编译器

终端支持音视频 fec 编码抗网络丢包 负责软件开发 技术点：  海思3536平台音视频处理接口的使用  基于C、C++语言开发  linux下多线程编程，线程保护机制，锁使用  fec 编解码算法的移植与平台兼容  fec 编解码接口的使用  音视频收发包接受与缓存逻辑处理  丢包统计的实现  与服务器端的联动和联调  wireshark抓包分析音视频 项目描述： 背景： 随着公司终端的用户越来越多，使用场景越来越复杂，不可避免的会因为网络不稳定造成音视频的丢包， 这样就会造成音 视频卡顿，花屏。 原理： 每包码流经过 fec 算法的编码会多编出几包冗余包，丢包后，收到 fec 编码码流的终端会根据冗余包，把 丢掉的包还原出来。 过程： 该功能需要移植 fec 编码算法，当终端连续2S检测到当前时间在丢包，就会上报服务器端，下发开启 fec 编码指令给被收看终端，被收看终端则 fec 编码一路720*576的视频码流和音频码流，服务器端则把这个码流调给丢包终 端，丢包终端收到 fec 编码码流把原始流还原出来。

网球预约系统解决方案简介 一、方案定位与核心问题解决（30%） 本系统面向网球爱好者、俱乐部运营方及场馆管理者，聚焦解决传统网球预约流程中的三大核心痛点： 1. **用户端**：信息不对称导致场地难预约、时段冲突频发、订场流程繁琐（如需电话/到场排队）； 2. **运营端**：人工排班效率低、场地利用率不均衡、会员管理与费用结算耗时； 3. **服务端**：缺乏数据化运营工具，无法精准掌握用户行为偏好及场地资源调度优化方向。 #### 二、市场差异化特点（50%） 相较于市场常规预约工具，本方案通过“智能化+场景化+一体化”设计，构建核心竞争优势： 1. **AI智能动态排班**：基于历史预约数据预测高峰时段，自动推荐最优订场时段，并支持用户自定义偏好（如灯光场地、搭档水平匹配），预约成功率提升40%； 2. **全流程数字化闭环**：集成在线支付、会员卡管理、教练预约、赛事报名等功能，用户无需切换多平台即可完成“订场-缴费-履约-评价”全流程，操作步骤减少60%； 3. **场馆运营管理中枢**：为管理者提供实时场地监控、会员数据分析看板（如活跃时段、消费频次）、自动分账结算工具，人力成本降低30%，场地利用率平均提升25%； 4. **社交化互动功能**：内置“约球配对”社区，用户可发布约战信息、组建临时球队，结合LBS定位推荐附近球友，增强用户粘性与平台活跃度。 #### 三、产品组成与技术选型（20%） **产品矩阵**： - **用户端**：微信小程序/APP（支持iOS/Android），核心功能包含场地预约、在线支付、约球社交、个人中心； - **管理端**：Web后台系统，提供场地管理、会员管理、数据分析、财务报表等模块； - **硬件集成**（可选）：对接智能门禁/灯光控制系统，支持扫码入场、自动开灯，实现无人化值守。 **技术架构**： - 前端：React Native（跨平台开发）、微信小程序原生框架； - 后端：Spring Boot（微服务架构）、MySQL（关系型数据）、Redis（缓存优化）； - 核心算法：基于协同过滤的用户偏好推荐模型、LSTM时序预测算法（场地使用率预测）； - 部署方式：云服务器容器化部署（Docker+K8s），支持高并发场景弹性扩容。 通过技术与业务深度融合，本系统旨在为网球运动生态提供“高效、智能、便捷”的数字化解决方案，推动行业从传统运营向数据驱动转型。

1.面向英语不好的， 2.终端翻译，解决专业词汇 3.我们的终端翻译项目致力于打破语言障碍，为用户提供高效、精准的翻译服务。通过先进的翻译技术与专业的人工审核相结合，我们确保每一次翻译都能准确传达原意，同时保留语言的自然流畅性。无论是技术文档、商务合同，还是日常交流，我们的终端翻译都能满足您的需求。支持多种语言互译，操作简单便捷，随时随地帮助您跨越语言的界限。

