Kestrel 是 Scala 的一个非常小的队列系统，基于 starling。 kestrel : 就是Web服务器。默认包括在 ASP.NET Core 项目模板中。

Kestrel是一个scala写的twitter开源的消息中间件，特点是高性能、小巧（2K行代码）、持久存储（记录日志到journal）并且可靠（支持可靠获取）。Kestrel的前身是Ruby写的Starling项目，后来twitter的开发人员尝试用scala重新实现。它的代码非常简洁并且优雅。

Kestrel的特点：快——它在 JVM 上运行，能够高效的利用 Java 平台的性能。小——目前大约有 2500 行的 Scala。

经久耐用——队列能够快速存储到内存中，但日志记录存储到磁盘上，以便服务器能够关闭或移动。而不丢失任何数据。可靠——客户端能够“暂时（tentatively）”从队列中提取项目，如果客户端确认与该项目失联，则该项目会被转交到另一个客户端。这样子即使是崩溃，也不会导致信息丢失。

默认情况下，ASP.NET Core 项目模板使用 Kestrel。 在 Program.cs 中，模板代码调用 CreateDefaultBuilder，后者在后台调用 UseKestrel。

Kestrel采用的协议是memcached的文本协议，但是并不完全支持所有memcached协议，也不是完全兼容现有协议。标准的协议它仅支持GET、SET、FLUSH_ALL、STATS。

项目地址： https://github.com/twitter-archive/kestrel

WorkPlus Lite基于WorkPlus孵化而来，它是一款免费开源的企业移动平台。为了贴合企业移动平台需求，WorkPlus Lite提供了稳定的移动基座+强大的业务扩展两大核心要素。

WorkPlus Lite是一个移动基础基座，它拥有稳定的即时通讯，通讯录，广告页，媒体中心，推送，语音视频等移动基础功能。

WorkPlus Lite更是一个业务扩展平台，基于您自己的企业需求，你可以选择Api接入，服务号，应用或工作台多种模式进行业务扩展及开发，轻松将你的企业业务集成到平台中。

孵化出免费开源的WorkPlus lite版本，主要面向众多开发者，开发团队以及中小型企业。企业移动平台市场正形成二级分化的趋势。以钉钉，企业微信为代表的BAT互联大型公司，通过把TO C的互联网模式带到TO B中小型企业市场，以免费的方式提供服务，迅速满足一大批对定制需求不高的企业。而以WorkPlus为代表的恒拓高科等公司，则一直专注于通过私有化的模式为超大型企业服务，为众多知名的超大型企业构建属于它们自己的企业移动平台，在业内深受好评。

然而，在此之外，仍有一部分群体的需求无法得到满足，一方面它们不满足于钉钉，企业微信这样的互联网移动平台，期望有自己的移动App或平台，另一方面WorkPlus强大而全面的功能对他们而言又显得有点沉重。

为满足这部分群体的需求，在借助我们为超大型企业服务多年的经验与强大的WorkPlus能力上，孵化WorkPlus Lite版本并开源免费出来。为广大开发者与中小企业服务，让他们能快速的构建属于自己的移动平台。

WorkPlus Lite有着稳定的基础能力，这些能力对于大多数企业移动平台来说，都是不可或缺的能力。基于WorkPlus Lite，您无须再次构建与开发这些能力

全流程移动会务能力的支持。支持即时呼与视频会议两种方式，轻松构建企业远程沟通与交流。

WorkPlus Lite更是一个开发平台，我们提供了强大的扩展能力，这些扩展能力是为了让企业能高效，快速，低成本将自己的业务构建到移动平台上。

项目地址： https://www.workplus.io/

MyRocks：RocksDB是facebook基于LevelDB实现的，目前为facebook内部大量业务提供服务。经过facebook大量工作，将RocksDB为MySQL的一个存储引擎移植到MySQL，称之为MyRocks。 经过两年的发展，MyRocks已经比较成熟（RC阶段），现已进入了facebook MySQL的主分支了。MyRocks是开源的,参见git 。

RocksDB与innodb的比较：innodb空间浪费, B tree分裂导致page内有较多空闲，page利用率不高。innodb现有的压缩效率也不高，压缩以block为单位，也会造成浪费。

写入放大：innodb 更新以页为单位，最坏的情况更新N行会更新N个页。RocksDB append only方式。另外，innodb开启double write也会增加写入。RocksDB对齐开销小：SST file (默认2MB)需要对齐，但远大于4k, RocksDB_block_size(默认4k) 不需要对齐,因此对齐浪费空间较少。

RocksDB索引前缀相同值压缩存储：RocksDB占总数据量90%的最底层数据，行内不需要存储系统列seqid。（innodb聚簇索引列包含trxid,roll_ptr等信息。

MyRocks也是基于行锁，锁信息都保存在内存中。MyRocks也支持MVCC，MVCC通过快照的方式实现，类似于PostgreSQL。MyRocks目前只支持两种隔离级别，RC和RR。RR表现和innodb并不一样，RocksDB 的快照不是在事务开始的时候建立，而是延迟到第一次读的时候建立.

