1.LevelDB 源码剖析1 -- 原理
2.Linux 调试秘籍深入探索 C++运行时获取堆栈信息和源代码行数的量堆终极指南
3.DenseNet源码解读（pytorch官方）
4.自然语言处理大模型BLOOM模型结构源码解析(张量并行版)
5.开源项目|高性能内存分配库mimalloc
6.找到卡顿来源，BlockCanary源码精简分析
LevelDB 源码剖析1 -- 原理
LSM-Tree，源码源码全称Log-Structured Merge Tree，堆量被广泛应用于数据库系统中，指标如HBase、量堆Cassandra、源码源码怎么破解源码LevelDB和SQLite，堆量甚至MongoDB 3.0也引入了可选的指标LSM-Tree引擎。这种数据结构旨在提供优于传统B+树或ISAM（Indexed Sequential Access Method）方法的量堆写入吞吐量，通过避免随机的源码源码本地更新操作实现。
LSM-Tree的堆量核心思想基于磁盘性能的特性：随机访问速度远低于顺序访问，三个数量级的指标差距。因此，量堆简单地将数据附加至文件尾部（日志或堆文件策略）可以提供接近理论极限的源码源码写入吞吐量。尽管这种方法足够简单且性能良好，堆量但它有一个明显的缺点：从日志中随机读取数据需要花费更多时间，因为需要按时间顺序从近及远扫描日志直至找到所需键。因此，日志策略仅适用于简单的数据访问场景。
为了应对更复杂的读取需求，如基于键的搜索、范围搜索等，LSM-Tree引入了一种改进策略，通过创建一系列排序文件来存储数据，每次写入都会生成一个新的文件，同时保留了日志系统优秀的写性能。在读取数据时，系统会检查所有文件，并定期合并文件以减少文件数量，从而提高读取性能。
在LSM-Tree的基本算法中，写入数据按照顺序保存到一组较小的排序文件中。每个文件代表了一段时间内的数据变更，且在写入前进行排序。内存表作为写入数据的缓冲区，用于保持键值的顺序。当内存表填满后，已排序的数据刷新到磁盘上的新文件。系统会周期性地执行合并操作，选择一些文件进行合并，以减少文件数量和删除冗余数据，同时维持读取性能。
读取数据时，系统首先检查内存缓冲区，若未找到目标键，则以反向时间顺序检查各个文件，andriod 源码解析直到找到目标键。合并操作通过定期将文件合并在一起，控制文件数量和读取性能，即使文件数量增加，读取性能仍可保持在可接受范围内。通过使用内存中保存的页索引，可以优化读取操作，尤其是在文件末尾保留索引块，这通常比直接二进制搜索更高效。
为了减少读取操作时访问的文件数量，新实现采用了分级合并（Leveled Compaction），即基于级别的文件合并策略。这不仅减少了最坏情况下需要访问的文件数量，还减少了单次压缩的副作用，同时提供更好的读取性能。分级合并与基本合并的主要区别在于文件合并的策略，这使得工作负载扩展合并的影响更高效，同时减少总空间需求。
Linux 调试秘籍深入探索 C++运行时获取堆栈信息和源代码行数的终极指南
在软件开发的世界里，特别是在C++领域，运行时错误和异常是常见的挑战。这些错误和异常往往需要开发者深入探索、分析和解决。在这个过程中，获取运行时的堆栈信息和代码行数成为了一项至关重要的任务。正如《代码大全》(Code Complete) 中所说：“好的代码是自我解释的。” 但在现实世界中，当面临复杂的、多层次的代码结构时，我们需要更多的上下文信息来理解和解决问题。
在C++中，获取运行时的堆栈信息和代码行数并不像看上去那么简单。我们常常需要依赖外部工具和库来帮助我们完成这项任务。但是，这并不意味着我们无法在代码内部实现这一功能。通过深入探索和学习，我们可以找到合适的方法和技术来实现这一目标。
在本文中，我们将探讨如何使用backtrace, dladdr, 和 libbfd 的组合来获取运行时的堆栈信息和代码行数。我们将从底层原理出发，深入分析每个函数和库的工作原理和使用方法。我们将通过实例代码，展示如何整合这些技术来实现我们的目标。
正如《C++编程思想》(The C++ Programming Language) 中所说：“C++的设计目标是表达直观的设计。” 我们的姜文 vue 源码目标也是通过直观、清晰的代码和解释，帮助读者理解这一复杂但有趣的主题。
在GCC的源码中，我们可以找到backtrace 和 dladdr 函数的具体实现。这些函数位于 libgcc 和 glibc 中，通过深入分析这些源码，我们可以更好地理解它们的工作原理和限制。
通过阅读本文，读者将能够了解如何使用backtrace 函数获取当前的堆栈地址，并使用 backtrace_symbols 函数将这些地址转换为人类可读的字符串形式。这些字符串通常包含函数名、偏移量和地址。我们还将讨论如何使用 dladdr 函数解析堆栈地址，获取函数名和所在的动态链接库信息。libbfd 库将用于获取源代码的行数信息。通过详细的代码示例、图表和解释，我们将帮助读者逐步理解和掌握这些技术。
