导图社区 信息新技术
- 164
- 4
- 2
- 举报
信息新技术
新一代信息技术包括下一代通信网络、物联网、三网融合、新型平板显示、高性能集成电路和以云计算为代表的高端软件。新一代信息技术介绍：新一代信息技术被列为国家重点发展的七大战
编辑于2022-10-17 22:31:48 天津市- 信息新技术
- 相似推荐
- 大纲
信息新技术
云计算
云计算基础概念
云计算的服务类型
SaaS 软件即服务
Saleforce online CRM
PaaS 平台即服务
Google App Engine 、Microsoft Windows Azure
IaaS 基础设施即服务
Amzaon EC2/S3、Openstack
系统管理模块的核心功能是负载均衡
云计算架构
SOA构建层
封装云计算服务
管理中间件层
资源管理、任务管理、用户管理、安全管理
云管理的核心技术是SOA面向服务架构和BPM业务流程管理
物理资源层
计算机、存储器、网络设施、数据库、软件等
资源池层
大量相同类型资源同构构成
管理中间件和资源池层是云计算技术的最关键部分
类型
私有云
部署在内部，核心属性是专有资源
公有云
通过Internet免费或低成本使用，核心属性是共享资源服务
混合云
希望将数据放在私有云，又希望可以获得公有云的计算资源
关键技术
虚拟化技术
云计算的核心、私有云基石
分布式计算和存储
公有云基石
集群化运维管理系统
跨域资源管控
优化的硬件
云计算是分布式计算、并行计算和网格计算的发展
云计算系统架构
Google架构
GFS架构
基础知识
概念
可扩展的分布式文件系统
主要是追加写
体系架构
客户端Client、主服务器Master、数据块服务器Chunk Server
主服务器结点：存储元数据、文件系统目录管理、与数据块服务通信
实现机制
Client先访问Master节点，获取Chunk Server信息，然后访问
分离控制流和数据流，降低Master负载
Client与Chunk Server只传输数据流，且文件被分成多个Chunk分布式存储，IO高度并行
特点
中心服务器模式
方便添加块服务器，负载均衡
不缓存数据
文件大都流式读写，不存在重复。Cache性能提升不大，一致性维护困难
用户态下实现
降低实现难度，便于调试，耦合性降低
容错机制
Master容错
保存日志和Chunk副本的位置信息，提供Master远程的实时备份
Chunk Server容错
多个Chunk副本(默认3个)，全部写入副本才是写入成功
每个文件分为多个Chunk，大小64MB
每个Chunk分为多个Block，大小64KB，对应一个32位的校验和
系统管理技术
大规模集群安装技术
故障检测技术
节点动态加入技术
节能技术
MapReduce
概念
分布式编程模型
Map函数
相互独立，并行，对不同原始数据操作。
Reduce操作
合并，每个Reduce处理的Map中间结果互不交叉
实现机制
文件分块，Map Worker读取
Master通知 Reduce Worker读取数据
所有任务完成，Master激活用户程序
容错机制
Master失效
设置检查点
Worker失效
Master周期性地给Worker发送ping命令
Bigtable
概念
分布式数据存储系统，非关系型，分布式多维映射表
数据---行关键字(不超过64KB)、列关键字(列族,访问控制基本单元)、时间戳
架构
一个Master服务器
分配、监视、均衡负载、回收GFS垃圾文件、修改数据模式
多个子表服务器tablet
每个服务器管理一组tablets，10-1000个
处理读写请求，子表过大时切分
Chubby
能连接到每个客户端的库
选取、保证只有一个主服务器
获取子表位置信息
