微博timeline上看到这么句评论:
"不是,我们听周杰伦被嘲笑的时候,那些嘲笑的人还在听伟光正呢"
这是个蛮有趣的角度.
这一代人在成长的时候可能也没少冲突过.
最明显的就是当初对于韩寒的各种评价和所谓80后的各种stereotype.
只不过冲突的媒体平台是在纸媒和广播电视.
而现在的刷周杰伦,与其是说周杰伦不如是目标的蔡徐坤.
因为实际上一致存在的行为群体是蔡的粉丝团,以及其固有的榜单行为.
80后的这波行为更多地像是一种对既有话语权威的一种可能是最后宣誓主权.
或者说挣扎.
就像上一代对80后的批判攻击一样.
80后对后代的这种冲突也是基于他们自己构建的互联网社交平台之上的.
某种程度上来说,每一代人都在构建属于自己特色的一种交流沟通媒介.
而每一代的下一代都在这个媒介上或创新或颠覆出自由独有的文化圈子.
两者的冲突可能更像是一种意识形态上的冲突.
如果把时间拉回几年,从贾君鹏开始.
对比现在这场狂欢性质的群体行为的话,其实算是一种复刻的行为.
一种无厘头的群体式的兴奋与模仿.
它产生的是一种自发的,带有莫名激励性的一种传播扩散方式.
本身并没有很明确的功利性的目的.
甚至于从根本上来说,这是一种随机性很强的娱乐方式.
你知道它产生的特点和要素.
但并不一定能够体量级地工业化复制.
所以在80后打造这这个互联网社会里,这种被成为现象级的群体行为被赋予了一种mysterious的性质.
靠广告流量腾挪借力出来的互联网经济模式对于这种大范围的自发性参与有着天然的向往和需求.
而在这10几年间,流量/规模几乎是互联网社会所有商业模式的基础.
也因为此才有了数据驱动的运营方式.
作为一种简洁直观,有时候确实高效的衡量方式.
本质上来说,刷数据这一套游戏规则就是80后自己创造和鼓励出来了.
而稍显讽刺的是,被大规模应用的实际场景却并不是80后自己的偶像/娱乐需求.
就像最初那句一样.
周杰伦的数据并不好看.
这是在80后自己缔造的规则上成长起来的用户的一种常识.
是他们用于评论和衡量一个明星或者更宽泛的,一件事情价值的最原始最直观的本能反应.
恰恰是这点,作为的规则创造者的80后却反而认为是有违常规的,不合逻辑的.
就像当初韩寒退学走自己认为对的道路一样.
独立自主和你应该如何之间的意识形态的矛盾.
所以这场冲突的吊诡点就在于.
规则缔造者本身对于规则的自然执行者间会有如此对立矛盾的立场.
或者说,形式上地,规则对于最初的制定者来说已经失控到他们自己无法接受或者说适应的情况了.
又或者说,文化的演变到现在其实是一种不可避免会有冲突的地步.
因为互联网本身的出现使得任意两点之间的交流成为可能.
就像以前贴吧的各种亚文化圈子.
它们可能甚至不能被主流接受,或者说根本不被主流道德所容忍.
但是从观察的角度来说,确确实实有着数量不少的同类人.
一个可能更明显但在今天来说稍显不太合时宜的例子就是ACG/二次元圈子.
这个本来是一个非主流的文化元素.
但是放在今天来说,已经可能说是主流的一部分了.
甚至于从趋势上来说,更多的商业投入是倾向于这种新开发的文化领域的.
背后的逻辑可能各种各样.
但至少,这个本来亚文化的圈子逐渐成为社会中坚力量的时候.
文化的代次更迭让曾经的非主流变为常态应该也是其中一个因素.
所以粉丝刷榜单刷流量,从这种分类思路上来说,无非就是另外一种新生的亚文化圈子.
所不同的是,它作为一个非当前主流的典型被拉出来做了对比样本.
而从发展的角度来说,可能更说明这个群体正在成为一种主流文化的冲击和替补因素.
因为从结果上来说,这场文化上的冲突狂欢并没有显示出一方的压倒性的胜利.
这里可能必须承认的就是,也许80后认为这种刷榜单刷流量的行为并不怎么正确.
但事实上执行这一种价值观和行为准则的人并不能算是一个社会的小规模群体.
而且更重要的是,这种结果多多少少是80后自己一手造就的.
至于对不对,就是一个相对复杂的问题了.
刷话题刷榜单可能并不比参加演唱会买专辑来得又道德负罪性.
本质上是一种个体所能承受/付出范围内的一种方式表达.
甚至于打榜本身并不算是一个新的运营概念.
那么这种排斥感的根源是什么呢?
从结果上来说,流量明星吸收了更多的文娱资源.
这个是主动的也是被动的过程.
在给定一个相对静态固定的文娱投入的前提下.
一方的倾斜也就意味着另一方的退让.
从市场的表现上来说就是文化符号的次代更迭带来的不适应感.
因为目之所及的商业目标是一个更为新兴的消费群体.
是一个有异于自身的一个文化载体/社群.
所以说,这可能更像一种困兽之斗.
而讽刺的是,制造这种指标性牢笼的人,正好是其自身.
宛如一个自生长的动物园.
2019-07-21
2019-06-23
谈谈Libra
考虑下电商平台的折扣优惠券.
一件商品价格为P.
用户在购买时平台提供折扣抵用D.
那么用户实际的付出就是P-D.
这时候跟商家结算的时候就存在一个差值D.
而如果平台把D以广告流量折扣券的方式跟商家结算的话.
那么实际上商家手上持有的就是现金P-D和价值D的广告消费券.
也即是说名义价格P的交易,实际上真正参与流通的现金之后P-D.
如果换个角度.
把D看作是买家的存款利率,卖家的贷款利率.
那么上述行为就可以看作是.
在期初卖家贷款以利率D生产价值为P的商品.
然后买家在期末以本金P-D利息D的存款购买商品.
而平台就作为发钞/产生信用的央行.
然后把它跟Libra和其他crypto currency的监管问题放一起看.
Libra所谓监管问题的点在于所谓的发钞权.
以及以此为由的所谓的对央行权威性的威胁.
而实际上能产生信用的,跟是不是Libra或者是不是央行其实关系并不大.
而且也并不是说能产生信用的,就是央行所排斥的.
央行排斥的是对于货币政策干涉手段有效性的影响工具.
