1 前言 在筆者最開始維護的日誌服務中，日質量較小，沒有接入kafka。隨著業務規模擴增，日質量不斷增長，接入到日誌服務的產品線不斷增多，遇到流量高峰，寫入到es的效能就會降低，cpu打滿，隨時都有叢集宕機

通常在根據LDAP進行身份驗證時一般進行以下三步： 利用一個LDAP使用者的使用者名稱和密碼繫結到LDAP伺服器。 在LDAP中檢索一個使用者的條目，然後將提供的密碼和檢索到的LDAP記錄

HyperText Transfer Protocol超文字傳輸協議 The Hypertext Transfer Protocol(HTTP) is a stateless(無狀態) app

在 Kafka 中，生產者寫入訊息、消費者讀取訊息的操作都是與 leader 副本進行互動的，從 而實現的是一種主寫主讀的生產消費模型。資料庫、Redis 等都具備主寫主讀的功能，與此同時還支援主寫從讀的功能，

原理 注：這裡有個很有趣的就是 Referrer 和 Referer 的故事了感興趣的自行去了解以下 我們先來了解了解防盜鏈的原理，在http 協議中，如果從一個頁面跳到另一個頁面，header欄位裡

背景 基於之前基於Log4Net本地日誌服務簡單實現 實現本地日誌服務，但是隨著專案開發演進，本地日誌服務滿足不了需求，譬如在預釋出環境或者生產環境，不可能讓開發人員登入檢視本地日誌

這次的後臺管理系統專案選型用了 Vue 來作為主技術棧； 因為前端時間用過 React 來寫過專案(用了 antd )，感覺很棒棒。 這次就排除了 Element UI ,而採用了 Ant D

我們知道，shiro是通過SessionManager來管理Session的，而對於Session的操作則是通過SessionDao來實現的，預設的情況下，shiro實現了兩種SessionDao，分別為C

前面的文章我們介紹了 StreamGraph 的生成，這個實際上只對應 Flink 作業在邏輯上的執行計劃圖。Flink 會進一步對 StreamGraph 進行轉換，得到另一個執行計劃圖，即 JobGraph

我們前面已經分析過StreamGraph ,JobGraph 的生成過程，這兩個執行圖都是在 client 端生成的。接下來我們將把目光頭投向 Flink Job 執行時排程層核心的執行圖 -

首先來看一下 FlinkKafkaConsumerBase.run方法，相當於是Flink 從kafka中拉取資料的入口方法: //入口方法 start a source public vo

Apache HTTP 伺服器於4月1日釋出了 最新的穩定版本 2.4.39 ，主要是修復安全問題。因為在釋出更新不久後，就有安全研究人員 Charles Fol 在其部落格 釋出 了關於 Apache 伺服

前言 最近做了一些php無引數函式執行的題目，這裡做一個總結，以便以後bypass各種正則過濾。 大致思路如下： 1.利用超全域性變數進行bypass，進行RCE 2.進行任意檔案讀取 什麼

在企業生產管理過程中，裝置執行狀態實時分析至關重要，直接與企業生產效率和經濟效益掛鉤。本文提出一種基於Kafka、Storm、Redis架構實現裝置執行狀態實時分析系統設計。Kafka+Storm+Redis是

Flink對Offset的管理，有兩種方式： 1.Checkpointing disabled 完全依賴於kafka自身的API 2.Checkpointing enabled