1. 首页
  2. 标签
  3. 算法
HTML 实现仿 Windows 桌面主题特效，2024年最新字节跳动算法面试
System
2024-08-10
所有,html

在HTML中实现一个仿 Windows 桌面特效，通常需要使用CSS和JavaScript。以下是一个简单的示例，展示了如何创建一个基本的桌面背景动画效果：




<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Windows Desktop Theme</title>
<style>
  body, html {
    margin: 0;
    padding: 0;
    height: 100%;
  }
  .background {
    position: fixed;
    width: 100%;
    height: 100%;
    background: #f0f0f0;
    background-size: cover;
    background-repeat: no-repeat;
    background-attachment: fixed;
    background-position: 50% 50%;
    animation: slide 5s linear infinite;
  }
  @keyframes slide {
    0% { background-image: url('background-1.jpg'); }
    25% { background-image: url('background-2.jpg'); }
    50% { background-image: url('background-3.jpg'); }
    75% { background-image: url('background-4.jpg'); }
    100% { background-image: url('background-1.jpg'); }
  }
</style>
</head>
<body>
<div class="background"></div>
</body>
</html>

在这个示例中，.background 类使用固定定位使其覆盖整个视口。CSS动画@keyframes slide 控制背景图片的切换，实现了背景图片的无缝循环滚动。你需要替换background-1.jpg、background-2.jpg等图片路径为你的实际图片路径。这个简单的示例提供了一个起点，你可以根据需要添加更多的交互和复杂性。

- 阅读更多 -
nodejs的中雪花算法（Snowflake）
System
2024-08-10
所有,javascript

Node.js中实现雪花算法（Snowflake）通常是为了生成一个唯一的ID。以下是一个简单的雪花算法实现的例子：




class Snowflake {
    constructor() {
        // 时间戳部分
        this.timestamp = 0;
        // 数据中心ID占5位（2^2）
        this.dataCenterId = 0;
        // 机器ID占5位（2^5）
        this.workerId = 0;
        // 序列号占12位（2^12）
        this.sequence = 0;
        
        // 初始时间戳
        this.epoch = 1577836800000; // 例如：2020-01-01T00:00:00.000Z
    }
 
    // 生成雪花算法ID
    generate() {
        // 41位时间戳
        let timestamp = Date.now();
        // 如果时间戳小于上次ID生成的时间戳，则抛出错误
        if (timestamp < this.timestamp) {
            throw new Error('Clock moved backwards. Refusing to generate id for ' +
                (this.timestamp - timestamp) + ' milliseconds');
        }
 
        // 如果时间戳等于上次ID生成的时间戳，序列号自增
        if (this.timestamp === timestamp) {
            this.sequence = (this.sequence + 1) & 4095; // 为序列号加1后取模
            if (this.sequence === 0) {
                // 延时直到序列号不为0
                timestamp = this.tilNextMillis(this.timestamp);
            }
        } else {
            this.sequence = 0; // 时间戳变更，序列号重置
        }
 
        // 设置新的时间戳
        this.timestamp = timestamp;
 
        // 移位并通过按位或运算拼接成最终64位ID
        let id = ((timestamp - this.epoch) << 22) |
            (this.dataCenterId << 17) |
            (this.workerId << 12) |
            this.sequence;
 
        return id;
    }
 
    // 延时直到下一毫秒
    tilNextMillis(lastTimestamp) {
        let timestamp = Date.now();
        while (timestamp <= lastTimestamp) {
            timestamp = Date.now();
        }
        return timestamp;
    }
}
 
// 使用示例
const snowflake = new Snowflake();
const id = snowflake.generate();
console.log(id);

这个实现包括了时间戳、数据中心ID、机器ID和序列号的位移和组合，确保了ID的唯一性。请注意，在分布式系统中实现数据中心ID和机器ID需要额外的机制来确保唯一性，并且可能涉及到更复杂的逻辑。