之前看到有个关于负利率的文章.
观点就是建立一套非现金的货币体系作为现金货币体系的补充.
因为在负利率前提下,可以通过持有现金规避负利率的调控影响.
而如果是电子货币的话,实际上就不存在这种形式上推出流通管制的可能.
所以Libra的问题在于,在给定各国货币政策的前提下,它会不会有所反应.
按照白皮书的说法是一种一揽子锚定的形式.
而关于它的可靠性/可控/可信程度,可能更形象的比喻就是当前的人民币.
这样的话,对于央行来说,Libra不过就是一个汇率问题.
而且某种程度上来说,可能更受央行的欢迎.
至少可以作为一种负利率的实施工具.
以及就当前crypto currency标配的gas概念来说,就是更为直观和细致的一个交易费用手段.
因为当前的利率控制手段的传导终端因为复杂性,多数也只能从银行间业务作为触发起始.
并不能直接地渗透到每一笔单独的交易当中.
而gas的则是一种更直观且更微观的一种手段.
且因为blockchain本身的匿名性或者说分布式形态,这种调控可能更为不易察觉/有效.
那么Libra的问题是什么.
因为目前来说,像Brave有所谓BAT(Basic Attention Token)的概念.
这个延伸下就是一个简单的量化程度的问题.
就目前的广告模式或者说互联网的盈利模式来说.
Libra可以把每一个动作和行为都量化为一个直接的coin/token价值.
对于content creator或者广告商来说,可以有实时且准确细致的消费收入明细.
这个的潜在问题就类似于SEo的问题.
要么或者即使跟Gooogle一样,把每一个行为的量化方式做得难以逆向.
但是从技术和数据上来说,不是不存在被game的可能.
这个可能还不是个太大的问题.
因为反欺诈/anti flaw并不算是一个可选的东西.
它的问题在于内容创造者和广告上对于最大化收益的一种动机.
因为它能够有办法知道如何去做能够最有效地获得收入.
或者更有效率地获得收入.
固然,这个可能是以更优化内容/更精准的targeting来做到.
但也并不能否认会往一个更坏的方向靠拢.
而从目前的所见来说.
可能后者会是个更可能的事情.
当然,这算不上是Libra的问题.
可能特定地对Libra的问题在于Facebook本身.
至于非特定Libra的问题,或者说Libra们的问题就是.
可能不是人人都能使用,而是人人都能发行.
一件商品价格为P.
用户在购买时平台提供折扣抵用D.
那么用户实际的付出就是P-D.
这时候跟商家结算的时候就存在一个差值D.
而如果平台把D以广告流量折扣券的方式跟商家结算的话.
那么实际上商家手上持有的就是现金P-D和价值D的广告消费券.
也即是说名义价格P的交易,实际上真正参与流通的现金之后P-D.
如果换个角度.
把D看作是买家的存款利率,卖家的贷款利率.
那么上述行为就可以看作是.
在期初卖家贷款以利率D生产价值为P的商品.
然后买家在期末以本金P-D利息D的存款购买商品.
而平台就作为发钞/产生信用的央行.
然后把它跟Libra和其他crypto currency的监管问题放一起看.
Libra所谓监管问题的点在于所谓的发钞权.
以及以此为由的所谓的对央行权威性的威胁.
而实际上能产生信用的,跟是不是Libra或者是不是央行其实关系并不大.
而且也并不是说能产生信用的,就是央行所排斥的.
央行排斥的是对于货币政策干涉手段有效性的影响工具.
之前看到有个关于负利率的文章.
观点就是建立一套非现金的货币体系作为现金货币体系的补充.
因为在负利率前提下,可以通过持有现金规避负利率的调控影响.
而如果是电子货币的话,实际上就不存在这种形式上推出流通管制的可能.
所以Libra的问题在于,在给定各国货币政策的前提下,它会不会有所反应.
按照白皮书的说法是一种一揽子锚定的形式.
而关于它的可靠性/可控/可信程度,可能更形象的比喻就是当前的人民币.
这样的话,对于央行来说,Libra不过就是一个汇率问题.
而且某种程度上来说,可能更受央行的欢迎.
至少可以作为一种负利率的实施工具.
以及就当前crypto currency标配的gas概念来说,就是更为直观和细致的一个交易费用手段.
因为当前的利率控制手段的传导终端因为复杂性,多数也只能从银行间业务作为触发起始.
并不能直接地渗透到每一笔单独的交易当中.
而gas的则是一种更直观且更微观的一种手段.
且因为blockchain本身的匿名性或者说分布式形态,这种调控可能更为不易察觉/有效.
那么Libra的问题是什么.
因为目前来说,像Brave有所谓BAT(Basic Attention Token)的概念.
这个延伸下就是一个简单的量化程度的问题.
就目前的广告模式或者说互联网的盈利模式来说.
Libra可以把每一个动作和行为都量化为一个直接的coin/token价值.
对于content creator或者广告商来说,可以有实时且准确细致的消费收入明细.
这个的潜在问题就类似于SEo的问题.
要么或者即使跟Gooogle一样,把每一个行为的量化方式做得难以逆向.
但是从技术和数据上来说,不是不存在被game的可能.
这个可能还不是个太大的问题.
因为反欺诈/anti flaw并不算是一个可选的东西.
它的问题在于内容创造者和广告上对于最大化收益的一种动机.
因为它能够有办法知道如何去做能够最有效地获得收入.
或者更有效率地获得收入.
固然,这个可能是以更优化内容/更精准的targeting来做到.
但也并不能否认会往一个更坏的方向靠拢.
而从目前的所见来说.
可能后者会是个更可能的事情.
当然,这算不上是Libra的问题.
可能特定地对Libra的问题在于Facebook本身.
至于非特定Libra的问题,或者说Libra们的问题就是.
可能不是人人都能使用,而是人人都能发行.
2019-06-03
关于Ceph的CRUSH算法
考虑crush map的bucket选择.
对于一个obejct o,choose的时候需要经过一个hash过程得到一个pseudo random的id x.
也就是对于任何一种bucket 类型,有
x = bucket_hash(o).
假定bucket的长度为n,x的放置位置为y的话.
bucket specific的choose policy为p.
有y=p(x)
对于uniform bucket来说,这个p为
y=p_uniform(x) = x % n
除了uniform的bucket之外,其他bucket type都是有weight权重的.
