弥散磁共振成像在神经科学中的应用
导读
弥散加权成像技术突破了神经科学的界限,使我们能够检查活体人脑的白质微观结构。这为基本的神经科学问题提供了答案,开启了一个以前基本上难以接近的新研究领域。本研究简要总结了神经科学历史上提出的关于大脑白质的关键问题。然后,阐述了弥散加权成像的优点及其对大脑解剖、功能模型和可塑性等领域的贡献。为此,本文强调了弥散加权成像在神经科学中的宝贵贡献,提出了其局限性,并为希望利用这一强大技术获得新见解的未来研究者提出了新的挑战。
前言
“我们钦佩每一块肌肉纤维的精巧设计,更应该钦佩它们在大脑中的排列,在一个非常小的空间里包含着无数的肌肉,每一块都有序地‘各司其职’。”
正如Steno所指出的,对大脑的解剖显示出惊人的复杂性,尤其是在由数万亿个轴突组成的白质纤维通路中。正如Isaac Newton后来所指出的那样,这些轴突“沿着神经丝传播电流,从外部感觉器官传播到大脑,再从大脑传播到肌肉”。因此,对人脑白质连接的解剖探索成为了一个新的挑战(图1)。

图1.人脑白质连接的最初图像。
这些解剖学描述是阐述脑功能新理论的基石。例如,在19世纪末,Meynert在Newton的基础上进行了进一步的扩展,其引入了推理的可能性,即通过大脑特定区域之间的白质连接进行关联。观念联合论的概念由此诞生了。Donald Hebb提出过这样一个概念:“让我们假设,反射活动的持续或重复(“跟踪”)往往诱发持久的细胞变化,加诸其稳定性之上。当细胞A的一个轴突距细胞B足够近,能够反复或持续的向其发射电信号,一些生长过程或代谢变化就会使得至少一个细胞——比如细胞A的效率,得到增强”。因此,Hebbian理论承认了大脑发生变化的可能性,并通过可塑性机制为学习的概念化提供了一个框架。然而,可塑性的测量非常具有挑战性,因为它们需要使用侵入性很强的方法对活体样本进行解剖学研究。
几十年后,磁共振成像(MRI)为人类大脑解剖带来了新的窗口。弥散加权MRI(DWI)技术的出现更是使磁共振成像领域取得了突破性进展。DWI测量水分子沿不同方向的扩散。由于轴突是不可渗透的,它们会限制水向其主要方向扩散。因此,DWI间接评估了白质微观结构。此外,通过合成水扩散方向的局部估计,可以重建轴突的主要束。这项技术显然因其非侵入性而促进了研究。在活体人脑中进行的解剖学研究能够细化对大纤维束的描述,允许在大量参与者中复制,并能够发现个体间的差异。功能模型可以受益于全脑连接组,识别新的离断综合征,并根据轴突输入和输出或基于连接的分区对皮层进行新的划分。最后,可以在不同的时间点评估个体的结构连接组,从而研究大脑白质的可塑性。
因此,在这篇DWI在神经科学中的作用的文章中,首先描述了该方法所提供的解剖学进展,然后探讨了它在建立新的大脑模型中的重要性。最后,本文回顾了有关白质可塑性的研究。希望这篇文章中表达的观点将提供对DWI所研究的科学问题的全面理解,并鼓励未来研究人员从事和利用这项强大的技术来获得对人脑连接的新见解。
解剖学
弥散MRI提供了不同类型的人脑解剖信息。局部(体素)弥散特性的测量可以提供局部白质微观结构的见解,而利用这些测量进行体内示踪成像可以在系统水平上提供有关白质组织的信息。
白质微观结构的局部测量
弥散特性的体素测量,如分数各向异性(FA)或平均扩散率,受局部组织微观结构的调节。例如,对模型系统的研究表明,FA随着堆积密度的增加或轴突直径的减小而增加,随着髓鞘的减少而减少。然而,尽管实证或模拟研究可以清楚地证明这些组织特性的变化可以调节扩散参数,但在试图解释观察到的扩散参数的差异(例如FA降低)时,仍然面临一个逆问题,因为给定的扩散参数与底层组织结构之间并没有一一对应的关系。然而,扩散参数提供了有用的局部组织微观结构的非侵入性测量,对膜完整性、髓鞘厚度、轴突直径和堆积密度等特征敏感。白质纤维束的这些物理特性将对该纤维束的生理功能产生影响,影响信号在分布式皮质-皮层网络中的传导时间、不应期时长、传输概率甚至同步等特性。反过来,这些生理特性的变化可能又会引起行为输出的变化。
