我对多语言博客 WordPress 插件有以下几个需求：
尝试多款插件之后，决定使用 Polylang，需求都能满足，且免费功能就够用。虽然内容需要自己翻译，但我也不是每篇都想翻译成英文，且借助 ChatGPT 并不费劲。
Pro 版（99欧元）可以和 DeepL 深度整合，并支持更多自定义功能。
基础设置跟着 Setup 流程即可。之后每翻译一篇，就会在英文界面展示一篇。
设置完成后的效果：https://anotherdayu.com/en/ 。
目前我使用的显示屏是 Dell U2720QM，偶尔有屏闪问题（4 年间出现过 3 次）。
过去一直以为是电压不稳或接触不良，关机一段时间重启就好了，但昨晚反复重启多次也没有恢复。
于是查了些资料，发现屏闪似乎是 Apple M 系列芯片的通病，尤其是 M1 和 M2 芯片，且 BenQ 也会出现该问题。
解决方法千奇百怪，大家各有各的道理：
这些方法都不适用于我的情况。最终激活显示器硬件设置中的 LCD Conditioning 后，解决了屏闪问题。
另外，也有网友表示开源软件 aiaf/Stillcolor 可以通过禁用时间抖动（Temporal Dithering）永久解决该问题，我目前已安装，有备无患。
Twitter 在 WordPress 上的常规展示方式是 嵌入时间轴，缺点是仍基于 Twitter 数据库，所以国内用户无法查看。
近期我使用的是 juicer.io，这个网站可以将 Twitter、instagram、RSS 等时间轴聚合，展示在一个网页中。
而且支持 WordPress 插件，将嵌入时间轴。优点是经过 juicer.io 的转存后，国内用户也能访问该页面：https://anotherdayu.com/timeline/ 。
小遗憾是数据没有储存在本地，所以无法进行 SEO 索引。胜在轻量级，不折腾，
流程如下：
另外，昨天和评论尸交流了一下，他开发的插件可以通过 RSS 为 WordPress 载入即刻的时间轴，并且有可能为 twitter 实现类似的效果。因为是通过 RSS 实现的，数据会保存在服务器中，并可以被 SEO 索引。
目前还在测试阶段，感兴趣的朋友可以关注他的 Twitter ：@JeffreyCalm ，跟踪项目进展。
亚马逊云AWS的SLA是4个9也就是99.99%在线时间uptime
在系统设计面试中，可用性百分比是软件工程师应该熟悉的基本知识。
在系统可靠性领域（System Availability），99.9% 或 99.99% 之类的可用性百分比是关键的基准。但是这些数字究竟意味着什么？它们又如何转化为实际停机时间（Downtime）？以下介绍了如何计算与不同可用性水平相关的停机时间，并使用示例来说明 99.9%、99.99% 和其他可用性目标所带来的预期。
可用性百分比表示系统在给定时间段（通常是一年、一月或一天）内预计正常运行的时间比例。例如，99.9% 的可用性意味着系统在指定期间内可以停机 0.1% 的时间。
以下是根据不同时间段的可用性百分比计算停机时间的方法：
停机时间 = 总时间周期 × (1 – 可用性百分比)
对于具有更高可用性目标的系统，如 99.99% 或 99.999%，允许的停机时间会变得更短。以下是总结不同可用性水平停机时间的表格：
| 可用性 | 年度停机时间 | 月度停机时间 | 每日停机时间 |
|---|---|---|---|
| 99.9%（三个 9） | 约 8 小时 45 分钟 | 约 43.2 分钟 | 约 1.44 分钟 |
| 99.99%（四个 9） | 约 52.6 分钟 | 约 4.4 分钟 | 约 8.6 秒 |
| 99.999%（五个 9） | 约 5.3 分钟 | 约 26 秒 | 约 0.86 秒 |
| 99.9999%（六个 9） | 约 31.5 秒 | 约 2.6 秒 | 约 86 毫秒 |
具有高可用性目标的系统对于那些停机会直接影响收入、客户满意度或安全的行业至关重要。实现这些目标需要精心设计，包括负载均衡、冗余、故障转移机制，有时还需要资源的地理分布。
可用性百分比提供了表达系统可靠性的一种方便方式，但将其转换为停机时间则可以更清楚地看到面临的风险。使用这些计算来设置现实的可用性目标，并相应地准备您的基础设施。
英文：Understanding Availability Percentages: Calculating Downtime for Your Systems
本文一共 768 个汉字, 你数一下对不对.
