分类目录归档:未分类

macOSX安装第三方应用提示unidentified developer。

因为woterm是没有进行应用签名,故从互联网下载此应用时,会被系统标记为非信任应用的属性,此时需要手动执行以解除此属性。

打开终端,进入系统的下载目录,如Download下,找到woterm的安装文件如woterm-macosx-xxxx.dmg。执行如下指令:xattr -d  com.apple.quarantine woterm-macosx-xxxx.dmg

多次执行该命令后,会提示如下,则代表解除成功。

xattr: woterm-macosx-x86_64-xxx.dmg: No such xattr: com.apple.quarantine

开启或禁止本机发送UDP包

禁用本机UDP发送:iptables -A OUTPUT -p udp -j DROP
检查刚才添加的规执序号:iptables -nL OUTPUT –line-number

删除刚才添加的规执:iptables -D OUTPUT 2
确认刚才删除的规执是否删除:iptables -nL OUTPUT –line-number

iptables -F #清空所有规则:

iptables -I INPUT -p UDP -j ACCEPT

接受某个UDP端口:iptables -I INPUT -p UDP –dport 11111 -j ACCEPT

开启1111端口:
iptables -I INPUT -p UDP –dport 11111 -j ACCEPT
service iptables save

vi /etc/sysconfig/iptables
#插入下面这一行
-A INPUT -p udp -m udp –dport 11111 -j ACCEPT
#vi保存退出
wq
#重启
iptables service iptables restart

无损压缩算法

https://dzone.com/articles/crunch-time-10-best-compression-algorithms

1. LZ77

2. LZR

3. LZSS

4. DEFLATE

5. LZMA

6. LZMA2

4种基于深度学习的图像/视频压缩算法

除了上面介绍的静态压缩算法,还有基于深度学习的压缩算法可供选择。

4种基于深度学习的图像/视频压缩算法

除了上面介绍的静态压缩算法,还有基于深度学习的压缩算法可供选择。

1. 基于多层感知机的压缩算法

多层感知机(Multi-Layer Perceptron,MLP)技术使用多层神经元来获取、处理以及输出数据。它能够被应用到数据降维任务和数据压缩。首个基于MLP的算法于1988年被提出,目前已经被应用到:

  • 二进制编码——标准的双符号编码
  • 量化——限制从连续集到离散集的输入
  • 特定领域内的转换——像素级的数据变更

MLP算法利用分解神经网络上一步的输出来确定最佳的二进制码组合。后面,使用预测技术优化这个方法。预测技术能够通过反向传播基于相邻数据来提升数据准确度。

2. DeepCoder — 基于视频压缩的深度神经网络

DeepCoder是一个基于卷积神经网络(CNN)的框架,它是传统视频压缩技术的替代。该模型为预测信号和残留信号使用单独的CNN。它使用标量量化技术和一个传统的文件压缩算法——霍夫曼编码——将编码特征映射到一个二进制流中。一般认为,该模型的性能要优于著名的H.264/AVC视频编码规范。

3. 基于CNN的压缩算法

CNN是分层的神经网络,通常用于图像识别和特征检测。当应用到压缩时,这些神经网络使用卷积操作来计算相邻像素点之间的相关性。CNN展示出了比基于MLP算法更好的压缩结果,提升了超分辨率下的性能以及减少了伪影。另外,基于CNN的压缩还提升了JPEG图像的品质,因为它减少了峰值信噪比(PSNR)和结构相似性(SSIM)。基于CNN的压缩通过使用熵估计法还实现了HEVC的性能。

4. 基于生成式对抗网络(GAN)的压缩算法

GAN属于神经网络的一种,它使用两个神经网络彼此竞争的方式来产生更精确的分析和预测。最早基于GAN的压缩算法于2017年被提出。这些算法的文件压缩比例是其他常见方法(如JPEG、WebP等)的2.5倍。你可以使用基于GAN的方法通过并行化处理来实现实时压缩。主要的原理是基于最相关的特征来压缩图片。当解码的时候,算法基于这些特征来重建图像。和基于CNN算法相比,基于GAN的压缩算法通过消除对抗损失能够产生更高品质的图像。

QLocalSocket和QTcpSocket混用,会影响QTcpSocket的性能吗?

Qt的LocalSocket是基于PIPE实现的,且PIPE的缓冲区被设置为0。

为什么被设置为0呢?它文档说是数据在管道没有被关闭前取出,会导致数据丢失,故在创建时设置其缓冲区为0。那它是如何优化性能呢?它是利用OVERLAPPED_COMPLETION_ROUTINE的能力实现的。无限异步调用ReadFileEx(PIPE),当数据到达缓冲区后,取回数据又再调用,从而实现数据的快速读取。写入数据呢?也是相似的方法。

那它与QTcpSocket混用是否会影响性能吗?在实际P2P模式压测试下,PIPE的传输效率为每秒5M字节左右,QTcpSocket为14M字节,这压测是在发送1M数据回复一个ACK然后再发送1M数据下取得的结果。

QTcpSocket虽效率高,但占用CPU也相应高,QLocalSocket虽然是低很多,但CPU占用低。
在实际的复杂的网络环境下,其也满足使用。

Qt的QLocalSocket性能高吗

Qt的LocalSocket在Window中是基于Pipe实现的,而Linux中是基于UnixSocket实现的。
按说pipe的性能是不错的,但Qt比较坑,它的内部缓冲区是0,故形成一个阻塞操作,再加上是基于Event事件唤醒,性能整体就比较低下,没有Socket的高。
此事件的使用是与窗口消息共用同一个线程的,为了不影响其它消息的正常处理,它采用WaiForMutipleObject的方法,但等待时间为0,故会出现缓慢。
那Linux呢,是否可以使用呢?也不建议使用,原因是它的缓存只有64K,小数据传送,其效率是比较高的,但大数据传输时,就会出现阻塞的情况,这也影响的整体性能表现。