什么是缓存击穿
热点数据缓存设置过期时间，过期的时候恰好发来了大量并发请求，大量并发请求可能直接导致数据库宕机。
解决方案
1.加互斥锁
在缓存重建之前加互斥锁，只有拿到锁的线程才会进行缓存重建，没有拿到锁的线程则会休眠重试。
缺点
没有拿到锁的线程会一直等待，性能较低。（强一致，性能差）
2.逻辑过期
不给缓存设置真实的过期时间，而是新增一个过期时间字段，当查询到缓存时，判断这个数据是否真正过期了，如果是，新开一个线程进行缓存重建，当前线程则直接返回旧数据即可。缓存重建的过程同样需要加锁，对于没有抢到锁的线程，也是直接返回旧数据。
缺点
虽然性能得到了提升，但是查询到的数据可能是旧数据。（高可用，性能优，但数据可能不一致）
什么是缓存穿透
查询一个不存在的数据时，数据库（比如mysql）查询不到数据也不直接写入缓存，导致每次请求都会查询数据库，如果有人恶意查询空数据可能会导致数据库宕机
解决方案
1.缓存空数据
不存在的数据也放入缓存中，这样的缺点是，当有大量空数据时，会占用很多额外内存
2.布隆过滤器
作用
布隆过滤器可以告诉我们 “某样东西一定不存在或者可能存在”，也就是说布隆过滤器说这个数不存在则一定不存在，布隆过滤器说这个数存在可能不存在。当数据一定不存在时就可以直接返回。
原理
将一个数进行 次哈希运算，可以得到 个位置，在长为 的布尔数组里面把这 个位置标为 true。查询时，只需要判断这 个位置是否均为 true即可。
缺点
由于底层使用是哈希，哈希冲突会导致误判，这时可以自行设置参数来调整误判的概率。
参数
布隆过滤器提供了两个参数，分别是预计加入元素的大小 ，运行的错误率 。布隆过滤器中有算法根据这两个参数会计算出二进制数组的大小 ，以及无偏 hash函数的个数 。 它们之间的关系比较简单：
错误率越低，位数组越长，控件占用较大
错误率越低，无偏 hash函数越多，计算耗时较长 。布隆过滤器提供了两个参数，分别是预计加入元素的大小 ，运行的错误率 。布隆过滤器中有算法根据这两个参数会计算出二进制数组的大小 ，以及无偏 hash函数的个数 。 它们之间的关系比较简单：
错误率越低，位数组越长，空间占用越大
错误率越低，无偏hash函数越多，计算耗时越长
3.接口层校验
在业务入口（比如网关，Controller层）对参数进行校验，如果参数明显非法（比如出现负数，或者太大），直接拦截即可
XCPC比赛时使用的操作系统大部分情况为Ubuntu，这对于不熟悉linux的计算机小白十分不友好。这里旨在给大家提供一个简洁的编译运行方式，避免比赛环境中造成不必要的时间花费。
这里我使用的是与正式赛环境相同的操作系统。
先在桌面创建目录cpp
然后在vscode中打开cpp目录，创建main.cpp，in.txt，run.sh 三个文件
然后在run.sh文件中输入以下内容： (注意每次修改文件后按ctrl+s保存，当然你也可以设置自动保存)
g++ main.cpp -o main ./main < in.txt > out.txt cat out.txt
这段命令的作用是编译main.cpp程序，编译产生的二进制文件存放到main.exe, 然后执行main.exe, 输入数据来自in.txt, 程序输出结果放在out.txt, 然后打印输出结果
后续我们编译运行只需要执行这个脚本即可
在桌面点击打开终端
输入指令
cd cpp chmod +x run.sh
编写主函数，并将输入数据写入in.txt文件
打开终端，执行指令./run.sh
（注意当前一定要处于cpp目录下）
这样，程序的输出结果就存放在out.txt里了
下一次运行时，只需要输入!.指令即可（如果不懂，请前往学习linux指令语法）
如果你想在热身赛前熟悉比赛环境，需要在自己的电脑上安装Ubuntu虚拟机并配置gcc环境变量(当然正式赛的时候不用自己配置)。可以去B站搜索如何在本地安装linux虚拟机。
贝叶斯神经网络：数据科学中的璀璨新星
摘要： 本文围绕贝叶斯神经网络展开，先阐述其基本概念与原理，接着分析在数据科学领域的独特优势及面临的挑战，最后通过实际案例展示其应用价值。作为一名大二数据科学与大数据技术专业学生，通过课程学习对贝叶斯神经网络有了深入认识，期望通过此论文进一步理解并探索其在数据科学中的广阔前景。
关键词：贝叶斯神经网络；数据科学；不确定性；模型应用
一、引言
在数据科学蓬勃发展的今天，我们不断探索各种强大的工具来挖掘数据中的价值。贝叶斯神经网络，作为结合了贝叶斯理论与神经网络的新型模型，犹如一颗在数据科学星空中逐渐升起的新星，散发着独特而迷人的光芒。经过这段时间对贝叶斯神经网络课程的学习，我深感其魅力与潜力，特撰写此论文，分享我的学习心得与思考。
二、贝叶斯神经网络的基本概念
（一）神经网络基础回顾