在 C++ 中，std::future 和 std::async 是 C++11 标准 并发库的一部分。它们允许您异步/Asynchronous运行任务并在稍后获取结果，非常适合编写非阻塞代码和并行化计算。以下是它们的工作原理和典型用法。
std::async 是一个高级函数，允许您异步启动一个任务（一个可调用对象，如函数或 lambda）。您指定要运行的函数，std::async 返回一个表示该 函数结果的 std::future。您可以稍后获取该结果，无论是任务完成时还是您需要时。
登录
#include <iostream>
#include <future>
#include <chrono>
int compute() {
std::this_thread::sleep_for(std::chrono::seconds(2)); // 模拟工作
return 42; // 计算结果
}
int main() {
// 异步启动任务
std::future<int> result = std::async(std::launch::async, compute);
// 当 compute() 运行时执行其他任务...
// 获取 compute() 的结果（如果任务未完成则会等待）
int value = result.get();
std::cout << "结果: " << value << std::endl;
return 0;
}
在此示例中：
如果省略策略，C++ 可能根据实现定义的标准选择其中之一。
std::future 是一个类模板，表示稍后获取的结果。它本质上是一个异步操作结果的占位符。
if (result.wait_for(std::chrono::seconds(1)) == std::future_status::ready) {
std::cout << "结果已就绪: " << result.get() << std::endl;
} else {
std::cout << "仍在等待结果..." << std::endl;
}
此代码检查结果是否在 1 秒内就绪。如果没有就绪则继续执行，不 阻塞。
对于更高级的用法，std::promise 允许您手动设置 std::future 的结果。std::promise 对象提供一个 std::future，您可以显式设置结果。
#include <iostream>
#include <future>
#include <thread>
void setPromise(std::promise<int> p) {
p.set_value(10); // 设置 promise 的结果
}
int main() {
std::promise<int> p;
std::future<int> f = p.get_future(); // 从 promise 获取 future
std::thread t(setPromise, std::move(p)); // 将 promise 传递给线程
t.join();
std::cout << "promise 的结果: " << f.get() << std::endl; // 获取结果
return 0;
}
在此例子中，结果 10 是由 std::promise 设置的，std::future 可以通过 f.get() 获取。
使用这些功能，您可以有效地管理 C++ 中的异步任务，更轻松地并行运行计算或将工作分配给其他线程而不阻塞主线程。
英文：Tutorial on C++ Future, Async and Promise
本文一共 606 个汉字, 你数一下对不对.