保存BigTable模式信息和ACL
Tablet分配
Master监控
子表分配
子表是数据划分和负载均衡的基本单位
获Chubby中的取独占锁，确保一个主服务器
SSTable格式
Google专为Bigtable设计的数据存储格式
SSTable中数据被划分为块，一个64KB。
SSTable结尾有索引，保存了块的位置信息
SSTable文件=索引+键值对数据，键有序
不同子表的SSTable可以共享
数据存储及读写操作
近期的提交结果保存到内存的有序缓冲区memtable
当memtable达到临界值时转化为SSTable写入GFS
HADOOP2.0
主要组成部分：HDFS、MapReduce、Yarn
分布式文件系统HDFS
冗余存储和冗余计算提高分布式存储和计算的可靠性‘
采用Master/Slave体系，NameNode管理所有Slave机器DataNode存储空间
Secondary NameNode，处理映像文件和事务日志
NameNode保存文件的分布信息，不存储在硬盘上
MapReduce
本地计算Map、洗牌Shuffle、合并计算Reduce
Hbase
建立在HDFS之上的数据库系统，以表形式存储数据，Bigtable开源版本
表在行的方向上分割为多个Hregion，它是分布式存储负载均衡最小单元
Java实现
HFile数据格式是byte[]数组，有固定的结构
Hive
构建在Hadoop上的数据仓库架构，提供HSQL功能
可扩展、延展性、容错
Yarn
分布式操作系统，资源管理和任务调度两个独立进程
虚拟化技术
概念
物理资源映射为虚拟资源；构建云计算环境的关键技术；整合物理资源
动态分配和调度、降低耦合、兼容、快速部署
方法：拆分、整合、迁移
类型
从实现层次分
硬件虚拟化
操作系统虚拟化
应用程序虚拟化
从应用领域划分
服务器虚拟化
概念：把一个物理服务器虚拟成多个独立的逻辑服务区，即分区；可把多个物理服务器虚拟成一个大的逻辑服务器，如网格技术
分类
寄居虚拟化
一般称虚拟机监控器VMM，安装在已有的主机OS上，通过OS访问管理各类资源
这类虚拟化架构系统损耗较大，没有独立的Hypervisor层；若使用OS层虚拟化，所有虚拟服务器必须运行同一OS
裸机虚拟化
架构中的VMM可认为一个OS，一般称为Hypervisor；它实现从虚拟资源到物理资源的映射，对上下文保护与切换，实现客户虚拟系统有效隔离；裸机虚拟化有很好的兼容性
存储虚拟化
一般模型：虚拟化层+物理存储设备
实现方式
基于主机的存储虚拟化
一般通过逻辑卷管理实现，性价比高，但性能下降 可扩展性低 不支持异构平台
基于存储设备的存储虚拟化
通过磁盘 适配器或控制器虚拟化实现，性能影响小 易管理，但可扩展性较差
基于网络的存储虚拟化
一般有基于互联设备和基于路由器方式，性能效果安全性都好一些，但路由出现故障，数据会不能被访问
网络虚拟化
为减少异构传输效率低、减少成本引入
数据中心网络虚拟化可分为
核心层
主要指数据中心核心网络设备的虚拟化，简化管理 提高资源利用率等
接入层
实现接入层分级设计，接入层交换机要求能支持各类部署方式和新的以太网技术
虚拟机网络层
可实现流量控制、双向访问控制、属性迁移等功能
桌面虚拟化
是一种基于中心服务器的计算机运作模型，每个桌面镜像就是一个带有应用程序的OS；有第一代和第二代桌面虚拟技术
技术现状
集中管理问题
集中存储问题
虚拟化产品缺乏统一标准
网络负载压力
CPU虚拟化
文件虚拟化
IO设备虚拟化
全虚拟化，通过VMM模拟IO设备实现虚拟化
半虚拟化，使用前端和后端模型实现虚拟化
I/O直通，直接给虚拟机分配物理设备
虚拟机迁移
概念：将虚拟机实例从源宿主机迁移到目标宿主机
实时迁移
保持虚拟机运行同时，迁移虚拟机
迁移步骤