一、软件面向的行业和业务场景 该软件适用于电商、金融、零售等行业。在电商场景中，可通过爬虫获取竞品价格、销量数据；利用 pandas 分析销售趋势、用户行为数据；借助 pyautogui 自动化处理订单录入、报表生成等重复操作。在金融领域，可爬取市场行情数据，通过 pandas 进行风险评估、投资分析，并用 pyautogui 自动化生成财务报告。 二、项目功能模块及用户功能 数据采集模块：通过 playwright（处理动态网页）和 beautifulsoup（解析静态网页）爬取网站数据，如商品信息、新闻资讯、市场数据等，支持用户自定义爬取目标与规则。 数据处理与分析模块：利用 pandas 进行数据清洗、转换、统计分析，生成可视化报表，帮助用户挖掘数据价值，支持复杂查询与批量处理。 自动化操作模块：基于 pyautogui 实现界面自动化，如自动登录系统、批量文件处理、表单填写等，减少人工重复劳动，提升办公效率。 三、项目技术选型和架构特点 技术选型：pyautogui 跨平台（Windows/macOS/Linux），简单实现 GUI 自动化；pandas 高效处理结构化数据，集成丰富分析工具；playwright 支持浏览器自动化与动态内容抓取，beautifulsoup 轻量级解析 HTML/XML。 架构特点：采用 “数据采集→处理分析→自动化应用” 的流水线架构，各模块解耦。爬虫模块适配不同网页结构，pandas 模块支持灵活扩展分析逻辑，pyautogui 模块对接各类桌面应用，整体架构具备高扩展性与实用性，兼顾数据获取、处理及业务流程自动化需求。

1. 软件面向的行业和业务场景 该项目是基于强化学习的自我博弈模型，主要面向人工智能（AI）和机器学习领域，特别是在棋类游戏和智能对弈的应用场景。其核心目标是训练一个能够与人类对弈并不断优化策略的 AI 玩家。通过强化学习与蒙特卡洛树搜索（MCTS）相结合，这个软件可以应用于任何需要决策优化和策略训练的领域，如自动驾驶、金融预测、机器人控制等。 业务场景包括： 人工智能竞技游戏：用于训练 AI 玩家，模拟自我博弈，提升 AI 策略。 游戏开发与优化：游戏公司可以用该技术提升 NPC（非玩家角色）智能，增强游戏体验。 教育与研究：为机器学习和强化学习的研究者提供实用工具，帮助学习和理解深度强化学习的应用。 2. 项目分为哪些功能模块，对使用者来说具体实现哪些功能 该项目包括以下主要功能模块： Board（棋盘信息模块）：该模块存储并管理棋盘的信息，定义了棋局的状态和每个玩家的操作。 MCTS（蒙特卡洛树搜索模块）：用于构建决策树，通过模拟多次博弈来选择最优的落子策略。其核心思想是利用树状结构进行搜索，并根据模拟结果做出决策。 Residual Neural Network（残差神经网络模块）：该模块用于训练 AI 玩家，通过深度神经网络辅助预测最佳的落子位置。网络结构采用残差神经网络（ResNet），以提高训练效果和预测准确性。 AI Player（AI 玩家模块）：将蒙特卡洛树搜索与神经网络结合，构建出一个能够自我学习和对弈的智能 AI 玩家。 Game（游戏过程模块）：该模块定义了自我博弈和人类对战的流程，确保系统能够支持多种游戏模式，包括 AI 自我对弈和与人类对弈。 MetaZeta（主程序和 GUI 模块）：该模块整合了所有功能模块，并提供图形用户界面（GUI）进行操作。用户可以通过界面启动自我对弈或与 AI 对战的模式。 具体功能包括： AI 自我对弈：用户点击“AI 自我对弈”按钮，系统将启动 AI 玩家进行自我博弈，训练其棋局策略。 与 AI 对战：用户可以与训练好的 AI 玩家进行对弈，测试 AI 的下棋水平。 3. 项目的技术选型和架构特点 该项目采用了以下技术选型： 操作系统：Ubuntu 18.04.6 LTS。 深度学习框架：TensorFlow GPU 2.6.2，用于加速深度学习模型的训练和推理。 编程语言：Python，用于开发所有功能模块，具有良好的扩展性和兼容性。 项目的架构特点： 模块化架构：整个项目由多个独立的模块组成，包括棋盘信息管理、蒙特卡洛树搜索、残差神经网络、AI 玩家、游戏过程控制等。各模块通过接口进行交互，保证了系统的灵活性和可扩展性。 强化学习与 MCTS 结合：通过强化学习算法（自我博弈）与蒙特卡洛树搜索相结合，AI 玩家可以从对弈中不断学习和优化策略，从而提高游戏水平。 GUI 界面：项目提供了图形化界面，方便用户启动不同的模式（自我对弈或与 AI 对战）。用户通过简洁的界面与 AI 进行交互，增加了使用的友好性。