今早起床发现博客网站宕机了，最初以为是小 bug，就重启了服务器。
网站加载速度依旧很慢，艰难的进入了控制面板。记录显示从昨晚 11点 左右开始服务器 CPU 满载，且提示已开启 CSRF 攻击防护。CSRF（Cross-Site Request Forgery）的中文名为跨站请求伪造,是一种常见的 web 安全攻击方式。
在群友的建议下，开启了 Cloudflare 代理服务（橙色小云）。没立即见效。然后开启了 Cloudflare 五秒盾（Security—settings—Security Level —I’m Under Attack!），并再次重启服务器，能够勉强进入博客页面，但 CPU 依旧满载。
半小时后，安装了 fail2ban，依旧没有缓解问题。
有些头疼，就干了会其他工作，再回来看，网站已恢复正常。回顾之前的操作，已经搞不清楚是哪步起了作用，也可能是 DNS 服务生效比较慢，生效后就解决问题了。
又或是攻击者觉得累了，恰好暂停攻击，让我喘口气。
无论是哪种，都让我有些心有余悸。
我选用的服务器网络比较好，兼容外网和国内网络，所以溢价较高。如果一直使用 Cloudflare 代理，可以增加稳定性，但抹去了这些优势。
陷入了两难的境地。
听朋友说 1panel 自带了防火墙(ModSecurity)，易用性高一些，之后考虑试一试。
最后，感谢群友们的帮助。
并求求别攻击我这个小博客了。
记录一下：
11月05日，被攻击第1次。
11月11日，被攻击第2次。
11月12日，被攻击第3次。
11月13日，被攻击第4次。
朋友们，如果访问不了我的网站，记得提醒我一下。
一年一度的万圣节要到了，正好这天在Linkedin上看到Mathworks发的帖子，用Matlab画一个南瓜，很是有趣。
用Matlab画一个南瓜/Pumpkin
% Pumpkin [X,Y,Z]=sphere(200); R=1-(1-mod(0:.1:20,2)).^2/12; x=R.*X; y=R.*Y; z=Z.*R; c=hypot(hypot(x,y),z)+randn(201)*.03; surf(x,y,(.8+(0-(1:-.01:-1)'.^4)*.3).*z,c, 'FaceColor', 'interp', 'EdgeColor', 'none') % Stem s = [ 1.5 1 repelem(.7, 6) ] .* [ repmat([.1 .06],1,10) .1 ]'; [t, p] = meshgrid(0:pi/15:pi/2,0:pi/20:pi); Xs = -(.4-cos(p).*s).*cos(t)+.4; Zs = (.5-cos(p).*s).*sin(t) + .55; Ys = -sin(p).*s; surface(Xs,Ys,Zs,[],'FaceColor', '#008000','EdgeColor','none'); % Style colormap([1 .4 .1; 1 1 .7]) axis equal box on material([.6 1 .3]) lighting g camlight
英文：Draw a Pumpkin using Matlab
迭代幂运算（重幂）是数学中的一种运算，涉及到反复进行幂次运算。它是超运算序列的一部分，该序列延伸了加法、乘法和幂运算。在迭代幂运算中，一个数自乘多次，直到达到指定的次数。
一个数a迭代幂的高度n通常表示为：
，也就是把n写在a的左上角，（也可以记作：a↑↑n）这表示a被迭代n次。
例如：
（简单恒等式）
（a自乘一次）
（a的幂次为a自乘）
，依此类推。在迭代幂运算的上下文中，
通常未定义或没有普遍共识。然而，一些数学惯例建议对于任何 
，
，类似于在幂运算中对任何非零的 有 
的情况。
让我们评估 
（读作“2迭代到高度3”）：
因此 
迭代幂运算/重幂在基础数学中较少见，但在某些高级数学领域中发挥作用，特别是在涉及极大数的领域，如大数理论和计算机科学中。
以下是两个计算迭代幂运算的Python函数。第一个使用递归，第二个使用迭代。
在两个函数中，我们在开始时添加了对 n = 0 的检查。如果 n 为 0，则函数返回 1，否则继续处理。这种方式使函数能够按照任意数的迭代幂高为0时为1的惯例处理 n=0 的情况。
递归函数：此函数将自己调用，n 的高度递减1，直到达到1，此时返回基数a。这就实现了从上到下构建指数链的效果。
@lru.cache(None) ## 缓存函数
def tetration_recursive(a, n):
if n == 0:
return 1