预迁移、预定资源、预复制停机复制、提交、启动
内存迁移
最困难的部分，分为三个阶段：Push 、Stop-and-Copy、Pull；大部分迁移策略只包含其中一、两个阶段
网络资源的迁移
存储设备的迁移
通常采用共享方式共享数据和文件系统，以避免占用时间和带宽；大多数集群使用NAS网络连接存储作为存储设备共享数据，可实现异构平台共享
虚拟机隔离技术
指虚拟机间未经许可不可相互通信、联系的技术
虚拟化框架Docker
镜像，用于创建Docker容器的模板
容器，镜像运行时的实体
仓库，代码控制中心保存镜像
大数据
大数据基础
特点
价值密度低，商业价值高
数据量大
快速
数据类型多
复杂
IBM公司用3个V表述：大量、速度、多样性
大数据公司的多样性表明了数据价值的转移
支撑大数据业务的基础是数据应用
大数据颠覆了传统思维：
全样而非抽样
效率而非精确
相关而非因果
核心技术
分布式存储：GFS/HDFS BigTable/HBase NoSQL NewSQL
分布式处理：MapReduce
计算模式：批处理计算、流计算、图计算、查询分析计算
大数据产业
IT基础设施层
如提供数据中心解决方案的IBM，提供存储解决方案的EMC，提供虚拟化管理软件的微软等
数据源层
各类数据提供者
数据管理层
如分布式文件系统HDFS\GFS、ETL工具、数据库和数据仓库等
数据分析层
如分布式计算框架MapReduce、统计分析软件SPSS/SAS、数据挖掘工具Weka、数据可视化工具Tableau、BI工具
数据平台层
如百度谷歌阿里巴巴等
数据应用层
各类企业政府等
大数据存储
分布式文件系统
分布式数据库
Google APP Engine使用的数据库是Data store
Nosql数据库
三大基石
CAP：一致性、可用性、分区容忍性
BASE：基本可用、软状态、最终一致性
四大类型：文档数据库MongoDB、图数据库Neo4j、键值数据库Redis、列族数据库BigTable,Hbase
不支持SQL
云数据库
大数据计算
批处理计算MapReduce,Spark
流计算
图计算pregel
查询分析计算hive
大数据处理
术语
数据集特性：维度、稀疏性、分辨率
数据集类型：记录数据、图形数据、有序数据
预处理
数据清理
填写缺失值、光滑噪声数据、识别或删除离群点等
缺失值处理、一致性检查、重读数据记录处理
数据集成
将多个数据源数据结合起来并统一存储，建立数据仓库
数据变换
通过平滑聚集、数据概化、规范化等方式将数据转换成适用于数据挖掘的形式
数据归约
可用来得到数据集的归约表示，小得多，但仍接近于保持原数据完整性
数据集压缩表示，将属性按比例缩放
数据再利用
挖掘数据潜在价值、实现数据重组创新价值、利用数据可扩展性拓展业务
大数据分析
流程
数据采集
网络爬虫应用最基础的是：DFS和BFS
数据导入和预处理
数据分析和统计
数据挖掘
预测建模任务主要包括：分类、回归
方法
可视化分析
数据挖掘算法
预测性分析
贝叶斯决策根据后验概率
语义引擎
数据质量和数据管理
模型
降维分析模型
数据降维也称数据规约/数据约减
回归分析模型
聚类分析模型
主要影响因素：特征选取和欧式距离
分类分析模型
关联分析模型
决策树
时间序列分析模型
可视化地图
异常数据检测
数据挖掘
基础概念
挖掘出隐含的、先前未知的有潜在价值的信息和知识
系统组成
数据仓库
特点
面向主体
集成的
相对稳定
反映历史变化
数据仓库技术包括数据清理、数据集成、联机分析处理OLAP
Hive
传统数据仓库面临挑战
无法满足快速增长的需求、无法有效处理不同类型数据、计算和处理能力不足
Hadoop顶层的数据仓库工具Hive
与传统数据库有区别
步骤
方法
有指导的数据挖掘
利用可用数据建立模型，这个模型是对一个特定属性的描述