正如《深入理解计算机系统》中所说：“堆栈跟踪是程序运行时的快照，它展示了函数调用的层次结构和执行路径。” 获取堆栈信息对于调试和优化代码至关重要。
接下来，我们将深入探讨如何使用backtrace 函数获取堆栈信息。backtrace 是一个强大的工具，它能帮助我们在程序运行时捕获当前的堆栈跟踪信息。
在获取堆栈信息后，我们将讨论如何解析这些信息，以获取更具体的信息，例如函数名和源代码行数。我们将深入分析 dladdr 函数的工作原理，以及如何使用它解析堆栈地址。此外，我们还将探讨 libbfd 库如何帮助我们从堆栈地址中获取源代码的文件名和行号。
为了提供一个完整的解决方案，我们将整合所有步骤，展示如何从获取堆栈信息到解析堆栈地址，再到获取源代码行数，形成一个完整的、自动化的解决方案。
在解决可能出现的问题方面，我们将详细探讨符号缺失、动态链接库的影响、编译器和平台差异以及复杂或模糊的堆栈信息等问题，并提供相应的解决方案。我们的nexus源码编译目标是确保实现既准确又完整，能够在各种情况下可靠地工作。
总结而言，通过综合应用backtrace, dladdr, 和 libbfd 等技术，我们不仅解决了运行时获取堆栈信息和源代码行数的复杂问题，还为读者展示了这些技术的实际应用和深层次原理。在这个过程中，我们不仅学习了技术，更深入探讨了技术背后的原理和思维。
DenseNet源码解读（pytorch官方）
DenseNet源码解析：一个基于PyTorch实现的深度密集连接网络模型，提供了一系列预训练模型选项。首先，我们引入必要的库，如ReLU、卷积层、批量归一化和函数模块。DenseNet的核心是通过`_bn_function_factory`函数拼接前一层的特征，然后通过一系列的卷积块进行特征提取，包括1x1卷积、ReLU激活和3x3卷积，形成了密集层 `_DenseLayer`。该层可以设置内存高效模式以节省内存。在 `_DenseBlock` 中，通过循环堆叠指定数量的密集层，并在每个块之间插入降采样层 `_Transition` 以控制通道数量的增长。模型类 `DenseNet` 建立了整套网络结构，包括初始卷积层、多个密集块、过渡层以及最终的全局平均池化和全连接层。提供了针对不同配置（如densenet、densenet等）的预训练模型加载方法 `_densenet`，用户可以根据需求选择并加载预训练权重。
每个模型函数，如`densenet`，接受参数如预训练状态、进度条显示等，允许用户根据需要定制网络行为。总的来说，DenseNet的设计旨在通过密集连接和递增特征组合来提升模型性能，适用于图像识别等计算机视觉任务。
自然语言处理大模型BLOOM模型结构源码解析(张量并行版)
BLOOM模型结构解析，采用Megatron-DeepSpeed框架进行训练，张量并行采用1D模式。基于BigScience开源代码仓库，本文将详细介绍张量并行版BLOOM的原理和结构。 单机版BLOOM解析见文章。跟庄买入源码 模型结构实现依赖mpu模块，推荐系列文章深入理解mpu工具。 Megatron-DeepSpeed张量并行工具代码mpu详解，覆盖并行环境初始化、Collective通信封装、张量并行层实现、测试以及Embedding层、交叉熵实现与测试。 Embedding层：Transformer Embedding层包含Word、Position、TokenType三类，分别将输入映射为稠密向量、注入位置信息、类别信息。通常，位置信息通过ALiBi注入，无需传统Position Embedding，TokenType Embedding为可选项。张量并行版BLOOM Embedding层代码在megatron/model/language_model.py，通过参数控制三类Embedding使用。 激活函数：位于megatron/model/utils.py，BLOOM激活函数采用近似公式实现。 掩码：张量并行版模型用于预训练，采用Causal Mask确保当前token仅见左侧token。掩码实现于megatron/model/fused_softmax.py，将缩放、mask、softmax融合。 ALiBi：位置信息注入机制，通过调整query-key点积中静态偏差实现。8个注意力头使用等比序列m计算斜率，个头则有不同序列。实现于megatron/model/transformer.py。 MLP层：全连接层结构，列并行第一层，行并行第二层，实现于megatron/model/transformer.py。 