1.FTP的被动被动主动传输和被动传输以及实现FTPClient连接池
2.一文从linux源码看socket的close基本概括
3.RocketMQ之消费者，重平衡机制与流程详解附带源码解析
4.Kswapd 源码解析
5.web渗透信息侦察收集工具——Recon-ng
6.TARS 染色日志｜收集记录特定日志

FTP的主动传输和被动传输以及实现FTPClient连接池

       FTP（文件传输协议）是用于计算机间传输文件的可靠协议，适用于异构环境，和主具有操作系统的动收兼容性。FTP基于TCP实现，源码TFPT协议则依赖于UDP。信息源码讲解 pythpn

       FTP采用客户端-服务器模型，被动被动服务器同时为多个客户端提供服务，收集收集客户端发起文件传输请求，和主服务器响应并提供文件存储。动收

       FTP服务器分为主进程与副进程，源码主进程在FTP服务关闭后销毁，信息负责管理整个服务。被动被动副进程则包括控制进程与数据传输进程，收集收集维持两种连接：控制连接在会话期间保持打开，和主数据传输连接则在客户端请求时建立，专门用于文件传输。

       FTP的数据传输有两种模式：被动模式与主动模式。被动模式下，服务器主动发起数据传输连接，客户端接收连接。主动模式下，客户端主动发起数据传输连接，服务器接收连接。

       被动模式适用于客户端防火墙限制而服务器防火墙无限制的场景。主动模式则适用于服务端防火墙有限制而客户端防火墙无限制的情况。

       在开发中，可使用SpringBoot框架实现FTPClient连接池。通过创建SpringBoot项目，添加FTP相关依赖，配置application.properties文件，以及编写CommandLineRunner测试类，来实现FTPClient的连接与操作。

       在项目中，可使用ftp-client-pool-root源码进行FTPClient的root网络验证源码连接池实现，包含FTP客户端、连接池配置、测试类等。

一文从linux源码看socket的close基本概括

       理解TCP关闭过程的关键在于四次挥手，这个过程是主动关闭、被动关闭和同时关闭的统一体现。在主动关闭close(fd)的过程中，通过C语言中的close(int fd)函数调用系统调用sys_close，进而执行filp_close方法。随后，fput函数处理多进程中的socket引用问题，确保父进程也正确关闭socket。在f_op->release的实现中，我们关注socket与file的关系以及close(fd)调用链。随着状态机的变迁，TCP从FIN_WAIT1变迁至FIN_WAIT2，设置一个TCP_FIN_WAIT2定时器，防止由于对端未回应导致的长时间等待。FIN_WAIT2状态等待对端的FIN，完成最后两次挥手。接收对端FIN后，状态变化至time_wait，原socket资源被回收，并在时间等待超时后从系统中清除。在被动关闭中，接收FIN进入close_wait状态，应用关闭连接时改变状态为last_ack，并发送本端的FIN。被动关闭的后两次挥手后，连接关闭。出现大量close_wait通常与应用检测到对端FIN时未及时关闭有关，解决方法包括调整连接池的参数或加入心跳检测。操作系统通过包活定时器在超时后强制关闭连接。进程退出时会关闭所有文件描述符，ios全息备份源码再次触发filp_close函数。在Java中，通过重写finalize方法，GC会在释放内存时关闭未被引用的socket，但不可完全依赖GC来管理socket资源，以避免潜在的内存泄露问题。总结，深入理解TCP关闭过程有助于优化网络应用程序的性能和稳定性，同时阅读Linux内核源代码需要耐心和系统性的方法。

RocketMQ之消费者，重平衡机制与流程详解附带源码解析

       本文深入探讨了RocketMQ消费者中的重平衡机制与流程。重平衡是消费者开始消费过程的起点，其目的是将多个消费者分配到多个Queue上以提高消费速率。由于每个Queue只能由一个消费者同时消费，消费者数量的变化需要通过调整Queue的分配来实现，这就是重平衡。

       RocketMQ使用一种固定的分配策略，确保所有消费者的分配结果一致，以实现幂等性。重平衡的触发有两种方式：主动触发由消费者的启动和停止引起，被动触发则是每秒进行一次检查或收到Broker发送的重平衡请求。重平衡主要涉及RebalanceImpl类和RebalanceService类，客户端完成重平衡流程。

       RabbitImpl类中实现了整个重平衡流程，并保存了必要的基本信息和重分配策略类allocateMessageQueueStrategy。RebalanceImpl中包含了一系列逻辑和抽象方法，根据消费者类型不同有不同实现。主动触发和被动触发在流程中分别对应**和蓝色标识。

       当重平衡线程调用客户端实例的doRebalance方法进行重平衡时，客户端实例仅遍历所有注册的消费者，获取它们的重平衡实现并调用RebalanceImpl#doRebalance方法。该方法逻辑涉及处理队列和拉取请求，其中处理队列与消息队列一一对应，拉取请求使用一次后重新放入等待队列以进行下一次拉取，连班池源码重平衡是消息拉取的唯一起点。