如分类、估值、预测
分类是用分类模型对没分类的数据进行分类；常用方法包括贝叶斯分类、决策树、神经网络、统计分析等
预测是通过分类或估值训练出模型，典型方法是回归分析
无指导的数据挖掘
在所有的属性中寻找某种关系
如聚类、关联规则
相关性分组或关联规则是描述了一组数据项之间的密切度或关系；通常给出了置信度和支持度两个概念；均大于阈值为强规则，主要是对强规则挖掘
聚类是自动寻找并分组规则，主要包括模式识别、数学分类法、概念聚类、神经网络的自组织模型等
数据可视化
大数据应用
传统数据行业的大数据应用：多源跨域数据、提高分析挖掘能力、科学决策和运营
大数据营销模式相比传统营销模式
投入小、针对性强、转化率高
实时性弱、精准性弱
大数据产业发展特点：规模较大、增速很快
大数据应用注重相关分析而不是因果分析
服务目的不同，数据流通平台分为
政府数据开放平台
数据交易市场
数据中间商
西雅图交通数据处理公司Inrix
汽车之家
Quantcast
人工智能
人工智能
类别
专家系统
机器学习
学派
符号主义
连接主义：基于神经网络
行为主义：智能控制、智能机器人
表现形式：智能软件、智能设备、智能网络、智能计算机、智能机器人、Agent
脑功能模拟
机器感知：图形识别、语言识别
机器联想
机器推理、自动推理
机器学习
机器理解：自然语言理解、图形理解
机器行为：机器人
实现路径
符号智能：知识工程和符号处理技术
计算智能：以数据为基础，通过数值计算求解
基本技术：推理技术、搜索技术、知识表示和知识库、归纳技术、联想技术
机器学习
两大类型
推断统计学，如贝叶斯算法、回归、决策树
人工神经网络，
术语
特征学习
抽取可以表征这些数据的数值型特征，超参数是参数的参数
逻辑回归中特征高度相关或一个特征多次重复，不会影响分类器准确率
维数灾难指高维下数据样本稀疏、距离计算困难等问题，ML造成困难
样本
有标签样本
同时包含特征和标签
无标签样本
只包含特征，不包含标签
数据集
训练集60%：用以训练模型
验证集20%：用以确定模型参数，选出最优模型
测试集20%：用以性能评估
拟合
找出规律的过程
过拟合：模型学习能力过强，训练误差小，但测试误差大
欠拟合：模型学习能力弱，训练误差和测试误差都大
如果过拟合，可增加训练的数据量，降低模型复杂度、增加正则化、集成学习；欠拟合，提高特征数量和质量，增加模型复杂度
误差
预测结果与样本的真实值之间的差异为误差
在训练集上的误差叫测试误差或经验误差
在测试集上的误差叫测试误差
在所有新样本上的误差叫泛化误差
正则化减小测试误差
增加神经网络层数可能扩大训练误差
泛化能力
从特殊到一般，指经过训练的模型对新样本数据进行正确预测的能力
步骤：准备数据、训练模型、评估模型
分类
监督学习
分类
回归
无监督学习
聚类
降维
半监督学习：少量标注样本和大量未标注样本
强化学习：使用机器的历史和经验做决策
模型指标
准确率：预测正确的结果占总样本的比例
精度：TP/(TP+FP)，预测为正中真正为正样本的概率
召回率：TP/(TP+FN)，实际为正中被预测为正样本的概率
F1分数：2*精度*召回率/(精度+召回率)，考虑精度和召回率的平衡
机器学习算法
传统学习算法
包括逻辑回归、隐马尔可夫、支持向量机、K近邻方法、三层人工神经网络、Adaboost算法、贝叶斯方法以及决策树方法
分类算法
是一种监督学习，常用的算法是KNN算法
KNN算法
高精确度，分类效果好于朴素贝叶斯分类、决策树分类。一般K值先取100
决策树算法
逼近离散函数值；剪枝是去除影响预测准确性的分支，使其具有更好的泛化能力
贝叶斯算法
利用概率统计学知识，常用于文本分析；简单，分类准确率高，速度快；输入所有待分类数据，输出特征属性和训练样本