项目地址： http://myrocks.io/

第一步 获取 到当前元素的中心点

// 获取container容器
var $con = $('#container')
$(window).on('scroll', function(){
// 计算出容器的中心值
var center = $con.offset().top - (window.innerHeight - $con.height()) / 2
   if($(window).scrollTop() >= center) {
     // 滚动到中间
    // todo
   }
})

有些安卓机，用 touchstart 和 touchend 来触发video是播放不了的，可能是手机底层对手势进行了识别
建议你做一个降级方案，当视频无法播放的时候，把视频替换成 gif， 这样就可以解决大部分机型播放不出来的问题了！并且不影响能播放视频的手机！

以下是伪代码，你可以参考一下

// 降级 GIF 播放
  var demotionGif = function() {
    var u = navigator.userAgent;
    var isAndroid = u.indexOf('Android') > -1 || u.indexOf('Adr') > -1
    if (!isAndroid) return
    // 假设你的video里面有一个 data-gif 属性
    $('[data-gif]').each(function() {
      $(this).after('<img src=' + $(this).data('gif') + ' class="full">')
      $(this).remove()
    })
  }
  // 亮点视频移动端自动播放
  $(window).on('load', function() {
    var playing = false
    var touchcount = 0
    $('body').on('touchstart', function() {
      $('.highlights video').each(function() {
        if (this.currentTime <= 0) this.play()
      })
    })
    // 兼容部分安卓机无法播放视频的问题
    $('body').on('touchend', function() {
      touchcount += 1
      // 前2次触摸忽略
      if (touchcount < 2 && touchcount > 5) return
      setTimeout(function() {
        $('.highlights video').each(function() {
          if (this.currentTime > 0) playing = true
        })
        if (!playing) demotionGif()
      }, 3000)
    })
  })

许多现有的DL框架需要一个分离的集群进行深度学习，而一个典型的机器学习管道需要创建一个复杂的程序。分离的集群需要大型的数据集在它们之间进行传输，从而系统的复杂性和端到端学习的延迟不请自来。

雅虎认为，深度学习应该与现有的支持特征工程和传统（非深度）机器学习的数据处理管道在同一个集群中，创建CaffeOnSpark意在使得深度学习训练和测试能被嵌入到Spark应用程序中。

CaffeOnSpark：API&配置和CLI。CaffeOnSpark被设计成为一个Spark深度学习包。Spark MLlib支持各种非深度学习算法用于分类、回归、聚类、推荐等，但目前缺乏深度学习这一关键能力，而CaffeOnSpark旨在填补这一空白。CaffeOnSpark API支持dataframes，以便易于连接准备使用Spark应用程序的训练数据集，以及提取模型的预测或中间层的特征，用于MLLib或SQL数据分析。

Spark executor中，Caffe引擎在GPU设备或CPU设备上，通过调用一个细颗粒内存管理的JNI层。不同于传统的Spark应用，CaffeOnSpark executors之间通过MPI allreduce style接口通信，通过TCP/以太网或者RDMA/Infiniband。这个Spark+MPI架构使得CaffeOnSpark能够实现和专用深度学习集群相似的性能。

许多深度学习工作是长期运行的，处理潜在的系统故障很重要。CaffeOnSpark支持定期快照训练状态，因此job出现故障后能够恢复到之前的状态。

雅虎已经在多个项目中应用CaffeOnSpark，如Flickr小组通过在Hadoop集群上用CaffeOnSpark训练数百万张照片，显著地改进图像识别精度。现在深度学习研究者可以在一个AWS EC2云或自建的Spark集群上进行测试CaffeOnSpark。

项目地址： https://github.com/yahoo/CaffeOnSpark

Elide是一个用JPA注释模型轻松搭建JSON API web服务的Java library。Elide可以迅速搭建和部署高性能web服务，将数据模型以服务的形式开放访问，JSON API CRUD操作，用以访问JPA实体对象。任何实体只需要添加注释就能以JSON API的形式开放。

PATCH扩展 - Elide支持PATCH扩展功能，仅通过一个访问请求就能完成多项建造，修改，和删除实体的任务。

原子请求 - 包括PATCH扩展在内的所有请求皆为原子请求，可以和数据库事务的原子性完全兼容。高安全性 - 所有实体操作和实体内部数据的访问具备权限配置，让您的数据安全开放。灵活日志 - 所有访问日志可以随意配置。

高扩展性 - Elide支持所有CRUD实体访问类型的业务需求，任何数据库只需添加一个JPA对接类或者实现一个自定义的数据存储（datastore）就可以变成一个支持JSON API的实体后台。

安全测试 - Elide包含一个安全测试框架，可以寻找和发现API安全漏洞。客户端API - Elide还与一个JavaScript 客户端 library 协同开发。Elide兼容所有JSON AP 客户端 library。

项目地址： https://github.com/yahoo/elide

ElasticJob 是面向互联网生态和海量任务的分布式调度解决方案，由两个相互独立的子项目 ElasticJob-Lite 和 ElasticJob-Cloud 组成。

ElasticJob 通过弹性调度、资源管控、以及作业治理的功能，打造一个适用于互联网场景的分布式调度解决方案，并通过开放的架构设计，提供多元化的作业生态。 它的各个产品使用统一的作业 API，开发者仅需一次开发，即可随意部署。

使用 ElasticJob 能够让开发工程师不再担心任务的线性吞吐量提升等非功能需求，使他们能够更加专注于面向业务编码设计； 同时，它也能够解放运维工程师，使他们不必再担心任务的可用性和相关管理需求，只通过轻松的增加服务节点即可达到自动化运维的目的。

ElasticJob支持任务在分布式场景下的分片和高可用，能够水平扩展任务的吞吐量和执行效率，任务处理能力随资源配备弹性伸缩。能够在适合的时间将适合的资源分配给任务并使其生效，相同任务聚合至相同的执行器统一处理，动态调配追加资源至新分配的任务。还可以进行失效转移，错过作业重新执行，自诊断修复。

项目地址 https://shardingsphere.apache.org/elasticjob/

worker 是多线程，使用多核cpu么?