同样,记录位置w_i为位置i的用权重值,且有0<=i1的prod替换的sum.
也就是,这里的straw其实是一个权重放大倍数比list高得多的一个进阶版本.
而且跟list不同的是,它的argmax没有< w_j的条件限定.
因此它的寻址复杂度是O(n)的.
而list因为条件限定的情况,实际平均表现最差也只是跟straw一致.
在考虑现在ceph的默认policy,steaw2.
这里对hash做个额外的限定,0
这个主要是ceph的实现里有个lookup table的优化.
给定0
所以实际上starw2的hash是一个到[0,1]区间的一个mapping.
对应的log(k)取值区间大概是[-11,0].
所以这里简单重定义-11<=hash(x)<=0
则
y=p_straw2(x) = argmax(\{j; hash(x)/w_j \})
这里可以看出,只要bucket item的权重不变.节点增减的变化只由argmax的骨架部分决定.
这个跟list也有点类似,但是它是位置无关的.
不像list有对于左右有相对确定的基础cost估计.
但也因为位置无关,所以它存在一些极端情况.
对于节点减少的话,则所有argmax为这个节点的数据都会受影响.
这个是符合intuition的.
对于增加节点,argmax的max value可能都指向变动的那个节点.
这样的极端情况就是造成整体数据的挪动.
但是由于w_j的存在,这个也是可干涉/存在可控性的.
而对于节点数量不变,只是权重改变的情况.
跟节点增加类似.
所以,straw2的基本上算是忠实指向w_j的.
然后考虑hash.
由于hash会对x走一个log的重新分布.
所以实际上考虑的数据分布性质的话,只需要考虑log分布之后的就行了.
也就是在大概[-11,0]的区间内的数据分布问题.
把w_j作为一个tuning parameter/placement parameter考虑的话.
那么理论上,针对现有的实际数据分布是可以做到人工精确干涉的.
而且这么考虑的话,其实starw2的计算也并不需要搞那么复杂.
因为归根到底还是通过w_j来控制的.
对于一个obejct o,choose的时候需要经过一个hash过程得到一个pseudo random的id x.
也就是对于任何一种bucket 类型,有
x = bucket_hash(o).
假定bucket的长度为n,x的放置位置为y的话.
bucket specific的choose policy为p.
有y=p(x)
对于uniform bucket来说,这个p为
y=p_uniform(x) = x % n
除了uniform的bucket之外,其他bucket type都是有weight权重的.
同样,记录位置w_i为位置i的用权重值,且有0<=i
也就是,这里的straw其实是一个权重放大倍数比list高得多的一个进阶版本.
而且跟list不同的是,它的argmax没有< w_j的条件限定.
因此它的寻址复杂度是O(n)的.
而list因为条件限定的情况,实际平均表现最差也只是跟straw一致.
在考虑现在ceph的默认policy,steaw2.
这里对hash做个额外的限定,0
这个主要是ceph的实现里有个lookup table的优化.
给定0
所以实际上starw2的hash是一个到[0,1]区间的一个mapping.
对应的log(k)取值区间大概是[-11,0].
所以这里简单重定义-11<=hash(x)<=0
则
y=p_straw2(x) = argmax(\{j; hash(x)/w_j \})
这里可以看出,只要bucket item的权重不变.节点增减的变化只由argmax的骨架部分决定.
这个跟list也有点类似,但是它是位置无关的.
不像list有对于左右有相对确定的基础cost估计.
但也因为位置无关,所以它存在一些极端情况.
对于节点减少的话,则所有argmax为这个节点的数据都会受影响.
这个是符合intuition的.
对于增加节点,argmax的max value可能都指向变动的那个节点.
这样的极端情况就是造成整体数据的挪动.
但是由于w_j的存在,这个也是可干涉/存在可控性的.
而对于节点数量不变,只是权重改变的情况.
跟节点增加类似.
所以,straw2的基本上算是忠实指向w_j的.
然后考虑hash.
由于hash会对x走一个log的重新分布.
所以实际上考虑的数据分布性质的话,只需要考虑log分布之后的就行了.
也就是在大概[-11,0]的区间内的数据分布问题.
把w_j作为一个tuning parameter/placement parameter考虑的话.
那么理论上,针对现有的实际数据分布是可以做到人工精确干涉的.
而且这么考虑的话,其实starw2的计算也并不需要搞那么复杂.
因为归根到底还是通过w_j来控制的.
2019-05-14
变化
美股作出反映大概是在谈判破裂确定之时.
那么假设大家都是rational的话,一个方向的确定就说明了一个不确定性或者至少两个可能存在的消失.
这两个可能无非是继续谈和谈不了.
既定的谈不了的结果是slump的话,那么另外一个方向自然就是非slump的.
也就是继续negotiate的话,经济趋势是有可能持平或者向上的.
那么加征关税为什么会意味着中短期美国经济会有不愉快呢.
或者说为什么这次会这么敏感.
毕竟这并不是第一次.
以及如果确实因为关税原因存在不确定性的话,市场总会在前期会有分歧波动的.
考虑下现在headline的关注点和方向.
一个是影响面的数据/描述.
这不是新的内容.
一个是关于选举方向的.
这个可能就是impact factor.
作为选举双方来说,差异性的存在所引导的方向多少是需要有不同的.
大多数时候来说都是简单独立的.
那么理论上就应该是贸易和反贸易的立场.
因为立场的不同导致的对贸易情况的走向具有的不确定性可能才是市场犹豫的点.
而现在选择了方向的话,那也就是说这个分歧点/不确定性可能不存在的.
那么这样的话,就貌似合理解释了.
对于川普来说,提高关税和拒绝应该都是在合理的结果预测行为序列中的.
但是可能意外的市场和对手的行动选择可能算是意料外的.
所以市场的不良反应对于一直以来树立的政策倾向来说,造成的选举影响可能一下子就负面了.
某种程度上来说,这是一个trap.
而对手选择贸易冲突这个路线展开的一个期望就是同样的对中国贸易的依赖减少趋势.
考虑目前的攻击点来说,主要就是制造业和农业的回归或者说复兴.
所以至少在这一点上,方向应该是不会有太大差异了的.
国际贸易基于的是广义的成本考虑,不管是狭义的生产制造成本,还是从长期的供应链流程来说.
结果导向的都是最终成本的减少/利润率的提升.