       RocketMQ提供了六种队列分配策略以适应不同场景，实现灵活的重平衡机制。源码解析部分详细分析了RebalanceService和RebalanceImpl类，特别强调了doRebalance方法作为重平衡入口，以及对Topic进行重平衡、更新订阅队列和处理队列列表、处理消息队列变化的流程。

Kswapd 源码解析

       kswapd是Linux内核中的一个内存回收线程，主要用于内存不足时回收内存。初始化函数为kswapd_init，内核为每个节点分配一个kswapd进程。每个节点的pg_data_t结构体中维护四个成员变量，用于管理kswapd线程。

       在初始化后，每个节点的kswapd线程进入睡眠状态。唤醒时机主要在被动唤醒和主动唤醒两种场景：被动唤醒是内存分配进程唤醒并完成异步内存回收后，对节点内存环境进行平衡度检查，若平衡则线程短暂休眠ms后主动唤醒。主动唤醒是内存回收策略调用kswapd，对节点进行异步内存回收，让节点达到平衡状态。

       内存回收包括快速和直接两种方式，但系统周期性调用kswapd线程平衡不满足要求的节点，因为有些任务内存分配不允许阻塞或激活I/O访问，回收内存相当于亡羊补牢，系统利用空闲时间进行内存回收是必要的。

       kswapd线程通过module_init(kswapd_init)创建，一般处于睡眠状态等待被唤醒，当系统内存紧张时，会唤醒kswapd线程，调整不平衡节点至平衡状态。

       kswapd函数包含alloc_order、reclaim_order和classzone_idx三个变量，大富豪源码购买用于控制线程执行流程。kswapd_try_to_sleep函数判断是否睡眠并让出CPU控制权，同时是线程唤醒的入口。balance_pgdat函数是实际内存回收操作，涉及内存分配失败后唤醒kswapd线程，调用此函数对指定节点进行异步内存回收。

       kswapd_shrink_node函数通过shrink_node对低于sc->reclaim_idx的非平衡zone区域进行回收。

       总结kswapd执行流程，其生命周期与Linux操作系统相似，平时处于睡眠状态让出CPU控制权。在内存紧张时被唤醒，有被动唤醒和周期性主动唤醒两种时机。被动唤醒发生在内存分配任务获取不到内存时，表明系统内存环境紧张，主动唤醒则是内存回收策略的执行。线程周期性唤醒在被动唤醒后的短暂时间内，原因在于系统内存环境紧张，需要在这段时间内进行内存回收。

web渗透信息侦察收集工具——Recon-ng

       在web渗透测试领域，信息侦察与收集是至关重要的环节。对于经验丰富的黑客而言，他们有自己独特的信息收集策略。在信息收集的过程中，合理利用现有的优秀工具，尤其是对新手而言，能极大提升效率与效果。本文将聚焦于一款新型的信息侦察收集工具——Recon-ng，分享其安装与使用方法。

       Recon-ng的安装步骤简单明了。首先，确保已安装dnspython、httplib2、python-0auth2等依赖文件。可以使用sudo pip install命令来完成安装。接着，通过git clone从GitHub下载Recon-ng的源代码，进入python-oauth2目录后，运行sudo python setup.py install进行安装。

       在使用Recon-ng时，其操作流程与MSF极为相似，便于用户上手。Recon-ng的核心功能主要分为侦察Reconnaissance、发现Discovery与汇报Reporting三个模块。

       侦察Reconnaissance，即被动收集信息，例如通过搜索引擎和黑客技巧搜集目标的敏感信息。Recon-ng的这一模块提供了搜索功能，用户可根据需求指定关键词进行搜索。

       发现Discovery，是主动收集信息的过程，例如通过发送HTTP请求包来探测Web服务指纹。通过使用Recon-ng的Discovery模块，用户可以主动发起请求，获取服务提供的详细信息。

       汇报Reporting模块提供了HTML与CSV两种格式的报表，方便用户整理收集到的信息。对于不同需求，用户可以灵活选择输出格式。

       接下来，本文将通过具体的使用范例，展示Recon-ng的强大功能。以web应用指纹识别为例，用户可以使用搜索功能快速定位相关模块，通过设置参数运行模块。在遇到问题时，如出现“[!]”错误提示，可尝试修改全局参数SOCKET_TIMEOUT来解决。

       在收集公司职员信息时，Recon-ng提供了一个实用的模块，通过搜索特定网站，获取公司组织架构信息。用户可以使用此模块获取公司内部结构与职员名单。需要注意的是，该模块使用的信息源可能不适用于国内网站，但其收集思路对于国内网站的渗透信息收集具有一定的参考价值。

       此外，Recon-ng还提供了查看Apache Server-Status页面是否可访问的功能。用户可以通过使用特定的模块来检查目标服务器的Status页面，获取重要信息。类似的功能还有域名信息收集、服务器指纹识别与查找robots.txt等。