- 阅读更多 -
vue的diff算法详解（看完谁问都不慌了）
System
2024-08-10
所有,vue.js

Vue的diff算法是一种用来比较新旧虚拟DOM树差异的算法，其目的是为了高效更新DOM。diff算法的过程主要分为三个阶段：

  1. 遍历：递归比较两棵虚拟DOM树的每一个节点，并对不同的节点进行标记。
  2. 建立：将标记的节点添加到一个需要更新的列表中。
  3. 应用：根据列表应用更新到真实的DOM上。

具体步骤如下：

  1. 新旧节点是相同的，直接复用。
  2. 新节点不存在，标记旧节点为移除。
  3. 新节点与旧节点不同，标记旧节点为移除，并添加新节点。
  4. 如果新节点是一个可复用组件，并且和旧节点相同，则尝试复用。

这个过程是高效的，因为它会尽可能地复用老的DOM元素。

以下是一个简化的例子，说明diff算法的核心概念：




function diff(oldTree, newTree) {
  let patches = {};
 
  diffRecursive(oldTree, newTree, patches, 0);
 
  return patches;
}
 
function diffRecursive(oldNode, newNode, patches, index) {
  // 新旧节点不同
  if (oldNode.type !== newNode.type) {
    // 标记旧节点为移除
    patches[index] = { type: 'REMOVE', index };
    // 如果新节点存在，标记新节点为添加
    if (newNode) {
      patches[index] = { type: 'ADD', index, newNode };
    }
  } else if (oldNode.props !== newNode.props || oldNode.children !== newNode.children) {
    // 属性或子节点有变化
    patches[index] = { type: 'PROPS', index, props: newNode.props };
  }
 
  // 比较子节点
  let childPatches = {};
  diffChildren(oldNode.children, newNode.children, childPatches, index);
  if (Object.keys(childPatches).length) {
    patches[index] = { ...patches[index], ...childPatches };
  }
}
 
function diffChildren(oldChildren, newChildren, patches, index) {
  let lastPatchIndex = index;
  newChildren.forEach((newChild, i) => {
    let oldChild = oldChildren[i];
    let newPatchIndex = lastPatchIndex + 1;
    diffRecursive(oldChild, newChild, patches, newPatchIndex);
    lastPatchIndex = newPatchIndex;
  });
 
  if (oldChildren.length > newChildren.length) {
    // 旧虚拟DOM树有多余的节点，标记为移除
    for (let i = newChildren.length; i < oldChildren.length; i++) {
      patches[lastPatchIndex + 1] = { type: 'REMOVE', index: lastPatchIndex + 1 };
    }
  }
}

在这个例子中，diff函数是入口，它比较两棵虚拟DOM树的根节点，并返回一个补丁对象patches，描述了如何更新真实的DOM。diffRecursive是递归比较两棵DOM树的主要函数，而diffChildren比较子节点的差异。这个例子提供了diff算法的基本概念，但Vue中的diff算法实现要复杂得多，包括key的处理、节点的复用等。

- 阅读更多 -
国密算法SM2/3/4简单比较，以及基于Java的SM4（ECB模式，CBC模式）对称加解密实现
System
2024-08-09
所有,java

国密算法是中国自主设计的密码算法，主要用于保护信息安全。SM2/SM3/SM4是其中的一部分，分别对应公钥算法、散列算法和对称算法。

  1. SM2公钥密码算法：主要用于数据加密和密钥协商。
  2. SM3摘要算法：主要用于生成数据的摘要。
  3. SM4分组密码算法：主要用于数据加密。

以下是Java中基于org.bouncycastle库实现的SM4加密和解密的示例代码：




import org.bouncycastle.jce.provider.BouncyCastleProvider;
import org.bouncycastle.crypto.engines.SM4Engine;
import org.bouncycastle.crypto.modes.ECBBlockCipher;
import org.bouncycastle.crypto.params.KeyParameter;
import org.bouncycastle.crypto.paddings.PaddedBufferedBlockCipher;
import org.bouncycastle.crypto.digests.SM3Digest;
import java.security.Security;
 
public class SM4Util {
    static {
        Security.addProvider(new BouncyCastleProvider());
    }
 