因为是整个产业链条的优化选择,那么对应的自然而然的是paradigm shift.
单纯的贸易成本对冲应该是不能够覆盖整个贸易冲突面的.
所以,产业流向和分布的重新组织再结构几乎是必然的.
而考虑到体量的问题,这个基本上也是全球性范围的一次调整.
考虑到目前的技术普及水平和人工成本,美国要短时间内补全和对冲完影响的话,也不是很容易的事情.
但是考虑的机械化程度和相对宽松有利的民间私营经济环境,通过技术手段来补足应该是可以预见的.
所以某种程度上来说,可能只是个长痛不如短痛的被动革新过程.
把同样的时间和尺度范围放到大洋彼岸来看的话.
可能结果就没那么乐观了.
诚然目前依然是一个制造中枢.
但是从中国制造的蓝图本身看的话,倡导向高端制造业转型imply的就是目前主要还是中低端制造业为主.
而这个的另外一个消息面是向其他新兴发展中国家转移.
这个产业转移可能不是一个短期内能完成的事,尤其考虑到新兴国家本身产业和政治生态的一些问题.
但也不是说不可能.
而且也并不一定还需要,正如技术发展的革新一样.
第二个是国内本身的可能略显利己和投机的社会氛围.
像目前的一些热点方向本身可能并不是太有利于社会的发展以及更重要的,有相对可靠合理的长期盈利模式.
虽然陆续有相关的动作和政策去做一些规范和限制.
但对应的,也是社会经济文化更方面的更趋管制和指导方向明确的现状.
这也就意味着实际上的是一个国家计划指导的全面的发展策略.
imply的可能就是有更多的方向性死亡的出现.
另外一点就是在总体budget有限的情况下,要做到社会效用最大化的话.
可能扶植和倾向的方式方法也会更不太利于规模小的公司和产业个人.
毕竟在确保资源和资质的尽可能充分兑现的前提下,门槛相对可能会比较高.
从执行的角度和执行层次的深度以及基层终端执行素质来说,提高门槛可能是成本最低最容易实现的一个方式.
像如果重点是第一二产业的话,那么作为文娱服务主要的第三产业可能就没那么大的权重了.
但至少这样才有所谓的共克时艰.
不然失去的可能就不单单是十年了.
那么假设大家都是rational的话,一个方向的确定就说明了一个不确定性或者至少两个可能存在的消失.
这两个可能无非是继续谈和谈不了.
既定的谈不了的结果是slump的话,那么另外一个方向自然就是非slump的.
也就是继续negotiate的话,经济趋势是有可能持平或者向上的.
那么加征关税为什么会意味着中短期美国经济会有不愉快呢.
或者说为什么这次会这么敏感.
毕竟这并不是第一次.
以及如果确实因为关税原因存在不确定性的话,市场总会在前期会有分歧波动的.
考虑下现在headline的关注点和方向.
一个是影响面的数据/描述.
这不是新的内容.
一个是关于选举方向的.
这个可能就是impact factor.
作为选举双方来说,差异性的存在所引导的方向多少是需要有不同的.
大多数时候来说都是简单独立的.
那么理论上就应该是贸易和反贸易的立场.
因为立场的不同导致的对贸易情况的走向具有的不确定性可能才是市场犹豫的点.
而现在选择了方向的话,那也就是说这个分歧点/不确定性可能不存在的.
那么这样的话,就貌似合理解释了.
对于川普来说,提高关税和拒绝应该都是在合理的结果预测行为序列中的.
但是可能意外的市场和对手的行动选择可能算是意料外的.
所以市场的不良反应对于一直以来树立的政策倾向来说,造成的选举影响可能一下子就负面了.
某种程度上来说,这是一个trap.
而对手选择贸易冲突这个路线展开的一个期望就是同样的对中国贸易的依赖减少趋势.
考虑目前的攻击点来说,主要就是制造业和农业的回归或者说复兴.
所以至少在这一点上,方向应该是不会有太大差异了的.
国际贸易基于的是广义的成本考虑,不管是狭义的生产制造成本,还是从长期的供应链流程来说.
结果导向的都是最终成本的减少/利润率的提升.
因为是整个产业链条的优化选择,那么对应的自然而然的是paradigm shift.
单纯的贸易成本对冲应该是不能够覆盖整个贸易冲突面的.
所以,产业流向和分布的重新组织再结构几乎是必然的.
而考虑到体量的问题,这个基本上也是全球性范围的一次调整.
考虑到目前的技术普及水平和人工成本,美国要短时间内补全和对冲完影响的话,也不是很容易的事情.
但是考虑的机械化程度和相对宽松有利的民间私营经济环境,通过技术手段来补足应该是可以预见的.
所以某种程度上来说,可能只是个长痛不如短痛的被动革新过程.
把同样的时间和尺度范围放到大洋彼岸来看的话.
可能结果就没那么乐观了.
诚然目前依然是一个制造中枢.
但是从中国制造的蓝图本身看的话,倡导向高端制造业转型imply的就是目前主要还是中低端制造业为主.
而这个的另外一个消息面是向其他新兴发展中国家转移.
这个产业转移可能不是一个短期内能完成的事,尤其考虑到新兴国家本身产业和政治生态的一些问题.
但也不是说不可能.
而且也并不一定还需要,正如技术发展的革新一样.
第二个是国内本身的可能略显利己和投机的社会氛围.
像目前的一些热点方向本身可能并不是太有利于社会的发展以及更重要的,有相对可靠合理的长期盈利模式.
虽然陆续有相关的动作和政策去做一些规范和限制.
但对应的,也是社会经济文化更方面的更趋管制和指导方向明确的现状.
这也就意味着实际上的是一个国家计划指导的全面的发展策略.
imply的可能就是有更多的方向性死亡的出现.
另外一点就是在总体budget有限的情况下,要做到社会效用最大化的话.
可能扶植和倾向的方式方法也会更不太利于规模小的公司和产业个人.
毕竟在确保资源和资质的尽可能充分兑现的前提下,门槛相对可能会比较高.
从执行的角度和执行层次的深度以及基层终端执行素质来说,提高门槛可能是成本最低最容易实现的一个方式.
像如果重点是第一二产业的话,那么作为文娱服务主要的第三产业可能就没那么大的权重了.
但至少这样才有所谓的共克时艰.
不然失去的可能就不单单是十年了.