多头注意力层：基于标准多头注意力添加ALiBi，简化版代码位于megatron/model/transformer.py。 并行Transformer层：对应单机版BlookBlock，实现于megatron/model/transformer.py。 并行Transformer及语言模型：ParallelTransformer类堆叠多个ParallelTransformerLayer，TransformerLanguageModel类在开始添加Embedding层，在末尾添加Pooler，逻辑简单，代码未详述。 相关文章系列覆盖大模型研究、RETRO、MPT、ChatGLM-6B、BLOOM、LoRA、推理工具测试、LaMDA、Chinchilla、GLM-B等。开源项目|高性能内存分配库mimalloc
mimalloc
开源内存分配库，微软研究院年发布，旨在提供高性能内存管理解决方案。
使用方法如下：
1. 克隆代码库至本地。
2. 编译代码。
3. 将头文件复制至系统目录，如：
4. 编译项目时链接mimalloc。
尝试直接使用mimalloc，无需编译：
配置环境变量。
mimalloc特点：
1. 简洁高效，核心代码量少于行。
2. 性能显著优于其他内存分配库，如：mi（mimalloc）、tc（tcmalloc）、je（jemalloc）等。
3. 支持多线程。
架构：
mimalloc设计中，每个线程拥有专属堆，线程在分配内存时从各自堆进行。堆中包含多个分段，每个分段对应多个页面，内存分配在页面上进行。
free列表操作代码。
源码实现：
1. malloc函数实现
2. free函数实现
参考资料：
[1] cnblogs.com/linkwk7/p/1...
[2] github.com/microsoft/mi...
[3] cnblogs.com/linkwk7/p/1...
找到卡顿来源，BlockCanary源码精简分析
通过屏幕渲染机制我们了解到，Android的屏幕渲染是通过vsync实现的。软件层将数据计算好后，放入缓冲区，硬件层从缓冲区读取数据绘制到屏幕上，渲染周期是ms，这让我们看到不断变化的画面。如果计算时间超过ms，就会出现卡顿现象，这通常发生在软件层，而不是硬件层。卡顿发生的原因在于软件层的计算时间需要小于ms，而计算的执行地点则在Handler中，具体来说是在UI的Handler中。Android进程间的交互通过Binder实现，线程间通信通过Handler。
软件层在收到硬件层的vsync信号后，会在Java层向UI的Handler中投递一个消息，进行view数据的计算。这涉及到测量、布局和绘制，通常在`ViewRootImpl`的`performTraversals()`函数中实现。因此，view数据计算在UI的Handler中执行，如果有其他操作在此执行且耗时过长，则可能导致卡顿，我们需要找到并优化这些操作。
要找到卡顿的原因，可以通过在消息处理前后记录时间，计算时间差，将这个差值与预设的卡顿阈值比较。如果大于阈值，表示发生了卡顿，此时可以dump主线程堆栈并显示给开发者。实现这一功能的关键在于在Looper中设置日志打印类。通过`Looper.loop()`函数中的日志打印，我们可以插入自定义的Printer，并在消息执行前后计算时间差。另一种方法是在日志中添加前缀和后缀，根据这些标志判断时间点。
BlockCanary是一个用于检测Android应用卡顿的工具，通过源码分析，我们可以了解到它的实现逻辑。要使用BlockCanary，首先需要定义一个继承`BlockCanaryContext`的类，并重写其中的关键方法。在应用的`onCreate()`方法中调用BlockCanary的安装方法即可。当卡顿发生时，BlockCanary会通知开发者，并在日志中显示卡顿信息。
BlockCanary的核心逻辑包括安装、事件监控、堆栈和CPU信息的采集等。在事件发生时，会创建LooperMonitor，同时启动堆栈采样和CPU采样。当消息将要执行时，开始记录开始时间，执行完毕后停止记录，并计算执行时间。如果时间差超过预设阈值，表示发生了卡顿，并通过回调传递卡顿信息给开发者。
堆栈和CPU信息的获取通过`AbstractSampler`类实现，它通过`post`一个`Runnable`来触发采样过程，循环调用`doSample()`函数。StackSampler和CpuSampler分别负责堆栈和CPU信息的采集，核心逻辑包括获取当前线程的堆栈信息和CPU速率，并将其保存。获取堆栈信息时，通过在`StackSampler`类中查找指定时间范围内的堆栈信息；获取CPU信息时，从`CpuSampler`类中解析`/proc/stat`和`/proc/mpid/stat`文件的CPU数据，并保存。