支持向量机SVM
分类和回归，样本空间线性可分，使用核函数把低位映射到高位来线性可分
聚类算法
是一种无监督的，目的是使同类别的数据对象差别尽可能小，异类差别尽量大
常用的聚类算法是K-means算法，K-medoids算法
回归算法
侧重于量化，预测
逻辑回归，分类问题
深度学习和神经网络算法
深度神经网络模型
深度置信网络
卷积神经网络
常用于空间性分布数据
受限玻尔兹曼机
循环神经网络
引入记忆和反馈，常用于时间性分布数据
应用
模式识别、计算机视觉、数据挖掘、语音识别、统计学习、自然语言处理
神经网络
特征
高度并行性、分布性、自学习、自组织与自适应能力
神经元：兴奋与抑制、学习与遗忘
激活函数：Sigmoid、Tanh、Relu
学习方法
有导师的学习
无导师的学习
灌输式学习：网络设计成记忆特别的样子，给定特定例子有效
BP神经网络
最有效的神经网络学习方法，信号前向传递，误差后向传递，不断调节网络权值
输入、中间层、输出层
常有的权重共享现象为CNN和RNN
存储与映射
空间模式
RAM方式：随机访问
CAM方式：内容寻址
AM方式：相联存储
时空模式
映射
自相联映射
异相联映射
深度神经网络DNN
一般超过8层的才叫深度学习，阿尔法狗13层，每层神经元192个
自下而上的无监督训练过程
自顶向下的监督训练过程
神经网络的主流框架
Tensorflow，Keras，PyTorch，MXNet，Caffe2，PaddlePaddle飞浆，
物联网
物联网概论
概念：通过射频识别等信息采集设备按协议把物品与互联网连接进行信息交换和通讯
特征
全面感知
可靠传递
需要约定统一的协议，物联网是异构网络，需要通过软硬件等转换
智能处理
智能化、是互联网和传感器网络不能及
体系架构
五层架构体系
泛在感知网络
异构网络接入层
骨干传输网
网络中间件
泛在网络应用平台
四层架构体系
感知控制层
数据传输层
接入网、核心网
数据的动态组织和管理层
应用决策层
物联网应用可分为监控型，控制型，扫描型
三层架构体系
感知层
网络层
应用层
关键技术
感知标识技术
网络与通信技术
物联网是泛在网络，异构网络融合是重要技术问题；
三网融合指的是电信网、有线电视网、计算机通信网
云计算技术
安全技术
位置是物联网核心服务，位置隐私是核心技术
国际电联提出的物联网关键应用技术：RFID、传感器、智能技术、纳米技术
物联网主要涉及的关键技术：射频识别、纳米技术、传感器、网络通信技术
已有架构
基于传感器技术的无线传感网体系结构WSN
基于互联网和射频识别技术的EPC、UID系统
射频识别技术核心
M2M、CPS系统框架
信息物理系统CPS
M2M多种含义，指人与各种远程设备之间的无线通信，可划分为M2M设备域、网络域、应用域
传感器技术
传感器结构
敏感元件
转换元件
有的会有转换电路和辅助电源
传感器的特性
静态特性：线性度、灵敏度、重复性、迟滞
动态特性：时域、频域
传感器的发展趋势
微型化、智能化、多样化
传感器原理
应变式传感器：受力
电容式传感器：测物理量
压电式传感器：力敏，不能测静态参数
磁电感应式传感器
霍尔式传感器：利用霍尔效应
常用传感器
温度传感器
湿敏传感器
光电式传感器
光纤传感器
CCD图像传感器
气敏传感器
压力传感器
加速度传感器
智能传感器
标识与定位技术
条形码技术
一维条形码技术
UPC-A条码
EAN-13标准码
ISBN
条形码识别系统：条形码扫描器+放大整形电路、译码接口电路和计算机系统等
不能实现透明跟踪和贯穿供应链全过程
二维码技术
分类
堆积码：如Code49、16K、PDF417等
矩阵码：如Code1、Maxi Code等
识别
RFID技术
非接触式全自动识别技术，其数据内容可由密码保护，放电子式信息