2019-04-14
谈谈软件工程
考虑人的工作产出为x,时间为t,对应需要支付的成本为s.
那么一个profit=x*t-s
如果令s的支出跟t简单相关则有
profit=(x-c)*t.
简单地,所谓的剩余价值约束工作时长.
这里有两个隐含假设.
一个是x是恒定的,也就是单位时间贡献不浮动.
而是s跟t线性相关.
也就是这里收益和成本都是简单线性描述.
考虑x为一个带一定衰减的函数.
比如X(t) = W*(1-e^-t).
一个bounded by W且随时间增长效率递减的函数.
那么profit=\int_{0}^{t} W*(1-e^{-t})dt - c*t
->
profit=t+e^-t+R-c*t
->
profit=e^(-t) + (c+1)*t + R
如果以天为周期小时为单位计量的话.
大致回报也是线性的.
一般地来说,在给定的时间范围内,只要X的derivative为正的话.
也即是时间计量的margin为正.
那么incentive就自然会是增加时长.
那么如何构造在一定时长后margin为负的情况呢?
最简单的负值构造自然是线性的.
对应的就是抛物线.
即X(t)=a*t^2+b
->
profit=a*t^2+b - s*t
->
profit=W(c-t)^2 + d
在这种情况下才可能存在给定某个工作时长为最优解形式.
如果是存在最大值的话,那么应该有W>0
也就是这个X应该是一个会在某个时间点之后incur performance degrade的曲线.
这不算是一个不现实的约束.
其他的形式呢?
考虑相对一般的形态.
profit=return(t) - cost(t)
或者
profit=\int return(t) - \int cost(t)
对应的return和cost曲线的对t的integral差异.
即投入和成本曲线的差额.
对于单个个体来说,如果需要maximize profit/on return的话.
相对stable的IC曲线应该是会让问题相对简单的.
这就需要每个人的投入产出以及对应的成本是相对可计量/具有统计意义的.
大多数情况下个人的cost是相对可预测/固定的.
所以这个求解的关键在于个人的time investment return的模式问题.
只要产出模型是有正margin的,那么单纯延长时间是没问题的.
比较麻烦的是那些曲线比较复杂,或者根本不连续甚至在一定周期尺度下具有随即性质的.
这种可能是根本没有明确的解析解的.
从群体尺度来说的话.
在数量到达一定程度的时候,个体的模式浮动性特征是比较容易被表征出来的.
也就是说,到达一定规模之后,理论上来说是可以规约到某一种特定的产出模式上作为当个个体求解的.
但是也并不是就一定存在解.
因为形式上来说,解的存在性和形态取决于产出模式.
那么软件工程是或者说应该是什么样的产出模式呢?
可能软件工程这个提法本身就是比较微妙的.
记得上学的时候就有各种CMMI/敏捷/测试/设计模式等方面的各种宏观架构.
各种方法论解构下来不过就是拆解.
背后的逻辑不过就是把不可控控制在一个认为可控/bounded的范围内.
它可能笑起来像金融的risk control/estimate.
但是至少金融有一套稍微能跑起来自洽解释的计量和数值系统.
而软件工程理论是不具有这些特征的.
最后无论以什么方式拆解出来的方案/步骤/方案,最后指向的是一个单一的计量标准.
也就是时间.
是的,金融方面也不过最后会量化为交易价值.
但两者的不同在于,时间的定量本身是未定义.
或者说没有标准的.
就像敏捷提出来优与瀑布或者更传统的软件开发模式的时候.
一个论点就是拆解的时间单元比对方更小,从而更flexible,更能应对各种可能发生的情况.
至少在这个陈述里面,它没有回避说软件开发的难点在于 各种可能发生的情况 这种风险.
但是逻辑上却微妙地归结到更小而短的周期能够让这种风险的发生几率更低.
那么如果这个观点如果是对的话,imply的就是软件开发的风险在与周期长.
这样就实际上陷入了一种递归指责.
或者说是一个逻辑陷阱.
在没有办法定量指出风险的具体含义的时候,提出了解决风险的方式.
所以,能实施成功的话,也只是因为刚好恰当地风险主要因素确实是时间.
那么,软件工程的风险到底是指什么呢?
可能在于软件工程这个提法本身.
coding本身有所谓的工程化的么?
或者说工程化本身的含义是什么.
一般的工程化可能跟接近于科学的定义.
即是一种能够量化衡量的可重复实验/过程.
coding本身是不太具有量化标准的.
就像文章或者绘画.
即使以统计的角度来说,量化能覆盖的也不过是风格上的问题.
但是完全没有能够bound的东西也不尽然.
至少API/protocol算是一种.
但是这是在integrate阶段的.
这个时候才会有简单的satisfied or not.
所以如果软件工程如果说存在的话.
也应该指示的是在delivering service过程中的这些隼合情况.
实际上,这些理论上是包含在automation里的.
包括compile/build/test/deploy基本都是不需要也不应该由人去干涉的.
而是根据各个节点的specifications来judge的.
再回头看那些工具和方法论.
那么当所谓risk出现的时候,大致就是各个pipeline stage的合规情况出现问题.
这时候这些理论是怎么解决这些问题的呢?
并没有.
或者说也有.
因为在这些理论框架下需要满足的constrain是时间.
如果把它作为所有risk的一个proxy来看待的话.
由于这些工具所处理和解决的都是在满足time bounded的前提.
于是在proxy回实际的处理方案的时候,关注点也通常在如何回避对时间的default.
于是实际执行上,如果build或者test或者deploy或者任意阶段出现问题.
那么可能的做法就是直接抛弃约定,做default处理.
所以这里的核心矛盾就在于.
或者说一个简单的模型描述就是.
给定一定的time resources.
以及一组random generated的consumer.
如何用limited的resource去satisfy的问题.
而这个是无所谓解的.
除非是能够bound consumer.
要么有一定的确定可预测的范围,要么具有某种可描述的模式.
所以,归根到底还是know your issue.
那么一个profit=x*t-s
如果令s的支出跟t简单相关则有
profit=(x-c)*t.
简单地,所谓的剩余价值约束工作时长.
这里有两个隐含假设.
一个是x是恒定的,也就是单位时间贡献不浮动.
而是s跟t线性相关.
也就是这里收益和成本都是简单线性描述.
考虑x为一个带一定衰减的函数.
比如X(t) = W*(1-e^-t).
