有没有类似 ipcMain 和 ipcRenderer 这种通讯方式，因为主进程的逻辑比较复杂，写在一个文件里面是不合适的，所以拆分了好几个模块，现在又有一个问题，这几个模块之间有些时候需要相互进行通讯，不知道要怎么实现

Sylph 被定位为大数据生态中的一站式流计算平台，您可以使用它来开发、管理、监控、运维您的流计算。

hive将您编写的hive-sql转换成分布式MR批计算Job(默认engine),然后自动在Hadoop-Yarn上执行,那么Sylph就是将Stream-Sql转换成分布式(Flink,…)流计算Job,然后同样自动在Hadoop-Yarn上执行。

快速两部了解sylph两步走：第一步: 您只需编写好Stream Sql，然后Sylph会编译您的sql，将其翻译成具体的物理计算引擎。第二步: 然后你接下来只需点击任务上线，然后sylph就会将这个分布式流计算任务提交到Hadoop-Yarn上运行。 ok到此，你的大数据分布式流计算程序已经上线了，接下来您可以直接在sylph的代理页面查看您的job, 了解下参数情况等,可以在这里管理和杀死job。

项目地址： https://gitee.com/mirrors/Sylph

Trill 是 Microsoft Research 开源的高性能单通道内存流分析引擎，它基于时态数据（temporal data）和查询模型（query model），可处理实时和离线数据。

Trill 可用作流引擎，轻量级内存关系引擎，以及渐进式查询处理器。Trill 可以做到每天处理一兆次（trillion，一万亿）事件，比当今市场上的流分析引擎的数据处理速度快2-4倍。

Trill 的亮点包括：作为单节点（single node）引擎库，任何 .NET 应用、服务或平台都可以轻松使用 Trill 并开始处理查询。作为一种时态查询语言，允许用户在实时和/或离线数据集上进行复杂的查询。

Trill 在其预期使用场景中的高性能意味着用户可以获得令人难以置信的速度和低延迟的结果。例如，过滤器以每秒数十亿事件的内存带宽速度运行，而分组聚合每秒运行1000万-1亿个事件。

项目地址： https://github.com/Microsoft/trill

Polynote 一种多语言编程 notebook 环境，与 Apache Spark 集成，并为 Scala、Python 和 SQL 提供强大的支持。Polynote 旨在使数据科学家和 AI 研究人员将 Netflix 的机器学习框架与 Python 机器学习和可视化库相集成。

特性：重复性：对于初学者，notebook 执行是在特定时间和特定环境中运行的特定代码的记录。它是一个有序的单元格集合，每个单元格可以保存代码或文本，并可以独立进行修改和执行。可以重新排列，插入和删除单元格，它们通常取决于 notebook 电脑中其他单元格的输出。

Polynote 新颖的可重复性功能在执行之前考虑了单元格在 notebook 中的位置，有助于避免使 notebook 电脑难以重新运行的不良做法。

编辑体验更佳：除了具有支持高质量 LaTeX 排版系统的富文本编辑器之外，它还具有类似于集成开发环境的功能，包括交互式自动完成和参数提示以及行内错误突出显示功能。

可见性：Polynote 中的符号表可让您深入了解 notebook 的内部状态，而单独的状态区域则显示有关内核执行状态的关键信息。

依赖关系和配置管理：方便的配置部分使用户可以为每个 notebook 设置依赖项，Polynote 会自动在本地或从存储库中获取和加载依赖项。

项目地址： https://gitee.com/mirrors/polynote

Rudder 已改名为Flannel，为每个使用 Kubernetes 的机器提供一个子网。也就是说 Kubernetes 集群中的每个主机都有自己一个完整的子网，例如机器 A 和 B 可以有 10.0.1.0/24 和 10.0.2.0/24 子网。该模型的好处就是降低端口映射的复杂度，缺点是目前只有 GCE 云服务提供者可以实现。

flannel简单易用， 只需要同属CoreOS家族的etcd作为一致性存储， 便可配置multi-host的网络连接。可以看到flannel为每台host划分了subnet， 这样就保证多台主机上的多个容器都能拥有独立的ip来互相通信。

flannel源码主要包含以下目录：backend: ip packet转发的具体实现， 包含udp, vxlan, hostgw, gce... , 默认是udp。network:确定backend类型， 写本地env文件。subnet: 与etcd交互， 确定subnet。 项目地址： https://github.com/coreos/flannel