例如,左右半球在功能和解剖结构上都有差异。两半球之间的扩散参数比较表明,左半球外囊、扣带束和周围白质的FA增加,被认为支持左半球在语言功能方面占优势。在背侧额顶叶白质中也发现了右侧不对称性,这可能与右半球在空间信息处理方面的优势有关。然而,在这些初步研究中,被试之间的高变异性和缺乏行为测量,因此无法在体素测量的大脑半球间差异和功能优势之间得出可靠的关系。特别是,语言系统中的语言偏侧化与结构连接测量之间的关系仍然错综复杂。
进一步的研究表明,局部白质微观结构测量的个体差异与纤维通路生理特性的变化相关。例如,配对脉冲经颅磁刺激可用于探测皮质-皮层连接的功能连通性。施加于一个半球背侧前运动皮层的条件脉冲将调节另一个半球初级运动皮层的兴奋性;调节程度可用于估计两个皮层区域之间的功能连接。这种测量的个体差异与白质FA的变化相关,即功能连接越强的个体在前运动皮层和运动皮层之间的胼胝体或皮层下白质通路的FA更高。这支持了白质微观结构的变化与这些纤维束生理特性的变化相关的观点。
先进的DWI分析提供了轴突直径分布(ADD)或纤维成分的估计,以及其他物理特性,如轴突内电阻、膜电阻和电容等,有助于确定神经的许多重要功能特性,如传导速度或信息传递速率。反应时间快的神经通路(例如在运动系统内)也会有更高比例的大直径轴突。然而,传导速度慢的通路也会有大量较小的轴突,甚至是无髓鞘的轴突。因此,可以合理地认为ADD的特性在健康的中枢神经系统功能中起着至关重要的作用,并且在异常情况和疾病中会受到显著影响。
尽管DWI提供了基本的新见解,但同时也存在几个重要的局限性。弥散张量模型(diffusion tensor imaging,DTI)中隐含了关键的限制。这种假设过度简化了水在脑组织中的真实运动。这种过于简化的弥散张量模型的实际结果是,常见的DTI指标,平均扩散率和FA,对任何特定的组织隔室都是非特异性的。微观结构特征,如细胞大小、密度、渗透率和取向分布,都会影响DTI指标,而这些指标的变化无法与更具体的微观结构特征变化联系在一起。最近的研究趋势是使用更复杂的扩散模型来直接测量微观结构特征。对扩散信号(而不是DTI)建模的一种方法是设计一种由组织几何结构引导的数学形式。然而,任何用显微镜观察过大脑切片的人都会对白质几何结构的复杂性留下深刻印象。不同形状和大小的细胞具有以不同尺度和方向分布的过程,描绘了微米尺度上的混乱几何形状。即使在较低的放大倍率下,细胞层和纤维束都是可见的,当纤维在数百微米内交叉、分散时,复杂性就出现了。
Stanisz等人的开创性工作试图通过引入一个包括球体和圆柱体内扩散的双室几何框架来降低神经组织建模的复杂性。进一步的研究表明,在细胞和轴突受限边界内的扩散可被视为受限扩散。在这种方法下,假设组织的几何形状会影响水分子的扩散率。例如,可以合理地假设轴突内的水扩散将受到髓鞘膜的限制,而在其他地方只会受到阻碍或游离。这是复合阻碍和限制扩散模型(CHARMED)的基础。在CHARMED中,轴突内空间中的受限扩散被建模为不可渗透圆柱体内的扩散。因此,CHARMED模型可以增强轴突水室的特征。CHARMED的优点之一是可以重建每个分量(受阻和受限)的三维位移分布函数。因此,可以为每个扩散分量提取具有物理意义的参数;这些参数包括轴外基质的扩散率(受阻部分的扩散率)、轴突密度(受限部分的体积分数)和纤维方向(受限部分的取向密度函数)。尽管CHARMED模型提供了一个概念框架来分离不同的扩散模式,并将它们与组织隔室相关联,但它允许对两到三个不同的纤维取向进行建模,其精度受测量方向数量的限制。随后的研究试图扩展该模型,以包括体素内的纤维分散和扩散,并提高模型的准确性和方向估计。值得注意的是扩展CHARMED的NODDI框架也可以对纤维取向的分散进行建模,但具有优化的采集和分析管道。