一个bounded by W且随时间增长效率递减的函数.
那么profit=\int_{0}^{t} W*(1-e^{-t})dt - c*t
->
profit=t+e^-t+R-c*t
->
profit=e^(-t) + (c+1)*t + R
如果以天为周期小时为单位计量的话.
大致回报也是线性的.
一般地来说,在给定的时间范围内,只要X的derivative为正的话.
也即是时间计量的margin为正.
那么incentive就自然会是增加时长.
那么如何构造在一定时长后margin为负的情况呢?
最简单的负值构造自然是线性的.
对应的就是抛物线.
即X(t)=a*t^2+b
->
profit=a*t^2+b - s*t
->
profit=W(c-t)^2 + d
在这种情况下才可能存在给定某个工作时长为最优解形式.
如果是存在最大值的话,那么应该有W>0
也就是这个X应该是一个会在某个时间点之后incur performance degrade的曲线.
这不算是一个不现实的约束.
其他的形式呢?
考虑相对一般的形态.
profit=return(t) - cost(t)
或者
profit=\int return(t) - \int cost(t)
对应的return和cost曲线的对t的integral差异.
即投入和成本曲线的差额.
对于单个个体来说,如果需要maximize profit/on return的话.
相对stable的IC曲线应该是会让问题相对简单的.
这就需要每个人的投入产出以及对应的成本是相对可计量/具有统计意义的.
大多数情况下个人的cost是相对可预测/固定的.
所以这个求解的关键在于个人的time investment return的模式问题.
只要产出模型是有正margin的,那么单纯延长时间是没问题的.
比较麻烦的是那些曲线比较复杂,或者根本不连续甚至在一定周期尺度下具有随即性质的.
这种可能是根本没有明确的解析解的.
从群体尺度来说的话.
在数量到达一定程度的时候,个体的模式浮动性特征是比较容易被表征出来的.
也就是说,到达一定规模之后,理论上来说是可以规约到某一种特定的产出模式上作为当个个体求解的.
但是也并不是就一定存在解.
因为形式上来说,解的存在性和形态取决于产出模式.
那么软件工程是或者说应该是什么样的产出模式呢?
可能软件工程这个提法本身就是比较微妙的.
记得上学的时候就有各种CMMI/敏捷/测试/设计模式等方面的各种宏观架构.
各种方法论解构下来不过就是拆解.
背后的逻辑不过就是把不可控控制在一个认为可控/bounded的范围内.
它可能笑起来像金融的risk control/estimate.
但是至少金融有一套稍微能跑起来自洽解释的计量和数值系统.
而软件工程理论是不具有这些特征的.
最后无论以什么方式拆解出来的方案/步骤/方案,最后指向的是一个单一的计量标准.
也就是时间.
是的,金融方面也不过最后会量化为交易价值.
但两者的不同在于,时间的定量本身是未定义.
或者说没有标准的.
就像敏捷提出来优与瀑布或者更传统的软件开发模式的时候.
一个论点就是拆解的时间单元比对方更小,从而更flexible,更能应对各种可能发生的情况.
至少在这个陈述里面,它没有回避说软件开发的难点在于 各种可能发生的情况 这种风险.
但是逻辑上却微妙地归结到更小而短的周期能够让这种风险的发生几率更低.
那么如果这个观点如果是对的话,imply的就是软件开发的风险在与周期长.
这样就实际上陷入了一种递归指责.
或者说是一个逻辑陷阱.
在没有办法定量指出风险的具体含义的时候,提出了解决风险的方式.
所以,能实施成功的话,也只是因为刚好恰当地风险主要因素确实是时间.
那么,软件工程的风险到底是指什么呢?
可能在于软件工程这个提法本身.
coding本身有所谓的工程化的么?
或者说工程化本身的含义是什么.
一般的工程化可能跟接近于科学的定义.
即是一种能够量化衡量的可重复实验/过程.
coding本身是不太具有量化标准的.
就像文章或者绘画.
即使以统计的角度来说,量化能覆盖的也不过是风格上的问题.
但是完全没有能够bound的东西也不尽然.
至少API/protocol算是一种.
但是这是在integrate阶段的.
这个时候才会有简单的satisfied or not.
所以如果软件工程如果说存在的话.
也应该指示的是在delivering service过程中的这些隼合情况.
实际上,这些理论上是包含在automation里的.
包括compile/build/test/deploy基本都是不需要也不应该由人去干涉的.
而是根据各个节点的specifications来judge的.
再回头看那些工具和方法论.
那么当所谓risk出现的时候,大致就是各个pipeline stage的合规情况出现问题.
这时候这些理论是怎么解决这些问题的呢?
并没有.
或者说也有.
因为在这些理论框架下需要满足的constrain是时间.
如果把它作为所有risk的一个proxy来看待的话.
由于这些工具所处理和解决的都是在满足time bounded的前提.
于是在proxy回实际的处理方案的时候,关注点也通常在如何回避对时间的default.
于是实际执行上,如果build或者test或者deploy或者任意阶段出现问题.
那么可能的做法就是直接抛弃约定,做default处理.
所以这里的核心矛盾就在于.
或者说一个简单的模型描述就是.
给定一定的time resources.
以及一组random generated的consumer.
如何用limited的resource去satisfy的问题.
而这个是无所谓解的.
除非是能够bound consumer.
要么有一定的确定可预测的范围,要么具有某种可描述的模式.
所以,归根到底还是know your issue.
2019-04-06
由铁路售票想起
候车的时候想了个问题.
其实列车售票是一个segment的allocation问题.
给定一条线路{s_0,s_1,...,s_n}.
一个从A->B的请求实际上是某个{[s_i,s_j]; 0<=i
且每一个s_i有对应的一个quota,q_i表示可allocate的数量.
那么一个naive的approach就是做一个atomic的能rollback的transaction,做一个decrease.
这样的话,在q_i <<< concurrent_request,远小于并发请求数的时候.
在给定collision分布的情况下,某些q_i就不停地<0导致transaction rollback,从而造成一个failed allocation.
考虑一个稍微简单的定义.
给定一个sequence或者whatever,{s_i;s_i=0 or s_i=1}
也就是这个离散连续区间的值为0或者1.
或者说,这条线路各站余票只有0或者1两种情况.
对于一个allocation request,a_i_j,则要求的是.
sum_i_j s_i = j-i+1,即使i,j区间均为1.