if n == 1:
return a
return a ** tetration_recursive(a, n - 1)
递归计算迭代幂的函数理论上可以进行尾优化。在尾递归中，递归调用是函数中的最后一个操作，这样某些编译器或解释器可以通过重用相同的堆栈帧来优化调用堆栈的使用。这可以通过消除每个递归调用的额外堆栈帧需求来将空间复杂度降到 O(1)。
然而，当前的递归实现并不是尾递归的，因为递归调用嵌套在一个幂运算中：
return a ** tetration_recursive(a, n - 1)
这里，幂运算依赖于递归调用的结果，所以在完成当前调用之前必须计算出结果，从而阻止了尾递归优化。
迭代函数：此函数使用 for 循环遍历高度 n，通过在每次迭代中更新幂运算的结果，来从下至上计算结果。
def tetration_iterative(a, n):
if n == 0:
return 1
result = a
for _ in range(1, n):
result = a ** result
return result
Python函数计算迭代幂的时间和空间复杂度取决于其递归或迭代实现。让我们分析两种实现。
时间复杂度：
的幂运算需要 
的时间。
，有n层，这意味着增长速度非常快空间复杂度：
时间复杂度：
的幂次，这个结果会呈指数增长。，有n层，因为每一步都是指数级增长。空间复杂度：
由于反复幂次的快速增长，这两种实现的时间复杂度都非常高，对于较大的值变得不可行。递归版本由于调用堆栈的使用空间复杂度为 O(n)，而迭代版本的辅助空间复杂度为 O(1)，但仍然需要处理极大数，这可能会间接影响内存使用。
英文：Tetration Operator in Math Simply Explained with Python Algorithms
本文一共 1253 个汉字, 你数一下对不对.
马太效应是一种社会学和经济学现象，描述了“富者愈富，贫者愈贫”的情况。这个概念来源于《新约圣经·马太福音》中的一句话：“凡有的，还要加给他，使他有余；没有的，连他所有的也要夺去。”因此，“马太效应”这一术语应运而生。
你可能听过这句话：“富者愈富，贫者愈贫” ——这就可以被视为马太效应。
有的人运气好的时候可以一直好运连连，似乎不管做什么都顺风顺水；而有的人一旦遭遇不幸，比如生了场大病，就像是被命运压垮了，接连而来的挫折仿佛永无止境。这种现象其实与我们常说的“马太效应”密切相关——资源和机会越多，往往更容易获得新的机遇，而那些本就处于困境中的人，可能会越发陷入逆境。
我们在生活中会经常遇到类似的情形：一部分人似乎总能轻而易举地获得成功，而另一部分人即便努力了也难以改变困境。这不仅仅是运气的问题，还涉及到资源、支持系统，以及社会对个人发展的反馈。有时候，幸运的人往往有更多的支持与资源来化解困难，反之亦然，不幸的人在面临困境时却因为资源稀缺而难以逆转局势。
马太效应在生活的各个领域广泛存在。
较富有的人通常有更多的资源和机会去进一步积累财富，而贫穷的人由于缺乏资源可能会变得更加贫困。例如，富人有更多的资本去投资和购买资产，从而获得更多回报。
高成就的学生通常能够获得更多的教育资源、教师关注以及成就感，这进一步激励了他们的学习。与此同时，学业上困难的学生可能得不到足够的支持，导致成绩下降。
在职场中，表现出色的员工往往能够获得更多的资源、机会和认可，进一步巩固他们的地位。而另一方面，表现普通的员工可能由于缺乏机会而被边缘化。
著名科学家的研究成果往往更容易获得认可和引用，进一步提升他们的声誉，而其他研究人员由于缺乏可见性可能难以得到承认。
马太效应往往会导致资源和机会的集中化，强化了社会和经济的不平等现象。此现象也凸显了我们需要关注资源分配和教育公平等问题，以减少不平等现象的扩大。
英文：Simply Explained: Matthew Effect
本文一共 784 个汉字, 你数一下对不对.
Docker
概述：Docker和虚拟机（VMs）都用于在隔离的环境中部署和运行应用程序，但它们的实现方式不同。
总结：Docker 容器更高效且部署更快，而虚拟机提供更强的隔离，更适合多样化的操作系统需求。
概述：Kubernetes（K8s）是一个开源平台，用于自动化容器化应用程序的部署、扩展和管理。
简而言之，这篇文章展示了 Docker、虚拟机和 Kubernetes 的技术差异和实际应用，这是系统设计和云原生环境中至关重要的内容。
英文：Docker, Virtual Machines (VMs) and Kubernetes (K8s)
本文一共 555 个汉字, 你数一下对不对.