一种射频信号通过空间耦合实现信息传递的技术
组成
电子标签
标签工作频率决定系统的工作原理和识别距离
工作模式
电磁反向散射耦合
超高频和微波
电感耦合方式
类型
按频率划分
低频电子标签
125kHz 134kHz,电感耦合(电磁耦合) 一般无源，阅读距离10cm，适合近距离低速数据量较少情况
中高频电子标签
13.56MHz，电感耦合，阅读距离小于1m，适合较高数据传输率
超高频、微波电子标签
915MHz，2450MHz,5800MHz，电磁方向散射耦合
按供电方式划分
有源电子标签
其他都比无源好，但寿命短
无源电子标签
半有源电子标签
先用低频信号定位，再用高频信号快速传输数据
通信方式
主动式标签TTF
被动式标签RTF
RFID阅读器
即读写器
天线
RFID中间件
阅读器接口
处理模块
应用程序接口
防碰撞技术
数据传输的完整性和正确性是保证识别性能的关键技术
定位
基于卫星导航的定位
通过GPS模块将位置发送到定位后台
主要卫星导航系统
美国GPS
俄罗斯GLONASS
中国北斗导航系统COMPASS，覆盖全球
欧洲伽利略系统
GPS系统主要由空间部分、地面控制部分、用户接收设备构成
GPS定位原理
基于参考点的基站定位
利用基站与通信设备间的无线通信和量测技术，误差较大
蜂窝定位
常用方法
COO定位
TOA定位
AOA定位
A-GPS定位
物联网通信技术
近距离无线通信技术
是实现WLAN、无线个人局域网、设备组网常用技术；用于将移动感知设备的感知数据汇聚通过网关传输到上层网络中
低成本、低功耗、对等通信
常用技术
wifi技术
采用的协议标准有20.11a，2.4G 11M b(g)，5.8 54MHZ，450n
加密方式：wep、wpa、wpa2、wep+wpa2
蓝牙技术
ZigBee技术
可实现短距离双向无线通信，能耗低、不复杂、成本低
介于无线标记技术和蓝牙技术之间，被广泛用于家居控制、商业建筑自动化、车间管理等领域
IEEE 802.15.3标准提升传输速率
远距离无线通信技术
卫星通信技术
工作在微波频段
移动通信技术
两者至少一方在运动过程实现信息传输
微波通信技术
微波是频率300MHZ-300GHZ的电磁波，主要是视距通信，超过需要中继转发
容量大、传输损失小、抗干扰强，可用于点对点、一点对多点或广播通信
有线通信技术
局域网、城域网、广域网的常用组网技术
传输介质
双绞线：3类 5类 超5类 6类
光纤：
以太网：局域网最通用通信协议标准，使用CSMA/CD
一些常用技术
ZigBee技术
网络层支持：星型、网状、簇树型结构
NB-IOT技术
会面临恶意软件植入威胁
LoRa技术
NFC技术
UWB技术
物联网数据处理技术
分级与降维
分级：减轻系统负荷
降维：压缩数据量
分级处理：感知层、传输层、应用层处理
降维处理：寻找投影变化、高维到低维映射
数据融合
空间和时间上互补与冗余信息按照优化准则或算法组合
无线传感网WSN
三要素
传感器、感知对象、观察者
传感器节点能耗主要在通信模块
传感器网络系统包括：传感器节点、汇聚节点、管理节点
WSN协议栈
五层协议：物理层、数据链路层、网络层、传输层、应用层
三层平台：能量管理平台、移动管理平台、任务管理平台
特征
节点计算能力低、能量和存储有限
节点数量规模大、密度高
自组织
以数据为中心、节点具有数据融合能力
动态性
协作方式执行任务
集成化
物联网应用
智能物流系统基础：智能交通系统和电子商务系统
区块链
概念
利用块链式数据结构验证与存储数据，利用分布式节点共识算法来生成和更新数据，利用密码学保证数据传输和访问安全，利用自动化脚本代码组成的智能合约编程和操作。
适合存储简单的，有先后关系的、能在系统内验证的数据
去中心化的分布式数据库
通过链式数据和共识算法实现所有人共计一本账概念