神经组织是复杂的,我们应该认识到没有一个模型可以捕捉到不同神经隔室的所有细节和复杂性。上述不同模型(和其他模型)试图分离组织感兴趣的不同特征。显然,在模型中包含过多的自由参数会导致计算问题,例如过拟合等优化和数据拟合问题。因此,弥散成像的最佳模型取决于研究问题。例如,未在CHARMED或NODDI中建模的白质的一个重要特征是轴突直径。轴突直径的体内测量是大脑连接的一个重要特征,影响着脑内的传导速度和信息传递效率,成为建模的另一个挑战。在名为AxCalibre的CHARMED框架的扩展中,ADD的估计也变得可行。AxCalibre背后的观点是,每个轴突大小将在不同的扩散时间经历受限扩散。通过获取一个多扩散时间CHARMED数据集,可以用AxCalibre框架准确地估计ADD函数。与CHARMED不同的是,在AxCalibre中,水的扩散是完全垂直于纤维的长轴测量的(这是该模型的先决条件)。研究发现,利用伽马函数(只有两个自由参数),可以通过AxCalibre充分估计ADD函数。
应该注意的是,最初的AxCalibre框架存在一些固有的局限性。首先是需要测量完全垂直于纤维取向的扩散特性。这限制了该方法在胼胝体上的应用。在CHARMED和NODDI框架的进一步发展中,有人提出可以直接测量任何取向纤维系统的平均轴突直径。ActiveAx采集和分析管道虽然不能测量整个轴突分布概率函数,但提供了一种估计整个大脑平均轴突直径的方法。使用弥散成像测量轴突直径特性的另一个限制是需要有较高的扩散梯度振幅,以便在广泛的轴突直径范围内获得相当的精度。从理论上讲,目前的梯度技术对小轴突(<1μm)的估计是不准确的,并且会使测量的整体轴突直径产生偏差。使用新的梯度技术可以将这种测量的伪影最小化,从而提供较高的扩散梯度振幅(300mT/m)。此外,其他研究表明,建模算法可以通过引入其他特征来应对上述限制,如细胞外空间内的受限扩散。然而,尽管存在这种限制,但轴突特性的测量提供了一个额外的微观结构特征,可以更好地表征大脑连接和连通性。
估计远距离连接的示踪成像
如上所述,可以根据主要扩散方向的局部估计来重建纤维通路的估计。目前,有许多不同的方法可以进行弥散示踪成像。从神经解剖学的角度来看,纤维示踪成像使我们能够估计人脑中主要纤维通路的组织(图2),并探索这些通路在个体之间或随时间的变化情况。

图2.人脑主要纤维通路的虚拟解剖。
在解剖学研究中,纤维示踪成像的使用主要是描述19世纪早期定义的联合纤维束(即皮质-皮层连接)(图3A)。纤维束成像的处理确实比标准的白质解剖容易得多,并导致了新的联合纤维束的发现。从这个意义上说,纤维束成像使我们能够更容易地观察白质连接情况,提高了我们对白质通路解剖知识的理解。例如,来自纤维束成像的许多证据,经解剖交叉验证,现在都倾向于将弓状束分为三个分支(颞顶,额顶和后顶颞,图3B)的模型。然而,需要注意的是,纤维束成像中的许多局限性可能会误导神经解剖学家将不同的纤维束片段拼接成大的单个束。

图3.从早期纤维束成像到高级模型的白质解剖示意图。
由于复杂白质构型(即交叉、分散和粘连构型)的纤维束成像存在严重局限性,因此对投射通路(即皮质下-皮层)和连合通路(即半球间)的解剖更具挑战性(图3C)。尽管在过去的5年中,纤维交叉一直是许多研究感兴趣的点,特别是使用球形反卷积示踪技术(图3D)取得了非常有前景的结果,但分散和粘连仍然是该研究领域的一个明显挑战。分散限制的特点是低估了到达某一区域的纤维数量,而粘连限制的特点是对要跟踪的正确纤维束组的错误识别。这两个问题阻碍了对投射通路和连合通路的描绘。
将灰质划分为亚区的示踪成像
在皮层水平上,辅助运动区(SMA)和前SMA这两个按层级控制动作的区域,与大脑其他部分的连接模式不同。利用这一差异,从弥散纤维束成像中获得的连接信息可以纯粹基于连接来定义这两个区域之间的边界,这是因为SMA与初级运动皮层的关系更密切,而前SMA与前额叶皮层的连接更紧密。事实上,基于连通性的分区已被用于定义一系列不同的人脑皮层区域的细分,以及证明人类和猴子皮层之间的同源性。目前,弥散纤维束成像结合其他多模态结构和fMRI数据,利用来自人类连接组项目的数据生成了一种新的全脑皮层分割图谱(图4)。

