现在我们日程使用的手机、电脑、服务器使用的基本上都是多核 CPU，多核 CPU 允许我们并行地运行多个程序。我们的程序（进程/线程）跑在哪一个核心上是由操作系统内核来调度的，内核会将我们的程序调度到不同的核心上来运行，那有没有方法能让我们的程序一直在同一个 CPU 上运行呢？ 答案当然是有的，Linux 提供了 CPU 亲和性（CPU affinity）的设置来允许我们控制程序使其在同一块 CPU 上完成。

排序算法经常作为CS算法课程中的入门算法来引入，因为各种各样的排序算法中包含了很多的计算机科学思想，例如： 基于比较（Comparision）和不基于比较的策略； 迭代（Iterative）或递归（Recursive）的实现 分支（Divide-and-Conquer）的机制（例如归并排序与快速排序） 最好/最差/平均 时间复杂度分析 随机算法（Randomized Algorithm）

C++ 的左值（lvalue）和右值（rvalue）的概念在 C++11 后变得越来越重要，作为一个不是很容易理解的概念，一旦我们搞清楚了他们的含义，将有助于我们进一步理解一些高级的 C++ 特性，例如 move/forward 的新语义及右值引用（rvalue references）。

写技术博客是大部分程序员都很想坚持却又总是断断续续的一件事。大家愿意写技术博客是因为有很多好处，例如写博客有助于整理平常的思考、梳理一个复杂难懂的技术细节；同时也可以满足分享与传播的欲望，幸运的话还能提升自己的 impact。

有一个问题一直困扰着我，就是使用备忘录进行记忆化搜索的方式到底算不算动态规划？有此疑惑是因为我常常发现，在 LeetCode 上使用记忆化搜索求解往往效率很差，时间复杂度排在后 20%，而使用 DP table 进行递推的效率则好很多；以及看到很多题解中将动态规划与记忆化搜索（备忘录）并列介绍。

在之前的文章使用InfluxDB和Telegraf为服务器搭建基础监控中介绍过使用 InfluxDB 和 Telegraf 技术栈来为服务器搭建基本监控，其中，InfluxDB 和 Telegraf 都是运行在 Docker 容器中的，通过共享容器网络进行通信。 在这篇文章中，将要介绍如何使用 docker 容器为 docker 本身进行监控。

最近在使用 Python 的 matplotlib 绘图库来进行三维空间地图的可视化，但是发现实际绘制速度特别慢，画图大概需要 90s 左右。之前有听说 matplotlib 因为绘图质量很高达到了出版级别所以速度上不是很快，但是直觉告诉我，也该也不至于这么慢……，猜测是在代码逻辑上应该有提升空间。 最开始想着简单打印一下程序时间，自己计算看看在哪里耗时比较长，但是感觉不太优雅，于是去搜寻有没有很好用的性能分析工具。

Git commit 的 message 是 git 提交关键的描述信息，很多人出于习惯或是想尽快 git push 然后合上电脑休息往往忽略了 message 的重要性，一份好的 message 可以展现出你良好的开发习惯。

Linux 提供了各种不同的软件包安装与管理方式，我们可以根据系统差异、实际情况以及使用需求选择不同的方式来安装。

之前写的 C++ 大部分都是来自在 LeetCode 上的算法题，很久没亲自动手编译 C++ 程序，今天写了一段 C++ 想编译一下，习惯性地使用了gcc，其中用到了vector，但是编译器报了错。