    // ECB模式加密
    public static byte[] encryptEcb(byte[] keyBytes, byte[] data) throws Exception {
        KeyParameter key = new KeyParameter(keyBytes);
        SM4Engine engine = new SM4Engine();
        engine.init(true, key);
 
        PaddedBufferedBlockCipher cipher = new PaddedBufferedBlockCipher(new ECBBlockCipher(engine));
        cipher.init(true, key);
 
        byte[] encrypted = new byte[cipher.getOutputSize(data.length)];
        int len = cipher.processBytes(data, 0, data.length, encrypted, 0);
        cipher.doFinal(encrypted, len);
 
        return encrypted;
    }
 
    // ECB模式解密
    public static byte[] decryptEcb(byte[] keyBytes, byte[] data) throws Exception {
        KeyParameter key = new KeyParameter(keyBytes);
        SM4Engine engine = new SM4Engine();
        engine.init(false, key);
 
        PaddedBufferedBlockCipher cipher = new PaddedBufferedBlockCipher(new ECBBlockCipher(engine));
        cipher.init(false, key);
 
        byte[] de
- 阅读更多 -
Python深度理解系列之【排序算法——冒泡排序】
System
2024-08-09
所有,python

冒泡排序是一种简单的排序算法，它重复地遍历要排序的数列，一次比较两个元素，如果它们的顺序错误就把它们交换过来。重复进行直到没有再需要交换的元素，这意味着数列已经排序完成。

以下是冒泡排序的Python实现：




def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        for j in range(0, n-i-1):
            if arr[j] > arr[j+1]:
                arr[j], arr[j+1] = arr[j+1], arr[j]
    return arr
 
# 使用示例
array = [64, 34, 25, 12, 22, 11, 90]
sorted_array = bubble_sort(array)
print("Sorted array is:", sorted_array)

这段代码首先定义了一个名为bubble_sort的函数，该函数接收一个列表arr作为参数，并通过两层循环实现冒泡排序。外层循环确定需要遍历的次数，内层循环用于比较并交换元素。最后返回排序后的数组。在使用示例中，我们创建了一个未排序的数组array，调用bubble_sort函数对其进行排序，并打印出排序后的结果。

- 阅读更多 -
Frida Hook Java层的加密算法 通杀自吐脚本
System
2024-08-09
所有,java



// 首先，你需要确保已经安装了Frida，并且Frida服务器正在运行。
// 以下是一个基本的Frida脚本示例，用于Hook Java层的加密算法。
 
// 引入Frida提供的Java API
var Java = {
    use: function(className) {
        Java.perform(function() {
            // 加载指定的Java类
            var MyEncryptClass = Java.use(className);
            // 重写encrypt方法
            MyEncryptClass.encrypt.implementation = function(data) {
                // 这里可以添加自己的加密逻辑
                // 比如打印出原始数据
                send(data);
                // 调用原始的encrypt方法
                var result = this.encrypt.apply(this, arguments);
                // 打印加密后的数据
                send(result);
                // 返回结果
                return result;
            };
        });
    }
};
 
// 使用方式：
// Java.use('com.example.MyEncryptClass');
 
// 注意：
// 1. 请确保你有权限hook指定的Java类。
// 2. 这只是一个简单的示例，实际使用时需要根据具体的加密算法和应用程序进行调整。

这个脚本提供了一个如何使用Frida来Hook Java加密方法的基本框架。在实际应用中，你需要根据目标应用程序的具体类名和方法来修改use函数中的参数，并在重写的方法实现中添加你自己的加密分析或者破解逻辑。