       总之，Recon-ng是一款功能强大且易于使用的web渗透信息侦察收集工具，能够帮助渗透测试人员高效地收集与分析目标信息。通过本文的介绍，希望能为您的渗透测试工作提供一定的参考与帮助。

TARS 染色日志｜收集记录特定日志

       作者｜Eaton

       导语｜程序猿/媛日常开发中，记录日志是基本操作。然而，面对特定用户的日志收集，一般记录方式难以满足需求。TARS 框架中引入染色日志功能，能优雅地解决这一问题。本文将深入探讨染色日志的原理、功能，并演示如何在 TARS 中利用染色日志进行特定用户日志的收集与分析。

       背景

       在复杂业务场景中，追踪特定用户行为至关重要，比如处理用户反馈、测试新功能等。传统日志记录方式往往难以在海量日志中快速定位特定用户信息。TARS 框架中染色日志功能的引入，旨在解决这一难题，实现特定用户行为的日志高效收集。

       染色日志初识

       染色日志是一种标记特定需求的过程，使整个调用链中的上下文信息得以连续传递，如同标记染色一样。通过此种方式，特定用户日志被单独打印并集中收集，便于在单一位置进行检索与分析。

       TARS 染色功能概述

       TARS 框架支持染色日志功能，用户可以通过指定特定用户号码，如 QQ 号为 ，自动对后续与该用户相关的所有调用日志进行染色，确保关键信息的实时可查。

       染色日志初体验

       TARS 染色日志支持主动与被动两种开启方式。通过实例演示，本文将分别介绍如何在 TARS 中主动与被动地开启染色日志功能。

       主动打开染色日志

       主动方式允许在发起请求的客户端业务代码中直接打开染色日志开关，实现日志的实时收集与分析。

       被动打开染色日志

       被动方式则在服务端预先设定染色条件，通过判断传入的参数自动开启染色日志功能，无需修改客户端代码，实现非侵入式日志收集。

       添加特定逻辑

       在服务端，可以为染色的用户添加特定逻辑，如判断请求用户是否染色，执行额外处理，实现更灵活的应用场景。

       总结

       TARS 染色日志功能，通过高效日志收集与分析，优化特定用户行为追踪。主动与被动两种开启方式，满足不同场景需求。通过添加特定逻辑，进一步拓展使用范围，如灰度发布等。TARS 框架以高性能与易用性，为企业级分布式应用构建提供强大支持。

       欢迎访问 TARS 官网及源码，获取更多资源与技术支持，加速数字化转型之路。

药品不良反应智能监测系统，不良反应（ADR）智能监测系统源码

       在医疗领域，药品不良反应（ADR</）智能监测系统扮演着至关重要的角色，它犹如一个精密的预警雷达，实时洞察药物使用中的潜在风险。这个系统的核心在于其基于医院临床数据中心的智能设计，通过信息技术的巧妙融合，实现了药品不良反应的高效监测、管理、查询和深度洞察。

       智能模块拆解</

       系统由三个核心模块组成：系统管理、规则管理与监测报告。系统管理模块确保规则库和主题库的精准维护，规则管理模块则智能化地处理每日生成的数据，自动识别患者可能的不良反应迹象，而监测报告模块则生成详尽的报告供药师进行人工确认，有效降低了误判的可能性。

       智能引擎的力量</

       每日，ADR监测引擎如同一位精准的数据猎手，主动扫描检验数据、病历内容和临床信息，凭借内置的知识库，能智能解析数据，判断潜在的不良反应信号。它巧妙地处理指标顺序和监测区间，有效避免假阳性的困扰，显著提升医护人员的工作效率。

       强大功能揭秘</

       系统具备一系列关键功能：一是不良反应报告的无缝收集，医生、药师和患者都可通过系统轻松提交报告，确保信息即时传递；二是深度评估，系统会细致分析报告，判断关联性与严重性；三是深入分析，通过统计和挖掘，揭示药物的常见不良反应及其频率和触发因素；四是预警机制，当不良反应异常增多，系统会立即发出警报，保障用药安全；五是信息共享，匿名化的数据分享，有助于扩大监测网络，共同提升医疗质量。

       自动化分析与预警的秘密武器</

       药物不良反应的智能监测和预警并非偶然，而是科技与策略的结晶。系统通过自动数据收集和整合，确保信息全面且准确；机器学习算法如深度学习的精细挖掘，揭示数据背后的趋势；预测模型的建立，为未来可能的风险设下预警；而阈值和规则的设定，则确保了预警的及时和精准。最重要的是，持续优化和更新，使得系统始终保持在医学领域的前沿，适应不断变化的医疗环境。

       总的来说，药品不良反应智能监测系统通过科技的赋能，实现了从被动监测到主动预警的飞跃，守护着患者用药安全的每一步，为医疗健康提供了坚实的技术支持。