总结而言，BlockCanary通过在消息处理前后记录时间差，检测卡顿情况，并通过堆栈和CPU信息提供详细的卡顿分析，帮助开发者定位和优化性能问题。
STL 源码剖析：sort
我大抵是太闲了。
更好的阅读体验。
sort 作为最常用的 STL 之一，大多数人对于其了解仅限于快速排序。
听说其内部实现还包括插入排序和堆排序，于是很好奇，决定通过源代码一探究竟。
个人习惯使用 DEV-C++，不知道其他的编译器会不会有所不同，现阶段也不是很关心。
这个文章并不是析完之后的总结，而是边剖边写。不免有个人的猜测。而且由于本人英语极其差劲，大抵会犯一些憨憨错误。
源码部分sort
首先，在 Dev 中输入以下代码：
然后按住 ctrl，鼠标左键sort，就可以跳转到头文件 stl_algo.h，并可以看到这个：
注释、模板和函数参数不再解释，我们需要关注的是函数体。
但是，中间那一段没看懂……
点进去，是一堆看不懂的#define。
查了一下，感觉这东西不是我这个菜鸡能掌握的。
有兴趣的 戳这里。
那么接下来，就应该去到函数__sort 来一探究竟了。
__sort
通过同样的方法，继续在stl_algo.h 里找到 __sort 的源代码。
同样，只看函数体部分。
一般来说，sort(a,a+n) 是对于区间 [公式] 进行排序，所以排序的前提是 __first != __last。
如果能排序，那么通过两种方式：
一部分一部分的看。
__introsort_loop
最上边注释的翻译：这是排序例程的帮助程序函数。
在传参时，除了首尾迭代器和排序方式，还传了一个std::__lg(__last - __first) * 2，对应 __depth_limit。
while 表示，当区间长度太小时，不进行排序。
_S_threshold 是一个由 enum 定义的数，好像是叫枚举类型。
当__depth_limit 为 [公式] 时，也就是迭代次数较多时，不使用 __introsort_loop，而是使用 __partial_sort（部分排序）。
然后通过__unguarded_partition_pivot，得到一个奇怪的位置（这个函数的翻译是无防护分区枢轴）。
然后递归处理这个奇怪的位置到末位置，再更新末位置，继续循环。
鉴于本人比较好奇无防护分区枢轴是什么，于是先看的__unguarded_partition_pivot。
__unguarded_partition_pivot
首先，找到了中间点。
然后__move_median_to_first（把中间的数移到第一位）。
最后返回__unguarded_partition。
__move_median_to_first
这里的中间数，并不是数列的中间数，而是三个迭代器的中间值。
这三个迭代器分别指向：第二个数，中间的数，最后一个数。
至于为什么取中间的数，暂时还不是很清楚。
`__unguarded_partition`
传参传来的序列第二位到最后。
看着看着，我好像悟了。
这里应该就是实现快速排序的部分。
上边的__move_median_to_first 是为了防止特殊数据卡 [公式] 。经过移动的话，第一个位置就不会是最小值，放在左半序列的数也就不会为 [公式] 。
这样的话，__unguarded_partition 就是快排的主体。
那么，接下来该去看部分排序了。
__partial_sort
这里浅显的理解为堆排序，至于具体实现，在stl_heap.h 里，不属于我们的讨论范围。
（绝对不是因为我懒。）
这样的话，__introsort_loop 就结束了。下一步就要回到 __sort。
__final_insertion_sort
其中某常量为enum { _S_threshold = };。
其中实现的函数有两个：
__insertion_sort
其中的__comp 依然按照默认排序方式 < 来理解。
_GLIBCXX_MOVE_BACKWARD3
进入到_GLIBCXX_MOVE_BACKWARD3，是一个神奇的 #define：
其上就是move_backward：
上边的注释翻译为：
__unguarded_linear_insert
翻译为“无防护线性插入”，应该是指直接插入吧。
当__last 的值比前边元素的值小的时候，就一直进行交换，最后把 __last 放到对应的位置。
__unguarded_insertion_sort
就是直接对区间的每个元素进行插入。
总结
到这里，sort 的源代码就剖完了（除了堆的那部分）。
虽然没怎么看懂，但也理解了，sort 的源码是在快排的基础上，通过堆排序和插入排序来维护时间复杂度的稳定，不至于退化为 [公式] 。
鬼知道我写这么多是为了干嘛……