- 阅读更多 -
JAVA中常见的垃圾回收算法
System
2024-08-09
所有,java

在Java中，常见的垃圾收集算法包括：

  1. 标记-清除（Mark-Sweep）: 这是最基本的垃圾收集算法，包括两个阶段，标记和清除。首先标记出所有需要回收的对象，然后统一回收被标记的对象。此算法简单，但会产生大量不连续的内存碎片。
  2. （Copying）: 为了解决标记-清除算法的内存碎片问题，出现了复制算法。它将可用内存分为两块相等的区域，每次只使用其中一块。当这一块内存用完了，就将还存活的对象复制到另一块上去，然后把已使用的内存空间一次性清理掉。这种算法实现简单，运行高效，但是代价是内存被大幅缩小。
  3. 标记-整理（Mark-Compact）: 为了解决复制算法带来的内存缩小问题，标记-整理算法就被提了出来。它在标记阶段还是和标记-清除一样，但是在清理阶段不是直接清理，而是让所有存活的对象都向一端移动，然后直接清理掉端边界以外的内存。
  4. 分代收集（Generational Collector）: 基于对象生命周期的不同，分代收集算法将堆分为新生代和老年代。新生代中，大部分对象都是朝生夕死，所以用复制算法，效率高。而老年代中对象存活率高，一般用标记-整理或标记-清除算法。

Java中常用的垃圾收集器包括：Serial GC、Parallel GC、Parallel Old GC、G1 GC、ZGC等。不同的垃圾收集器可能采用了上述不同的算法，或者是它们的组合。

- 阅读更多 -
java中SM2加密算法的实操代码
System
2024-08-09
所有,java

在Java中，实现SM2加密算法通常需要依赖第三方库，例如Bouncy Castle。以下是一个使用Bouncy Castle库实现SM2加密的简单示例：

首先，确保你的项目中包含了Bouncy Castle的依赖。如果你使用Maven，可以添加以下依赖到你的pom.xml文件中：




<dependency>
    <groupId>org.bouncycastle</groupId>
    <artifactId>bcprov-jdk15on</artifactId>
    <version>1.69</version>
</dependency>

然后，你可以使用以下Java代码来实现SM2加密：




import org.bouncycastle.crypto.AsymmetricCipherKeyPair;
import org.bouncycastle.crypto.params.ECPrivateKeyParameters;
import org.bouncycastle.crypto.params.ECPublicKeyParameters;
import org.bouncycastle.crypto.generators.ECKeyPairGenerator;
import org.bouncycastle.crypto.engines.SM2Engine;
import org.bouncycastle.crypto.modes.GMTEncryptingState;
import org.bouncycastle.crypto.params.ECDomainParameters;
import org.bouncycastle.crypto.params.ParametersWithRandom;
import org.bouncycastle.crypto.digests.SM3Digest;
import org.bouncycastle.jce.provider.BouncyCastleProvider;
import org.bouncycastle.jce.spec.ECPrivateKeySpec;
import org.bouncycastle.jce.spec.ECPublicKeySpec;
import org.bouncycastle.jce.interfaces.ECPrivateKey;
import org.bouncycastle.jce.interfaces.ECPublicKey;
import java.security.KeyFactory;
import java.security.Security;
import java.security.SecureRandom;
import java.security.Signature;
import java.security.spec.PKCS8EncodedKeySpec;
import java.security.spec.X509EncodedKeySpec;
import java.util.HashMap;
 
public class SM2EncryptionExample {
    static {
        Security.addProvider(new BouncyCastleProvider());
    }
 
    public static void main(String[] args) throws Exception {
        // 初始化SM2算法相关参数
        ECKeyPairGenerator keyGenerator = new ECKeyPairGenerator();
        keyGenerator.init(new HashMap<>());
        AsymmetricCipherKeyPair keyPair = keyGenerator.generateKeyPair();
        ECPrivateKeyParameters privateKey = (ECPrivateKeyParameters) keyPair.getPrivate();
        ECPublicKeyParameters publicKey = (ECPublicKeyParameters) keyPair.getPublic();
 
        // 将密钥参数转换为Java标准密钥格式
        KeyFactory keyFactory = KeyFactory.getInstance("ECDSA", "BC");
        ECPrivateKeySpec privateKeySpec = new ECPrivateKeySpec(privateKey.getPrivateParameters(), SM2Engine.SM2_CURVE_SPEC);
        ECPublicKeySpec publicKeySpec = new ECPublicKeySpec(publicKey.getPublicParameters().getQ(), SM2Engine.SM2_CURVE_SPEC);
 
