳 模型 预测 未知属性 新的问题 规律 ## 机器学习的一般步骤 数据搜集  数据清洗 ![Ima ed261571005440e/p5_10.jpg) ## 机器学习的一般步骤 ## 数据搜集 • 网络下载 • 网络爬虫 • 数据库读取 • 开放数据 ## 数据清洗 • 数据清理和格式化 • 探索性数据分析(EDA) ## 特征工程 • 特征工程 • 特征选择 ## 数据建模 - 基于性能指标比较几种机器学习模型 • 对最佳模型执行超参数调整 • 在测试集上评估最佳模型

## 机器学习-第二章 回归 黄海广 副教授 2022年09月 ## 本章目录 01 线性回归 02 梯度下降 03 正则化 04 回归的评价指标 ### 1. 线性回归 01 线性回归 02 梯度下降 03 正则化 04 回归的评价指标 ## 回归的概念 ## 监督学习分为回归和分类 ✓ 回归（Regression、Prediction） ✓ 如何预测上海浦东的房价？ \cdots+w_{n}x_{n}\end{array} $$  机器学习算法 可以设 $ x_{0}=1 $ 则： $ h(x)=w_{0}x_{0}+w_{1}x_{1}+w_{2}x_{2}+\ldots+w_{n}x_{n}=w^{T}X $ 注意：若表达式 990e7845b4e774c84fea91a89b00e1cf/p25_1.jpg) 通过这张图可以看出，各种不同算法在输入的数据量达到一定级数后，都有相近的高准确度。于是诞生了机器学习界的名言： 成功的机器学习应用不是拥有最好的算法，而是拥有最多的数据！ ## 欠拟合的处理 ### 1. 添加新特征 当特征不足或者现有特征与样本标签的相关性不强时，模型容易出现欠拟合。通过挖掘组合特征等新的特征，往往能够取得更好的效果。

## 机器学习-引言 黄海广 副教授 2022年02月 ## 目录 01 机器学习概述 02 机器学习的类型 03 机器学习的背景知识 04 机器学习的开发流程 ### 1. 机器学习概述 01 机器学习概述 02 机器学习的类型 03 机器学习的背景知识 04 机器学习的开发流程 ## 机器学习与人工智能、深度学习的关系 人工智能：机器展现的人类智能 机器学习：计算 机器学习：计算机利用已有的数据(经验)，得出了某种模型，并利用此模型预测未来的一种方法。 深度学习：实现机器学习的一种技术  ## 机器学习界的执牛耳者  Andrew Ng 中文名吴恩达，斯坦福大学副教授，前“百度大脑”的负责人与百度首席科学家。 ## 机器学习界的国内泰斗  李航, 现任字节跳动科技有限公司人工智能实验室总监

 ## 机器学习-第十一章 关联规则 黄海广 副教授 2021年06月 ## 本章目录 01 关联规则概述 02 Apriori 算法 03 FP-Growth 算法 ### 1. 关联规则概述 ## 01 关联规则概述 02 225cb06e940b3cc/p4_1.jpg) ### 1. 关联规则概述 有没有发生过这样的事：你出去买东西，结果却买了比你计划的多得多的东西？这是一种被称为冲动购买的现象，大型零售商利用机器学习和Apriori算法，让我们倾向于购买更多的商品。 ![Image](/uploads/documents/7/3/4/c/734cf94e76e83784b225cb06e940b3cc/p5_1 I3:4},{I2,I1,I3:2}| |I1|{{I2:4}}|<I2:4>|{I2,I1:4}| ## 参考文献 1. 《统计学习方法》，清华大学出版社，李航著，2019年出版 2. 《机器学习》，清华大学出版社，周志华著，2016年出版 3. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag

## 机器学习-降维 黄海广 副教授 2022年02月 ## 本章目录 01 降维概述 02 SVD(奇异值分解) 03 PCA(主成分分析) ### 1. 降维概述 ## 01 降维概述 02 SVD(奇异值分解) 03 PCA(主成分分析) ### 1. 降维概述 维数灾难(Curse of Dimensionality)：通常是指在涉及到向量的计算的问题中，随着维数的增加，计算量呈指数倍增长的一种现象。 加，计算量呈指数倍增长的一种现象。 在很多机器学习问题中，训练集中的每条数据经常伴随着上千、甚至上万个特征。要处理这所有的特征的话，不仅会让训练非常缓慢，还会极大增加搜寻良好解决方案的困难。这个问题就是我们常说的维数灾难。  ![Ima 7/p4_3.jpg) ### 1. 降维概述 ## 维数灾难 维数灾难涉及数字分析、抽样、组合、机器学习、数据挖掘和数据库等诸多领域。在机器学习的建模过程中，通常指的是随着特征数量的增多，计算量会变得很大，如特征达到上亿维的话，在进行计算的时候是算不出来的。有的时候，维度太大也会导致机器学习性能的下降，并不是特征维度越大越好，模型的性能会随着特征的增加先上升后下降。 ### 1. 降维概述

## 机器学习-聚类 黄海广 副教授 2023年04月 ## 本章目录 01 无监督学习概述 02 K-means聚类 03 密度聚类和层次聚类 04 聚类的评价指标 ### 1. 无监督学习概述 01 无监督学习概述 02 K-means聚类 03 密度聚类和层次聚类 04 聚类的评价指标 ### 1. 无监督学习方法概述 ## 监督学习和无监督学习的区别 ## University, 2014. https://www.coursera.org/course/ml [4] 李航. 统计学习方法[M]. 北京: 清华大学出版社, 2019. [5] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016. [6] Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning[M]