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：
| 订阅树版本 | M10 | M12 |
|---|---|---|
| 订阅树增删改查 | SubscriptionDirectory | CTrieSubscriptionDirectory |
| 订阅树 | - | CTrie |
| 片段 | Token | Token |
| 主题 | Topic | Topic |
| 订阅信息 | Subscription | Subscription |
| 普通节点 | TreeNode | CNode |
| 封装节点 | - | INode |
| 墓碑节点 | - | TNode |
查看源码的时候应该从CTrie开始阅读。
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：
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。
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。
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(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。
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。
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。
《Approximating Discrete Probability Distributions with Dependence Trees》是一篇1968年的经典论文了，即使在2018年也有28次的引用量：
使用树模型分割彩色图像中的目标。
主要改进了邻域近似随机森林（Neighbourhood Approximation using Randomized Forests，NAFs），还使用了依赖树（Approximating Discrete Probability Distributions with Dependence Trees，CLT）。
NAFs的原论文是用于医学图像分割的，它是一个框架不是一个模型，主要作用是对任意距离定义的近似最近邻检索（approximate nearest neighbour retrieval for arbitrary distances），解决的问题类似于：给定一组带Ground Truth的灰度人体侧面CT图片去训练NAFs，然后对于一幅新的CT图片（out of samples），给出CT图像中各个内脏边缘的3D分割结果。