        ECPrivateKey privateKeyJava = (ECPrivateKey) keyFactory.gener
- 阅读更多 -
ElasticSearch学习篇11_ANNS之基于图的NSW、HNSW算法
System
2024-08-09
所有,elasticsearch

在ElastcSearch中，图的NSW和HNSW算法是用于加速近似最近邻搜索的。以下是如何在ElasticSearch中配置这些算法的示例代码：




PUT /my_index
{
  "mappings": {
    "properties": {
      "my_vector": {
        "type": "dense_vector",
        "dims": 768,
        "index": true
      }
    }
  },
  "settings": {
    "index": {
      "number_of_shards": 1,
      "similarity": {
        "my_similarity": {
          "type": "vector",
          "model": "dot",
          "parameters": {
            "dim": 768
          }
        }
      }
    }
  }
}

在上述代码中，我们创建了一个名为my_index的索引，并定义了一个名为my_vector的密集向量字段，该字段将用于存储768维的向量数据。我们还配置了一个相似度测量方法my_similarity，它使用点积作为相似度计算方法。

然后，您可以使用如下所示的查询来使用NSW或HNSW算法进行最近邻搜索：




POST /my_index/_search
{
  "size": 10,
  "query": {
    "script_score": {
      "query": {
        "match_all": {}
      },
      "script": {
        "source": "cosineSimilarity(params.query_vector, 'my_vector') + 1.0",
        "params": {
          "query_vector": [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7]  // 示例查询向量
        }
      }
    }
  }
}

在此查询中，我们使用了ElasticSearch的脚本得分功能，通过传递一个查询向量来计算文档向量和它的相似度得分。这里的cosineSimilarity函数是ElasticSearch中用于计算两个向量点积的内置函数。

- 阅读更多 -
React学习8（DOM的diff算法）
System
2024-08-09
所有,react native

在React中，DOM的diff算法是一种用于比较新旧两棵虚拟DOM树的差异，并找出最小的DOM更新操作的算法。这样可以提高性能，减少不必要的DOM更新。

React的diff算法是深度遍历两棵树的过程，但是它在某些情况下做了一些优化，例如：

  1. 当遇到不同类型的节点时，就会直接删除旧节点，并新建新节点，因为这样的更改不会再进行深度比较。
  2. 当节点类型相同时，会进行深度比较，并对DOM进行最小化更新。

以下是一个简化的diff算法示例，用于演示React的diff过程：




function diff(oldTree, newTree) {
  if (oldTree.type !== newTree.type) {
    // 节点类型不同，直接替换整个DOM子树
    replaceNode(oldTree.dom, newTree.render());
    return;
  }
 
  // 节点类型相同，可能需要进一步比较属性和子节点
  diffAttributes(oldTree.dom, oldTree.attr, newTree.attr);
 
  // 递归比较子节点
  let newChildren = newTree.children || [];
  let oldChildren = oldTree.children || [];
  newChildren.forEach((newChild, index) => {
    let oldChild = oldChildren[index];
    if (!oldChild || newChild.key !== oldChild.key) {
      // 子节点不存在或键值不匹配，插入新节点
      insertNode(oldTree.dom, newChild.render(), index);
    } else {
      // 键值相同，递归比较子节点
      diff(oldChild, newChild);
    }
  });
 
  // 移除多余的旧子节点
  if (newChildren.length < oldChildren.length) {
    removeNodes(oldTree.dom, newChildren.length, oldChildren.length);
  }
}

这个示例中，diff函数接收旧树和新树作为参数，并执行相应的DOM操作来更新DOM以匹配新树。这个过程是递归的，但是对于某些已知的不同类型的节点，会直接替换整个子树，避免了深度的递归比较。这样的优化使得React的diff算法在大多数情况下都能有效且高效地执行。

- 阅读更多 -
Copyright © 2025 Tech Blog
All Right Reserved | 京ICP备19053165号