神经网络，仿造人类大脑的神经元结构，由众多神经元相互连接构成。它通过输入层接收数据，经隐藏层层层处理，最终在输出层给出结果。每个神经元都有其激活函数，用于决定是否将信号传递给下一层。在训练过程中，通过不断调整神经元之间的连接权重，使网络能够学习到数据中的复杂模式，从而实现对新数据的预测或分类。
（二）贝叶斯理论的融入
贝叶斯理论，基于概率的推理方法，为我们提供了一种在已知信息基础上更新认知的方式。将其引入神经网络，就形成了贝叶斯神经网络。在贝叶斯神经网络中，我们不再将网络的权重视为固定的值，而是赋予它们概率分布。这意味着权重不再是一个确定的数，而是在一定范围内具有不同可能性的取值。例如，某个权重可能以较高的概率接近某个值，同时也存在以较小概率取其他值的情况。
（三）贝叶斯神经网络的工作原理
贝叶斯神经网络在训练时，不仅考虑当前的数据拟合程度，还结合了先验知识。先验知识可以是对权重分布的初始假设，比如认为权重应该符合某种常见的概率分布（如正态分布）。在观察到数据后，根据贝叶斯公式更新权重的后验概率分布。这个后验分布综合了先验知识和数据信息，使得模型在面对新数据时，能够更合理地做出预测，并且可以量化预测的不确定性。
三、贝叶斯神经网络在数据科学中的优势
（一）处理不确定性的能力
在现实世界的数据中，不确定性无处不在。例如，传感器采集的数据可能存在噪声，或者某些数据特征本身就具有随机性。传统的神经网络往往会给出一个确定性的预测结果，但很难衡量这个结果的可靠性。而贝叶斯神经网络由于其对权重的概率建模，能够自然地处理这些不确定性。它可以给出预测结果的概率分布，让我们清楚地知道预测的可信度有多高。比如在天气预报中，贝叶斯神经网络可以告诉我们明天下雨的概率是30%，而不是简单地说下雨或不下雨，这为决策提供了更丰富的信息。
（二）防止过拟合
过拟合是传统神经网络常见的问题之一。当网络过于复杂，对训练数据拟合得太好了，就容易在新的未见过的数据上表现不佳。贝叶斯神经网络通过先验分布对权重进行约束，避免了权重过大或过于复杂的情况。先验分布可以看作是一种对模型复杂度的惩罚，使得模型更倾向于选择简单而合理的权重配置，从而提高了模型的泛化能力，减少了过拟合的风险。
（三）模型解释性
与传统神经网络的黑箱性质不同，贝叶斯神经网络在一定程度上具有更好的解释性。由于我们可以查看权重的概率分布，了解哪些权重在模型中更为重要，以及它们的可能性范围。这对于理解模型是如何做出决策的非常有帮助，尤其是在一些对模型解释性要求较高的领域，如医疗、金融等。
四、贝叶斯神经网络在数据科学中的应用案例
（一）医疗诊断辅助
在医疗领域，准确的诊断至关重要。贝叶斯神经网络可以用于辅助疾病诊断。例如，利用患者的各种生理指标（如血压、心率、血液检测结果等）作为输入，预测患者是否患有某种疾病。由于医疗数据的不确定性和复杂性，贝叶斯神经网络能够很好地处理这些问题。它不仅可以给出患病的概率，还能考虑到不同症状和检查结果之间的不确定性关系。在实际应用中，医生可以将贝叶斯神经网络的预测结果作为参考，结合自己的专业知识，做出更准确的诊断。
（二）金融风险预测
金融领域充满了各种风险，如市场风险、信用风险等。贝叶斯神经网络可以用于预测金融市场的走势和客户的信用风险。以信用风险评估为例，银行可以根据客户的个人信息（如收入、职业、信用历史等）作为输入，通过贝叶斯神经网络预测客户违约的概率。由于金融数据往往具有噪声和不完整性，贝叶斯神经网络的不确定性处理能力可以更好地应对这些问题，为银行提供更合理的风险评估，帮助银行制定更科学的信贷政策。
五、贝叶斯神经网络面临的挑战
（一）计算复杂度高
贝叶斯神经网络的训练过程涉及到对权重后验分布的计算，这通常需要复杂的数值计算方法，如马尔可夫链蒙特卡罗（MCMC）方法等。这些计算方法在处理大规模数据和复杂网络结构时，计算量会非常大，导致训练时间过长。对于实际应用中的大型数据集，可能需要高性能计算资源才能完成训练，这在一定程度上限制了贝叶斯神经网络的广泛应用。
（二）先验分布的选择难题
先验分布的选择对贝叶斯神经网络的性能有着重要影响。然而，在实际应用中，如何选择合适的先验分布并没有一个固定的标准。不同的先验分布可能会导致完全不同的结果，而且选择过程往往需要一定的经验和领域知识。对于初学者来说，这是一个较难把握的问题，需要不断地尝试和调整。
六、结论
通过这段时间对贝叶斯神经网络的学习，我深刻认识到它在数据科学中的巨大价值。它以其处理不确定性、防止过拟合和较好的解释性等优点，为数据科学领域带来了新的思路和方法。尽管目前它还面临着计算复杂度高和先验分布选择难等挑战，但随着技术的不断发展和研究的深入，这些问题有望逐步得到解决。作为一名数据科学与大数据技术专业的大二学生，我将继续关注贝叶斯神经网络的发展，努力学习相关知识，希望能够在未来的数据科学研究和实践中，充分利用贝叶斯神经网络的优势，为解决实际问题贡献自己的一份力量。我相信，贝叶斯神经网络这颗新星将在数据科学的天空中绽放出更加耀眼的光芒。
