之前由于各种原因blog停更了半个月，现在回到正常环境下。
我们都知道在多处理器环境下，我们会遇到Memory Barriers，其实说白了，就是数据的不一致性，说的更加精确点，就是cache的不一致性，因为各种architecture 不同，x86与ARM不同，在x86下，Intel与AMD又不同，所以我们要搞清cpu与cache的不同结构，之前我们知道cache分为N路组相联（N-way set associative）。在取值的时候，中间位负责区分是哪一路，在这篇文章中讲的很详细：http://www.lizhaozhong.info/archives/580
不过x86的mb。x86 CPU会自动处理store顺序，所以smp_wmb()原语什么也不做，但是load有可能乱序！
将近一个月没有更新博客，主要这期间有太多的考试，数据挖掘就是其中的一门比较难的课程，由于一直不敢怎么掉以轻心，总结了好长的笔记来复习。其实在读研期间也曾考虑学习Data Mining方向，虽说不是很擅长，但是通过这门课也算是data mining入了门。
本科时候也学过这门课，那时候主要以计算为主，其中的原理有很多是云里雾里的感觉。这次的学习，使得我从数据的预处理，到关联规则，分类，聚类的算法，有了清晰的了解，并可以通过分析各个算法的优缺点，改进现有某个算法的存在的问题。
比如：
支持向量机（ SVM）是 一种具有高准确率的分类方法。但是SVM 处理大型数据元组集时，速度很慢试开发一种可伸缩的算法克服以上困难。
1，先使用层次聚类的CF-tree构造出微小的聚类簇
2. 找出聚类簇的质心代表该聚类，然后使用SVM进行训练,这样可以大大减少数据元组的数量。
3. 找出超平面来划分这些微型聚类簇。
4. 加入新的聚类簇来进行SVM训练
5. 直到没有新的聚类簇加入，分类完毕
又比如：
提升的基本思想:假设你是一位患者,有某某些症状.你选择咨询多位医生,假设你根据医生先前的诊断准确率,对每位医生的诊断赋予一个权重.然后这些加权诊断的组合最为最终的诊断,这就是提升的基本思想.
提高决策归纳准确性的原因:在提升方法中,权重赋予每个训练元组.迭代的学习K个分类器序列,学习得到分类器Mi之后,更新权重,使得其后的分类器Mi+1”更关注” Mi误分类的训练元组，最终提升的分类器M*组合每个个体分类器，其中每个分类器投票的权重是其准确率的函数。可以扩充提升算法，预测连续值。
这个就是分类与聚类的结合，通过这种方式，我们克服了SVM的缺点，为我们所用！
下面贴出我从数据预处理，OLAP，到数据各种分类算法的笔记：
指导文章 http://blog.jobbole.com/49959/
最近DLink爆出固件存在后门，正好最近在看汇编，所以花了一晚上时间，按照这篇的提示实践了一下。
» Read more: 反编译D-Link路由器固件,找出Backdoor
As a senior Computer Science student, I am constantly hearing about how great it is to contribute to open source projects on github. Many job listings list it as a qualification or a “plus”, and it is casually thrown around in conversation at all kinds of seminars and events at school. Sounds great, I should do that! The only problem is: I’m a huge noob! I’ve done well in my computer science classes at school, sure, and I’ve built some projects that my family and friends think are cool, yes, but surely I can’t contribute in any meaningful way to a project with real users, right? Right?
» Read more: Open Source on Github: Your First Contribution (Repost)
好久没写过东西了，本来想旅行到处散散心的，但是现在上海简直是太热了，坑爹的40度啊，哪里也不想去，决定来星巴克坐坐，讲讲这一年多来的创业故事，以及分享一下创业失败经验！