结构
区块(块头+块身)+链
保证了数据库的完整性和严谨性
原理
每次交易是一次操作，导致账本状态的一次改变；
区块是记录一段时间内发生的交易和状态结果，是对当前账本状态的一次共识
链是由一个个区块按照发生顺序串联而成，是个状态变化的日志记录
特征
开放、共识
去中心、去信任
交易透明、双方匿名
不可篡改、可追溯
安全
审计、数据库安全、连续性计划
分类
公有链
无官方组织和管理机构
联盟链
由某群体内部指定多个预选节点为记账人
私有链
建立企业内部，按照要求设定
区块结构
一种记录交易的数据结构
区块头：版本号、父区块Hash值、默克尔根、时间戳、难度值、随机数
区块生成
防篡改技术
并不是一定不能篡改，只是代价极高。数字加密算法；采用Paxos一致性协议
区块使用过默克尔树；P2P网络；信用机制保证
交易过程
交易生成、交易传播、工作量证明、全节点验证、区块链记录
架构体系
数据层
封装数据区块的链式结构，非对称的公钥私钥加密技术和时间戳技术
网络层
P2P组网机制，自动组网，分布式自治
共识层
封装网络节点的各类共识算法
PoW工作量证明算法，共识效率最低
PoS权益证明算法
DpoS：选出若干代理人的PoS
激励层
主要在公有链中经济激励，私有链不一定
合约层
封装代码、算法和智能合约
应用层
核心技术
分布式账本
网络成员之间共享、复制和同步的数据库
非对称加密算法
是所有权验证机制的基础，保证信息真实、安全
共识机制
区块链有4种机制
智能合约
自动化执行一些预先定义好的规则和条款
脚本是一种可编程的智能合约
应用
比特币
使用公有链、中本聪设计、存在延展性攻击，区块容量限制，分叉问题
去中心化、交易公开、交易匿名、P2P网络
以太坊
一个带有图灵完备语言的区块链，使用公有链，代表：Augur、TheDAO、Digix
Fabric
由IBM和DAH主导开发的一个区块链架构，不是公有链或代币
HyperLedge Fabric使用数字签名、分布式账本和共识技术
Onchain DNA
国人的区块链架构、支持三种类型区块链
央行体系首个落地应用：数字票据交易平台
芯片技术
ARM
低功耗、高性能RISC处理器
有ARM7、ARM9 、ARM11三个系列
采用Load/Store体系结构，大多数操作在寄存器内完成
ARM内核结构
一个RISC处理器+单一Cache缓存+存储空间管理单元MMU
ARM9特点
ARM7用2级流水线，ARM9用5级流水线
取指、译码、执行、缓冲、回写
ARM7采用冯诺依曼结构，ARM9用哈佛结构
引入高速缓存和写缓存
支持MMU；用来管理虚拟内存，将虚地址转换成物理地址、控制存储器存取允许
GPU概念
图形处理器，与CPU不同，GPU图形处理设计，天然具有并行性
GPU特点
有大量流处理器ALU，就是运算单元；可同时并发处理上万个线程，浮点运算能力很强
高并行性
高密集运算
超长图形流水线
GPU和CPU不同
概念
架构设计
CPU中存储单元和控制单元较多，擅长逻辑控制和串行运算，计算能力受限
GPU有很多计算单元，擅长处理密集数据计算，流水线长，适合并行处理
缓存结构
CPU有大量缓存结构，一般CPU芯片上都有四级缓存
GPU缓存简单，GPU芯片一般最多两层缓存，因此可利用晶体管空间和能耗
响应方式
CPU要求实时响应，对单任务速度要求很高，需要多层缓存保证速度
GPU是把所有任务排好，再批处理，缓存要求低
浮点运算方式
CPU除了负责浮点整形运算，还有其他指令集，注重单线程的性能
GPU基本上只做浮点运算，注重吞吐量
应用
擅长像操作系统的一类应用
适合高延迟、高吞吐架构
FPGA
概念
结构
设计步骤
几种部件
可编程逻辑器件PLD
可编程逻辑阵列PLA
可编程阵列逻辑PAL
通用阵列逻辑器件GAL