而一组concurrent request则可以认为给定一组a,求一个satisfied的allocation subset.
这个有点类似有冲突的广告bid.
或者所谓的背包算法还是什么?
考虑optimized的目标是让是个subset尽可能地大.
或者说有尽可能多的request被满足.
那么这个最优解怎么求呢.
从最大或者最小的span开始allocate是不行的.
因为很容易构造一个反例,使人如果这个最优解存在,这种策略是不work的.
考虑对non-overlay的span一次allocation.
这是一个not necessary optimal的solution.
因为没有conflict.
考虑这个allocation set中的某个请求r,存在另一个range conflict的请求r_c.
当r_c的span是r的一个子集的时候,用r_c替换r是可以improve的.
因为此时r_c release原来r range的某些slot.
这使得这些slot有可能被更多的请求allocate到,从而增大了allocation set.
如果反过来的r_c是r的一个super set的话,那么同理,是不能improve的.
考虑只是partial overlay的情况.
令L_r为r的长度,L_r_c为r_c的长度.
那么在把r剔除之后的空出来的长度L至少会是L_r + L_r_c - 1.
不然的话,r和r_c能够同时fill整个range,不会有overlay.
于是对于r的improve就递归为这个L区间的optimal solution了.
则当最终converge的时候,也就是对于当前solution的所有r,都找不到任何improve的时候.
这个是最优解么?
还是说只是一个local minimal?
应该说只是一个local minimal.
因为本质上这是个step one的back search.
存在且容易构造如果回退两步能fill 3个request的情况.
而回退两步能产生更优解的原因应该是在于有了更多的continual的space.
所以可能first fill的时候,应该以保持尽可地避免fragment?
于是理想的做法应该是优先给予线路两侧的短途?
其实列车售票是一个segment的allocation问题.
给定一条线路{s_0,s_1,...,s_n}.
一个从A->B的请求实际上是某个{[s_i,s_j]; 0<=i
那么一个naive的approach就是做一个atomic的能rollback的transaction,做一个decrease.
这样的话,在q_i <<< concurrent_request,远小于并发请求数的时候.
在给定collision分布的情况下,某些q_i就不停地<0导致transaction rollback,从而造成一个failed allocation.
考虑一个稍微简单的定义.
给定一个sequence或者whatever,{s_i;s_i=0 or s_i=1}
也就是这个离散连续区间的值为0或者1.
或者说,这条线路各站余票只有0或者1两种情况.
对于一个allocation request,a_i_j,则要求的是.
sum_i_j s_i = j-i+1,即使i,j区间均为1.
而一组concurrent request则可以认为给定一组a,求一个satisfied的allocation subset.
这个有点类似有冲突的广告bid.
或者所谓的背包算法还是什么?
考虑optimized的目标是让是个subset尽可能地大.
或者说有尽可能多的request被满足.
那么这个最优解怎么求呢.
从最大或者最小的span开始allocate是不行的.
因为很容易构造一个反例,使人如果这个最优解存在,这种策略是不work的.
考虑对non-overlay的span一次allocation.
这是一个not necessary optimal的solution.
因为没有conflict.
考虑这个allocation set中的某个请求r,存在另一个range conflict的请求r_c.
当r_c的span是r的一个子集的时候,用r_c替换r是可以improve的.
因为此时r_c release原来r range的某些slot.
这使得这些slot有可能被更多的请求allocate到,从而增大了allocation set.
如果反过来的r_c是r的一个super set的话,那么同理,是不能improve的.
考虑只是partial overlay的情况.
令L_r为r的长度,L_r_c为r_c的长度.
那么在把r剔除之后的空出来的长度L至少会是L_r + L_r_c - 1.
不然的话,r和r_c能够同时fill整个range,不会有overlay.
于是对于r的improve就递归为这个L区间的optimal solution了.
则当最终converge的时候,也就是对于当前solution的所有r,都找不到任何improve的时候.
这个是最优解么?
还是说只是一个local minimal?
应该说只是一个local minimal.
因为本质上这是个step one的back search.
存在且容易构造如果回退两步能fill 3个request的情况.
而回退两步能产生更优解的原因应该是在于有了更多的continual的space.
所以可能first fill的时候,应该以保持尽可地避免fragment?
于是理想的做法应该是优先给予线路两侧的短途?
2019-03-16
关于锁的一点想法
考虑namenode或者某种rpc service队列.
假设有k个处理线程,每个请求处理时间是r的话.
则有t时间内的throughput T=k*r.
如果每个请求会收到一个global/share lock或者之类的互斥影响的话.
那么单个请求的开销r应该增加一个extra cost c.
即T=k*(r+c).
对于锁竞争之类的,cost c通常不会是一个常数.
考虑存在一个概率p能描述这个dynamic的话.
即c=p(c)
则每个请求的开销为r+p(c).
考虑有n个请求的话,那么在并行k的情况下.
每个线程处理m_i个请求,则该线程处理时长为\sum_{m_i} r+p(c).
->
cost of thread m_i = r*m_i + \sum p(c).
其中有n=\sum_k m_i即所有线程的处理请求总数加和为n.
当each m_i sufficient large的情况下,
cost of thread m_i ~ r*m_i + m_i*mean(p(c)).
即竞争带来的dynamic cost趋向于它的期望.
考虑线程处理是work stealing的策略的话.
那么并行带来的处理时长应该是每条线程差不多.
因为考虑只有两条线程的情况.
其中a跑了一个task,那么另外一条b要么跑comparable的task,要么lighter,或者heavier.
如果是lither的话,那么b将先完成,并抢先执行下一个.
这时等价于将a的当前task的cost减去b的task的开销,重置回假设初始.
而如若是heavier的话,交换a b即可.
对于k>=2的情况可以将划分为logical两条线程divide and conquer.
于是在这种情况下每条线程都是equality comparable cost的.
而任意一条在m_i sufficient large的情况下有
cost=r*m_i + m_i*mean(p(c))
->
per request cost=r+mean(p(c))
在p(c) dominate r的情况下.