1、参与项目的维护 2、参与产品的测试 3、参与服务器的维护 4、与客户交流问题，解决系统bug 5、参与数据库的查验以及数据的查询

该项目包括以下核心模块： 1.数据预处理模块： 通过屏蔽底层数据库表结构的差异和业务数据来源，为上层程序提供统一有效的数据录入接口。 2.决策分析支持模块： 整合各种信息输入，提供图像化显示，并为用户提供决策和数据修改功能，以支持后续计划编制和决策输出。 3.计划智能编制模块： 在符合用户录入的规则前提下，以有效时间内返回用户较为满意的作业计划推荐结果为目标。 4.结果输出模块： 将计划结果录入数据库，并在客户端界面同步以图像化方式显示结果。 本人在项目中承担以下职责： a.提供原型设计。 b.搭建C++代码整体框架。 c.管理并掌控项目整体执行进度，确保项目顺利达成交付目标。

(1) 有限自动机原理 (2) 词法分析器原理 (3)形式语言基础及其文法运算 (4) 语法分析原理以及3种常用的语法分析方法 (5) 语义分析原理 步骤： 按理说设计一个扫描器首先应该先定义一套形式文法，然后根据文法设计自动机，这些过程实验指导书中已经为我们准备好了； 在此基础上，我自己定义了一套数据结构对字符串插入查找的效率加以优化，并对整个程序的结构进行了调整优化； 在经过自动机状态、状态转移与每个状态所执行的动作后，该Scanner会将源程序解析成相应的Token序列，以作为下一步Translator的输入； 在Translator中，我根据指导书中给出的算数表达式文法结合课上所学内容，自己设计了基于自顶向下推导的Recursive Subroutine过程，并在相应位置添加了语义动作，根据这些进行Recursive Subroutine的代码实现； 我分别为Scanner和Translator设计了测试用例，对程序进行测试，结果和期望相吻合；

开发一个C++科学计算器项目，你可以采用面向对象的编程思想，设计出合理的类结构，并使用相关的数学库来实现各种科学计算功能。以下是一些基本的技术要点和功能： 1. **技术栈**： - 核心语言：C++ - 可能用到的库：STL（用于字符串处理、容器等）、（提供标准数学函数） 2. **类结构设计**： - `Calculator` 类：作为主计算器类，包含主要的计算逻辑。 - `ExpressionParser` 类：负责解析用户输入的表达式。 - `Function` 类：抽象基类，包含各类数学函数如sin, cos, log等。 - `Number` 类：封装数值类型，支持复数运算（如果需要）。 3. **功能模块**： - 基本算术运算：加减乘除、取模、幂运算等。 - 科学计算功能：三角函数、对数函数、指数函数、阶乘、平方根、开方、常数π、e等。 - 复数运算（可选）。 - 历史记录保存与查询。 - 表达式求值。 - 错误处理机制，包括但不限于除数为零、无效输入等异常情况。 4. **用户界面**： - 控制台版：通过循环读取用户输入进行计算，输出结果。 - GUI版（可选）：可以使用Qt、wxWidgets等库构建图形用户界面。 在实际编写过程中，应注重代码的可读性和模块化，合理利用函数重载、运算符重载等特性提高代码质量。同时，对于复杂的表达式求值问题，可能需要用到递归下降解析器或者词法分析、语法分析等编译原理知识。