我在对项目进行全站搜索，发现编辑器的搜索功能会搜索一些不必要的文件，例如搜索http的时候会把pdf里面的http都搜索出来，如何忽略.pdf文件或者别的文件

这个框架 设了 锚点以后清晰度就会模糊，目前比较好的解决方案就是不设置锚点，这样清晰度会高一点，这个框架的定位偏向轻量化，还能和vue无缝使用，所以如果要做很复杂的东西，可以考虑其它专业的那些引擎，比如 pixi.js egret cocos 等等！

Anakin 是一款跨平台的高性能推理引擎，最初是由百度工程师开发的，是工业产品的大规模应用。您可以在 x86-cpu、arm、nv-gpu、amd-gpu、bitmain 和 cambricon 设备上运行 Anakin。

Anakin特征灵活性，Anakin是一个跨平台的高性能推理引擎，支持广泛的神经网络架构和不同的硬件平台。在 GPU / x86 / ARM 平台上运行 Anakin 很容易。

Anakin 已与 NVIDIA TensorRT 集成，并开放了集成 API 的这一部分以提供服务，开发人员可以直接调用该 API 或根据需要对其进行修改，这将更加灵活地满足开发要求。

Anakin高性能，为了充分发挥硬件的性能，该团队在不同级别优化了前向预测。

自动图形融合。给定算法下所有性能优化的目标是使 ALU 尽可能繁忙，操作员融合可以有效减少内存访问并保持 ALU 繁忙。

内存重用。前向预测是一种单向计算，该团队在不同运算符的输入和输出之间重用内存，从而减少了整体内存开销。

装配级优化。Sabre 是 Anakin 的基础DNN库，在装配级别进行了深度优化。

项目地址： https://github.com/paddlepaddle/paddle

Chez Scheme是一个Scheme实现，由R. Kent Dybvig开发并于1985年首次发布。Chez Scheme可以将源代码编译为原生的机器代码，支持PowerPC、SPARC、x86和x86-64处理器架构，并提供了一个优秀的REPL环境。Chez Scheme自7.9.1版本开始支持R6RS。Chez Scheme有一个窗口和图形软件包，称为 Scheme Widget Library，其支持可移植的SLIB库。据几个基准测试，Chez Scheme是最快的可用的Scheme实现之一。从9.4版本开始成为开源软件。

Chez Scheme 是一个经过优化的编译器，可为PowerPC，SPARC，IA-32和x86-64架构生成本地代码。它支持计划R6RS规范，这一2007年制定的 scheme 标准如今已经为很多的 Scheme 实现所支持，如 Racket, Ikarus, Larceny 和 Ypsilon。 Chez scheme 使用渐进式本地编译方式，并侧重于最大限度地提高程序员的工作效率以及应用程序的可靠性和性能。

Chez scheme 由一个使用nanopass编译器架构的编译器编译而成，该架构在单次编译中努力降低转换和优化的数量。这种方法使编译器更容易理解和维护，同时还简化了 开发，测试和调试。另一个附加的好处是，这使得把Chez scheme非常有趣，适合用来研究学习。

Chez scheme 还有一个姐妹实现叫 Petite Chez scheme。Petite Chez scheme 使用了一种高速线程化的解释器设计。为 Chez scheme 编写的程序可以在 Petite Chez scheme 上运行。唯一的例外是部函数接口（FFI）和其它的一些语言功能仅适用于 Chez scheme。随着 Chez scheme 的开源，Petite Chez scheme 还能扮演何种角色变得很不明朗，毕竟，其设计的初衷就是为那些无法获得 Chez scheme 编译器的用户提供一个免费使用的替代品来运行为 Chez scheme 编写的程序而已。

项目地址： https://git.oschina.net/mirrors/chez-scheme

布局出来后，切换设备发现部分地方无法适配，如何处理?