最近，在面试第一轮抖音（字节跳动）的伦敦职位（Site Reliability Engineer），被问到了这个问题：TCP/IP协议是什么？这个是考基本功，是每个软件工程师都要会的。
TCP/IP（传输控制协议/互联网协议）是一组网络协议，管理数据如何通过互联网和其他网络传输。它是互联网的基本通信模型，由两个主要层组成：
IP 负责将数据包从源地址路由到目标地址。它工作在 OSI 模型的网络层。
TCP 负责确保设备之间数据传输的可靠性。它工作在 OSI 模型的传输层。
TCP/IP 确保数据在网络间高效传输，保持可靠性、地址分配和路由，同时遵循互联网的基本通信原则。
TCP/IP 通常被描述为一个四层模型，但有时它可以与 OSI 模型（七层）进行比较。
TCP/IP 4层协议和OSI的7层协议的比较
TCP/IP 模型简化为四层，旨在反映协议在现实网络中的工作方式。
这一层对应于 OSI 模型的前三层（应用层、表示层和会话层）。它包括 HTTP、HTTPS、FTP、DNS 和 SMTP 等协议。
负责设备之间的可靠通信。运行于这一层的协议包括 TCP（传输控制协议）和 UDP（用户数据报协议）。
处理跨网络的数据包路由，类似于 OSI 的网络层。该层包含 IP（互联网协议），用于地址分配和数据包路由。
这一层负责物理网络（如以太网、Wi-Fi）和互联网层之间的数据传输。它对应于 OSI 的数据链路层和物理层。
OSI（开放系统互联）模型更加细致，将网络功能分为七个层次。
TCP/IP 将一些功能合并为更少的层次（四层），反映了它在互联网通信中的实际应用。
OSI 是一个更加详细的概念模型（七层），主要用于教学和理论理解。
总结来说，TCP/IP 通常被认为是四层模型，而 OSI 模型则是七层模型。
英文：What is TCP/IP (4 Layer vs OSI 7 Layer)?
最近面试的时候遇到这个问题。这个问题考你计算机的基本功。
在 C/C++ 中，内存管理是控制程序如何分配和管理其资源的关键方面。C/C++ 程序中的内存通常分为不同的区域：堆栈和堆是最主要的动态和自动内存分配区域。
Stack 栈
| 特征 | 堆栈 | 堆 |
|---|---|---|
| 内存大小 | 通常较小，预定义 | 通常较大，受系统资源限制 |
| 分配 | 自动，由编译器管理 | 手动，由程序员管理（使用 new、malloc 等） |
| 释放 | 自动（函数退出时） | 手动（使用 delete、free 等） |
| 生命周期 | 限于函数/代码块作用域 | 可以持续，直到显式释放 |
| 速度 | 较快（连续内存） | 较慢（分散内存，开销更大） |
| 风险 | 堆栈溢出（如果超出大小限制） | 内存泄漏和碎片化 |
void function() {
int x = 10; // 分配在堆栈上
} // x 会自动释放
void function() {
int* p = new int; // 分配在堆上
*p = 10;
delete p; // 必须手动释放
}
正确管理堆内存在 C/C++ 中非常重要，因为它可能导致与内存相关的错误，如内存泄漏或重复释放。理解堆和堆栈内存之间的差异有助于优化程序的性能和可靠性。
英文：The Memory Manager in C/C++ (Heap vs Stack)
今天通过墨西哥 VPN 注册的用户可免费获得一年Coursera Plus会员，享受7,000多门课程的无限访问。该促销活动有时间限制，只需在注册过程中使用VPN，完成后可正常使用。需注意，在订阅结束前取消以避免收费。