基于VSCode的调试适配器插件，该系统基于VSCode，遵循微软相关适配器协议，通过设计开发前端UI扩展和后端全平台通用调试适配器相结合 该插件由本人100%独立完成开发，可以灵活定制功能

链接与装载（HOOK 库） PLT hook 的流程： - 读取进程的 maps 信息，获取到 ELF 文件在进程的 maps 中的内存基地址 - 验证 ELF 文件的头信息 - 从 PHT（`program header table`） 中找到类型为 `PT_LOAD` 且 offset 为 `0` 的 segment。计算 ELF 基地址。 - 从 PHT 中找到类型为 `PT_DYNAMIC` 的 segment，从中获取到 `.dynamic` section，从 `.dynamic` section中获取其他各项 section 对应的内存地址。 - 在 `.dynstr` section 中找到需要 hook 的 symbol 对应的 index 值。 - 遍历所有的 `.relxxx` section（重定位 section），查找 symbol index 和 symbol type 都匹配的项，对于这项重定位项，执行 hook 操作。 - hook 的流程如下： - 读取 maps，确认当前 hook 地址的内存访问权限 - 如果权限不是可读可写，则使用 `mprotect` 修改访问权限为可读可写 - 将 hook 地址的值替换为新的值 - 如果之前用 `mprotect` 修改过内存访问权限，现在还原到之前的权限 - 清除 hook 地址所在内存页的处理器指令缓存

优化 ASAN： 在 C/C++ 中，内存越界问题特别难排查，比如，线程 A 在写内存时，写越界了，操作了线程 B 的内存，线程 B 可能过了很久才去访问这块被写坏的内存，然后引起了问题，我们几乎无法从 core 文件中得到有用的信息。 ASAN 是业界所有的内存检测工具中性能最好的。与之对比的 valgrind、gperftools 会严重拖慢程序运行。 ASAN 是集成在 gcc、llvm 中的，由于我们使用的是 gcc 编译器，因此我优化了 gcc 源码中 ASAN 的运行时库实现。也就是优化了 ASAN 库中关于 malloc、free 的实现。

AssemblyScript 是一个将 TypeScript 编译成 WebAssembly 的编译器，使用了 binaryen，binaryen 是一个用于 WebAssembly 的编译器基...

sccache 是一个类似于 ccache 的编译器缓存工具。它用作编译器包装器并尽可能避免编译，将缓存结果存储在本地磁盘或多个云存储后端之一中。 sccache 包括对 C/C++ 代码、 R...

C2Rust工具能够将大多数C模块翻译成语义上等价的rust代码。这些模块将单独编译，以生成兼容的对象文件。支持C99标准。 在我们的工具翻译C源代码之前，使用clang对其进行分析和类型检查。...

Cannoli 是一个 Rust 编写的 Python(Python 3.6.5) 编译器，旨在评估对性能有负面影响的 Python 语言特性。 Cannoli 使用 Rust 编写，并将 Py...

Go-pry，一个交互式的 Go REPL，Go-pry 是使用 meta programming 和大量反射相结合构建的。调用 go-pry 命令时，它会查看上述目录中的 go 文件（或者是当...

Zapcc 是基于 LLVM/Clang 的缓存型 C++ 编译器，旨在执行更快的编译。 Zapcc 在 client-server 架构中使用 in-memory 技术来编译缓存，它会记住运行...

Dotty 是 Scala 的下一代编译器，也是 Scala 的新语言概念和编译器技术研究平台。 具有以下特性： Union, intersection and literal singleto...

'kan-java' is '砍-java', speak frankly & literally. 这是一个java代码动态编译工具，也就是能够把String形式的java代码实时地编译为字节...