一、全链路监控

1.1 什么是全链路监控，为什么我们需要全链路监控？

SSL/TLS发展历史

Moquette 0.12（以下简称M12）的订阅树实现在moquette-0.12/broker/src/main/java/io/moquette/broker/subscriptions，包括：

查看源码的时候应该从CTrie开始阅读。

一、M10 简介

Moquette 0.10（以下简称M10）的订阅树实现在moquette-0.10/broker/src/main/java/io/moquette/spi/impl/subscriptions，包括：

• SubscriptionsDirectory：订阅树的增删改查
• Token：片段，由topicFilter按“/”分割而成的最小字符串单位
• Topic：主题/主题过滤器，包含一系列方法，比如比较主题和主题过滤器是否匹配
• Subscription：订阅信息，{clientId, topicFilter，qos，active}
• TreeNode：树节点

查看源码的时候应该从SubscriptionsDirectory开始阅读。

百度IoT的Broker设计我特别想参考的但是技术能力和时间不够去实现……网上只有一篇百度工程师的总结《共享行业的分布式MQTT设计》，这里将围绕这篇文章去讲解。

Broker集群架构

单机版MQTT Broker有连接数量和并发处理能力的限制，因此分布式必不可少。百度IoT采用的Akka Cluster来做集群管理，每个节点对等，不存在像Mosquitto这种用一台机器“桥接”做分布式产生的单点故障隐患。每个节点监听MemberUp、MemberDown、MemberUnreachable、ClusterMemberState等事件来感知其他节点的上下线，用Akka Actor实现节点间的消息通信。

一致性Hash是分布式架构最重要最基础的东西，这里以分布式图片缓存服务器为例进行讲述。

原始问题：假设我们需要对一堆图片做缓存，缓存的图片放在了2台服务器上，当到来一个请求，应该如何知道请求的图片在哪台上面呢？

暴力遍历就不要去想了，否则缓存就没有意义了。一个自然的想法就是根据图片的名字做一个映射（Hash），将图片名字映射到0，1两个数字上面，例如有这样的映射函数：

$$ f(图片名称) = md5(图片名称) \% 2 $$

局部二值模式（Local Binary Pattern，LBP）是一种用来描述图像局部纹理特征的算法，反映的是图像像素点周围纹理变化情况，具有旋转不变性、灰度不变性（光照变化无影响）、计算复杂度低等优点，1994年首次由Timo Ojala, Matti Pietikainen等人提出，用于纹理特征提取。2002年论文《Multiresolution gray-scale and rotation invariant texture classification with local binary patterns》进行了归纳总结，2018年该论文引用量154次，累计9832次。

LBP特征描述

原始LBP特征

Haar特征是我用得最多的一个特征了。Haar特征的鲁棒性并不好，它常常用于颜色或者轮廓较为明显的、波动不大的图像，比如人脸识别中识别眼睛、鼻子的位置。尽管如此，用Haar特征处理一般图像分割已经足够使用了。

Haar特征设计思想

Haar特征(Haar-like Feature)的名称来源于Haar小波(Haar Wavelet)变换，最早由Papageorgiou在论文《A General Framework for Object Detection》中提出。那个时期，用RGB图像像素值来处理特征会产生很大的计算量，Papageorgiou等人就提出了用Haar小波变换来处理特征的想法。在2001年，Viola和Jones在论文《Rapid Object Detection using a Boosted Cascade of Simple Features》中基于这个想法进一步提出Haar特征，产生了很大的影响。他们注意到人的面部是可以用一些矩形特征进行描述的，比如对于浅色皮肤的人来说，鼻梁两侧的颜色比鼻梁的颜色要深一些，眼睛、嘴巴等地方的颜色都比周围面部皮肤的颜色要深。因此，可以用矩形像素变化来表现颜色深浅，这就是Haar特征的来源。

颜色空间概述

入门彩色图像分割首先当然要了解一下颜色空间。

RGB颜色空间

RGB颜色空间的设计初衷是，用红色（Red）、蓝色（Blue）和绿色（Green）作为基础颜色，通过三基色的强弱变化组合成整个颜色空间中的各种颜色。

如上图所示，分别以红色、绿色、蓝色分量为R轴、G轴、B轴建立坐标系，原点(0, 0, 0)代表的颜色为黑色，(1, 0, 0)、(0, 1, 0)、(0, 0, 1)分别表示红色、蓝色、绿色，构成的立方体中体对角线端点(1, 1, 1)代表的颜色为白色，而体对角线上的颜色则是由黑色过渡到白色的灰度。至此，任意一种常见颜色都可以由(R, G, B)的坐标数值表示出来。

概率提升树

这是本科毕设用到的树，概率提升树（Probabilistic Boosting-Tree, PBT）是Tu在2005年《Probabilistic Boosting-Tree: Learning Discriminative Models for Classification, Recognition, and Clustering》中提到的分层分类框架。