在项目开发过程中，遇到一种很奇怪的现象：同一张图片，在iOS、Mac端能很正常的显示出来，但在H5、Android端却显示不出来。经过对比正常的图片与这张异常图片，发现区别在于异常图片Alpha通道一项的值为“是”，而正常能够显示出来的图片该值为“否”。

随着数字技术的发展，我们的生活越来越离不开音频，对音频使用和呈现方式也越来越多样化，人们也从去单纯的听录制好的音频转向录制属于自己的音频，例如录歌、会议录音、录制短视频等。我们这些音频是高质量，清晰可听的，而这依赖于设备的性能。因此，对于一个音频设备，其音频质量的好坏成为衡量该设备性能的一个重要指标。然而，在现实生活中，录制的音频中不仅会有设备本身的电流噪声，还会夹杂着周围环境中的噪声。而环境噪声并不与设备性能直接相关，一旦所录制的音频中有环境噪声的干扰就会使得音频质量变差，使得我们不能正确的对该音频设备的性能进行评估。所以，如何有效的消除环境噪声是一个值得被关注的问题。环境中噪声往往是复杂多变难以处理的，利用传统降噪方法也很难取得理想的效果。为了解决这一问题，本文将介绍一种基于模型来自动消除音频中的环境噪声的方法。该方法不仅可以用于提高音频质量检测的准确性，还适用于各种需要提高音频质量的场景中。

音频质量检测模型训练中，纯净高质量的音频数据集比较好获得，但是损伤音频的数据集比较少，而且损伤音频的质量得分也很难评估。我们采用了一种只依靠纯净高质量的语音数据集来制作低质量音频并打分的方法。

多线程在iOS中有着举足轻重的地位，是每一位开发者都必备的技能，当然也是面试常考的技术点，本文主要是探究我们实际开发或者面试中遇到的多线程问题。比如什么是线程？它跟进程是什么关系，队列跟线程什么关系，同步、异步、并发（并行）、串行这些概念又怎么来理解，iOS有哪些常用多线程方案，以及线程同步技术有哪些等等。

一.概述无论是前端还是客户端开发都离不开页面的展示，而页面是由布局和各种组件构成的。布局好比是建筑里的框架，

ARouter是阿里开源的一款android路由框架，帮助 Android App 进行组件化改造的路由框架 —— 支持模块间的路由、通信、解耦；结合路由可以实现组件化。

iOS 调整导航栏按钮与边框的距离。

Flutter自诞生之时就以轻松构建美观、高性能组件著称，目标是提供逼近“原生性能”的60帧每秒（fps）的性能，或者是在可以达到120Hz的设备上提供120fps的性能。这里的帧率fps是指的画面每秒传输帧数，是衡量性能优化中屏幕是否卡顿的一个重要指标，如何测量一个应用的帧率，就要用到工具Timeline。

在App迭代发展中，随着代码工程的增长，在某些时候需要将App的部分逻辑放在与Widget分离的类中。使Widget不具有直接依赖关系可以使代码更好地组织并更易于测试和维护。但是现在需要一种从 UI 代码访问这些对象的方法。

作者escamoteur 借鉴.net中的Service Locator Splat概念，在Dart中开发而成。

故GetIt应运而生，从1.0到现在的7.x。

同步与异步程序的运行是出于满足人们对某种逻辑需求的处理，在计算机上表现为可执行指令，正常情况下我们期望的指令

今天小编为大家分享360在基于XFS文件系统Linux Disk Quota的应用方案。

本篇文章向你分享：360虚拟化团队基于自研的CLOUD-DPVS设备，来支持负载均衡、VXLAN隧道、BFD探活等功能，以此来实现VPC网络到IDC网络互联互通的业务场景。

360 怎么实践静态代码扫描。

本文是分布式系统原理和实践的第一篇，笔者在学习的过程参考了原论文以及很多网络文章，感谢那些作者的分享和记录。本文会从Paxos的引入开始，然后对Paxos的流程进行分解和总结，最后对Multi-paxso的特性进行分析。以下所有讨论并不会涉及系统工程实现相关的部分，如果读者对paxos理论这部分已经深入了解，可以自行跳过。

在一个系统中，为了避免单节点故障导致数据丢失或服务不可用，通常会把数据复制多份进行保存，并将其存储在不同的数据节点上，以此增加系统的可用性和可靠性，降低数据丢失的可能。但这种方式同时也引入了一个新的问题，就是如何保证处于不同节点上的副本数据是一致完整的，数据副本之间没有任何差异。分布式共识算法就是为解决这个问题而生，而最让人熟知的当属Paxos协议，Google Chubby的作者就曾说，世界上就只有一种一致性协议，那就是Paxos，其他都是Paxos的残缺版本。

系统开发部分需求涉及到了多任务执行，而多任务执行过程中需要处理并发问题。

视频帧的黑、花屏的检测是视频质量检测中比较重要的一部分，传统做法是由测试人员通过肉眼来判断视频中是否有黑、花屏的现象，这种方式不仅耗费人力且效率较低。为了进一步节省人力、提高效率，一种自动的检测方法是大家所期待的。目前，通过分类网络模型对视频帧进行分类来自动检测是否有黑、花屏是比较可行且高效的。然而，在项目过程中，视频帧数据的收集比较困难，数据量较少，部分花屏和正常屏之间差异不够明显，导致常用的分类算法难以满足项目对分类准确度的要求。因此本文尝试了一种利用目标检测算法实现分类的方式，帮助改善单纯的分类的算法效果不够理想的问题。