Git 工作流与系统设计要点精读
Git 工作流：核心命令一览
Git 命令众多，但大多数工作流只用到其中一小部分。真正引发问题的往往不是命令本身，而是执行后无法准确判断代码当前所处的位置。
代码在工作目录（Working Directory）→ 暂存区（Staging Area）→ 本地仓库（Local Repo）→ 远程仓库（Remote Repo） 四层状态间流转。以下是各层对应的常用命令：
保存工作进度
- git add：将文件从工作目录移至暂存区
- git commit：将暂存区内容提交至本地仓库
- git push：将本地提交推送至远程仓库
获取项目代码
- git clone：将整个远程仓库拉取到本地
- git checkout：切换至指定分支
同步远程变更
- git fetch：从远程下载更新，但不修改本地文件
- git merge：将获取的变更合并进本地分支
- git pull：同时完成 fetch + merge 两步操作
安全网：暂存与恢复
- git stash：临时保存未提交的修改，以便切换上下文时不丢失进度
- git stash apply：恢复暂存的修改（stash 记录保留）
- git stash pop：恢复修改并删除对应 stash 记录
缓存系统四大失效场景
缓存是高性能系统的标配，但一旦失效方式不对，反而会成为系统的软肋。以下是四种典型缓存失效问题及其应对方案。
缓存穿透（Cache Penetration）
问题：查询的键既不在缓存中，也不在数据库里。应用无法从数据库获取有效数据来回填缓存，缓存层和数据库层同时承压。
解决方案：
- 对不存在的键也缓存一个空值（null），避免每次都打到数据库
- 引入布隆过滤器（Bloom Filter）预先判断键是否存在，命中后再查库
缓存击穿（Cache Breakdown）
问题：热点键过期时，大量请求瞬间击穿到数据库。与缓存穿透不同，击穿针对的是"曾经存在但过期的热键"。
解决方案：热点键承担了约 80% 的查询量，对这类键不设置过期时间，由主动刷新机制替代被动过期。
缓存雪崩（Thunder Herd）
问题：大量缓存键被设为同一过期时间，到期后同时失效，所有请求直接打到数据库导致过载。
解决方案：
- 为缓存键的过期时间加上随机偏移量，避免同时失效
- 核心业务数据走独立通道，非核心请求在缓存恢复前不允许穿透到数据库
缓存崩溃（Cache Crash）
问题：缓存服务整体宕机，所有请求直接涌向数据库，可能拖垮整个系统。
解决方案：
- 配置熔断器（Circuit Breaker），缓存故障时阻止应用继续访问缓存或数据库，防止级联失败
- 搭建缓存集群，提升可用性，避免单点故障
六大典型网络攻击解析
大多数攻击都遵循固定的步骤序列。理解每一步，有助于在链路中找到更早的检测或拦截点。
网络钓鱼（Phishing）
攻击者发送伪造链接，诱导用户进入仿冒登录页面并输入凭证。攻击者获取凭证后直接登录真实系统。
勒索软件（Ransomware）
受害者打开恶意附件或文件后，勒索软件加密本地数据并索要赎金。文件在支付赎金或恢复备份前保持锁定状态。
中间人攻击（MitM）
攻击者将自己置于受害者和服务器之间，双向拦截通信。双方均无感知。攻击者可在传输过程中读取或篡改数据。
SQL 注入（SQL Injection）
将恶意 SQL 代码插入输入字段，例如 studentId=117 OR 1=1。数据库将其作为合法查询执行并返回非授权数据。一个存在漏洞的输入字段即可暴露整张表。
跨站脚本（XSS）
攻击者将恶意脚本注入合法页面。当其他用户访问该页面时，浏览器执行脚本，攻击者可借此窃取 Session Token、Cookie 等敏感信息。
零日漏洞（Zero-Day Exploit）
攻击者发现厂商尚未知晓的漏洞，此时没有现成补丁。攻击可在厂商识别问题并发布修复前持续数天甚至数周。
AI 图像生成：自回归与扩散模型对比
当前主流 AI 图像生成主要依赖两种范式：自回归模型（Auto-regressive） 和 扩散模型（Diffusion）。
自回归模型：逐块生成
训练阶段：将图像切分为若干 token，模型学习逐个预测这些 token，核心优化目标是最小化下一个 token 的预测损失（next-token prediction loss）。
推理阶段：模型逐个预测图像 token，直到完整图像生成。
类比：如同画家一笔一笔、按顺序绘制一只狗。
扩散模型：从噪声中恢复
训练阶段：向真实图像逐步添加噪声，训练模型预测所添加的噪声。
推理阶段：模型从随机噪声出发，逐步迭代去噪，最终生成清晰图像。
类比：如同从一张粗糙草图（大致轮廓）开始，逐步添加细节、不断打磨完善。
两种路线各有优势：自回归模型在逻辑连贯性上表现更好，扩散模型在细节丰富度和生成速度上通常更胜一筹。
评论