比如在lock contention的情况下,process cost << wait lock. 实际请求开销小于锁竞争的情况下. 那么throuthput ~ mean(p(c))的. 那么考虑p的实际分布可能的形式. 以读写锁为例. 请求require read lock的概率为p,write lock的概率为1-p. 有k个线程竞争. 则,request read lock的情况. 当,all read lock的概率为p^k 因为shareable,所以cost=(p^k)*0 = 0 at least one write lock的概率为1-p^k. 如果获得锁,则有cost=0. 未获得锁的话,存在另外一个描述lcurrl,lock cost under read request lose. 即cost=(1-p^k) * (lcurrl) 请求为write lock的情况下,且获得的情况不论概率,其cost为零. 获取失败的情况下,存在yet another描述,lcuwrl,lock cost under write request lose. 那么mean cost=(p) * ((1-p^k) * (lcurrl)) + (1-p)*lcuwrl. ->lcurrl*p - lcurrl*p^(k+1) + lcuwrl - p*lcuwrl
->(lcurrl-lcuwrl)*p + lcuwrl - lcurrl*p^(k+1)
由于lcurrl和lcuwrl都是在给定p下的某个分布的mean值.
所以对于给定的p,有
(lcurrl-lcuwrl)*p + lcuwrl - lcurrl*p^(k+1)
->
mean cost = a*p^(k+1) + b
其中,a>0,1>=p>=0,k>0,b>0
当p->0的时候,或者k越来越大的话,mean cost -> b -> lcuwrl.
即lock cost under write request lose.
也即写锁竞争失败之后的expected cost.
如果锁是fair的.
那么设计上来说,每个线程得到的几率都是对等的.
于是随着k的增加,lcuwrl也会相应增加.
因为稀释.
而如果是non-fair的,则依赖于具体实现了.
假设有k个处理线程,每个请求处理时间是r的话.
则有t时间内的throughput T=k*r.
如果每个请求会收到一个global/share lock或者之类的互斥影响的话.
那么单个请求的开销r应该增加一个extra cost c.
即T=k*(r+c).
对于锁竞争之类的,cost c通常不会是一个常数.
考虑存在一个概率p能描述这个dynamic的话.
即c=p(c)
则每个请求的开销为r+p(c).
考虑有n个请求的话,那么在并行k的情况下.
每个线程处理m_i个请求,则该线程处理时长为\sum_{m_i} r+p(c).
->
cost of thread m_i = r*m_i + \sum p(c).
其中有n=\sum_k m_i即所有线程的处理请求总数加和为n.
当each m_i sufficient large的情况下,
cost of thread m_i ~ r*m_i + m_i*mean(p(c)).
即竞争带来的dynamic cost趋向于它的期望.
考虑线程处理是work stealing的策略的话.
那么并行带来的处理时长应该是每条线程差不多.
因为考虑只有两条线程的情况.
其中a跑了一个task,那么另外一条b要么跑comparable的task,要么lighter,或者heavier.
如果是lither的话,那么b将先完成,并抢先执行下一个.
这时等价于将a的当前task的cost减去b的task的开销,重置回假设初始.
而如若是heavier的话,交换a b即可.
对于k>=2的情况可以将划分为logical两条线程divide and conquer.
于是在这种情况下每条线程都是equality comparable cost的.
而任意一条在m_i sufficient large的情况下有
cost=r*m_i + m_i*mean(p(c))
->
per request cost=r+mean(p(c))
在p(c) dominate r的情况下.
比如在lock contention的情况下,process cost << wait lock. 实际请求开销小于锁竞争的情况下. 那么throuthput ~ mean(p(c))的. 那么考虑p的实际分布可能的形式. 以读写锁为例. 请求require read lock的概率为p,write lock的概率为1-p. 有k个线程竞争. 则,request read lock的情况. 当,all read lock的概率为p^k 因为shareable,所以cost=(p^k)*0 = 0 at least one write lock的概率为1-p^k. 如果获得锁,则有cost=0. 未获得锁的话,存在另外一个描述lcurrl,lock cost under read request lose. 即cost=(1-p^k) * (lcurrl) 请求为write lock的情况下,且获得的情况不论概率,其cost为零. 获取失败的情况下,存在yet another描述,lcuwrl,lock cost under write request lose. 那么mean cost=(p) * ((1-p^k) * (lcurrl)) + (1-p)*lcuwrl. ->lcurrl*p - lcurrl*p^(k+1) + lcuwrl - p*lcuwrl
->(lcurrl-lcuwrl)*p + lcuwrl - lcurrl*p^(k+1)
由于lcurrl和lcuwrl都是在给定p下的某个分布的mean值.
所以对于给定的p,有
(lcurrl-lcuwrl)*p + lcuwrl - lcurrl*p^(k+1)
->
mean cost = a*p^(k+1) + b
其中,a>0,1>=p>=0,k>0,b>0
当p->0的时候,或者k越来越大的话,mean cost -> b -> lcuwrl.
即lock cost under write request lose.
也即写锁竞争失败之后的expected cost.
如果锁是fair的.
那么设计上来说,每个线程得到的几率都是对等的.
于是随着k的增加,lcuwrl也会相应增加.
因为稀释.
而如果是non-fair的,则依赖于具体实现了.
订阅:
博文 (Atom)
投其所好
最近看了持械入宋,发觉AI的发展或者说经济化还是非常一日千里的. 虽然说短剧本身也不是什么新事物了. 甚至AI制作也不是最近才有的. 只是从质量上来说,还是看得出来是有区分度,或者说ROI门槛了的. 这片虽然从服化道方面来说还是普通的AI剧,甚至剧情大半夜还是传统的龙王归来模式....
-
最近写一个AgentCLI原型玩具的时候,发现一些比较有意思的点. 因为主要是照着DeepSeek API来写的. 所以基本上也可以说是OpenAI Chat Completion API的一些点. 不过,可能有些是DeepSeek特有的. 一个是请求的stop list. 大致...
-
从未对雪有过什么幻想. 于是,当这雪终究下下来了,也没什么特别的兴奋. 只是,由于是南方人,也就姑且好奇了一番. 望了望着属于别处的风景. 也许是因为昨晚下过雨,也或许是本来就会如此. 冰混着点积水,倒是怀念起阳光灿烂的日子了. 面对着这未知的...
-
去看了长安的荔枝. 前半段还可以,尤其像荔枝林里不知道是笑还是哭的几个镜头表演算是相当出色了. 结合人物背景的那种对目标的绝望与对当下人际环境的希望的交叉矛盾心理. 后半段就有些过滤潦草了. 如果说整片是对于一骑红尘妃子笑,无人知是荔枝来的解构的话. 带入民生潦倒涂炭这点是没问题...