图4.基于连通性的额叶分割图。
随着人们对可视化人脑白质束的新能力热情高涨的同时,也需要注意到纤维示踪成像与侵入性纤维束描记术并不相同。“金标准”侵入性纤维束描记术通常是将示踪剂注射到感兴趣的区域,使其被细胞吸收,然后在通过顺行或逆行运输机制将其运输到连接区域后进行观察。因此,侵入性纤维束描记术涉及对轴突通路的示踪。相比之下,在弥散纤维束成像中,通常遵循对扩散阻力最小路径的估计。在许多情况下,这大致对应于主要纤维取向的路径,但在其他情况下则不然。因此,与生物学中的任何方法一样,弥散纤维束成像容易出现假阴性(无法追踪我们知道存在的通路)和假阳性(追踪虚假通路)。目前,有许多研究试图验证弥散纤维束成像,使我们更清楚地了解该方法的局限性和优势。这是一项具有挑战性的工作,需要开发具有现实特性的新型模型,或从纤维束追踪实验获取的大脑切片中细致地重建纤维通路。
功能模型
大脑功能模型最初来源于对脑损伤患者的研究。病变在脑内的定位被解释为功能障碍的核心起源。然而,病变的定位似乎不足以解释具有不同病变和相似症状患者的存在。有一种观点认为,这些区域之间的通信由于白质断开机制而受损。离断综合征的传统模型包括传导性失语症、经皮质运动性失语症、皮质下运动性失语症、经皮质感觉性失语症、皮质下感觉性失语症、非失写的失读症,以及双侧和单侧失用症。随着脑成像的出现,神经成像社区单独地关注体素,而没有试图捕捉它们之间的相关性,有效地掩盖了离断综合征。相反,通过对白质连接的可视化和映射,我们可以研究患者的白质连接,并发现新的离断综合征。例如,视觉空间忽视是一种严重的神经系统疾病,其特征是视野意识丧失一半,与连接额叶和顶叶的纤维中断有关。纤维束成像还有助于建立或确认一种新的关于Gerstmann综合征的断开假说,以及精神疾病、阅读障碍和先天性面容失认症的神经发育连通性较低的假说。相反,异常/增加的连接(即超连接)假说被认为是注意缺陷多动症的注意力不集中和精神分裂症中幻听和幻视的潜在机制。所有这些结果都证明了大脑连接对大脑正常运作是至关重要的。
关于对行为的影响,有研究表明,在特定任务中行为表现的个体差异与任务相关通路的白质微观结构变化相关,即使在年轻健康人群中也是如此。例如,如图5所示,双手协调技能的变化与胼胝体中FA的变化相关,胼胝体是一个白质区域,包含初级运动区和辅助运动区之间的经胼胝体通路。在许多感觉、运动和认知领域也发现了类似的效应,包括视觉、听觉、运动技能和语言、读写能力、情感和动机、视觉空间、记忆和执行功能,以及创造力、音乐技能和个性等个人特征。

图5.在特定任务中行为表现的个体差异与白质微观结构的变化之间的相关性。
然而,在过去的二十年里,人们发现了大脑结构和功能(即不同的表型)的巨大个体间差异,这为进一步了解大脑带来了额外的挑战,同时也缺乏解释大脑功能的模型。有研究已经开始在大量个体中探索和描述这些通路。正如研究发现个体行为的差异与局部白质微观结构的变化相关一样,纤维束成像研究也发现,白质纤维的“强度”或组织的变化与行为的变化有关。例如,对于大多数(但不是所有)健康参与者来说,语言区及其相互联系主要位于左半球。然而,个体在偏侧化程度上有所不同,具有更对称的连接模式的个体已被证明在情景记忆任务中表现更好。这些差异是临床神经科学领域的重要考虑因素。Forkel等人证明,支持语言的结构网络(即弓状束)的表型可能与左半球卒中后的恢复相互作用。此外,Lunven等人报告称,半球间交流的强度对于右半球卒中后视觉空间忽视的恢复很重要。因此,对个体间变异性的研究是一个可以在大型项目中直接获得的新研究方向,例如人类连接组项目(https://www.humanconnectome.org),该项目已在1200名被试中获得了高质量的弥散MRI数据,并与社区公开共享。因此,使用DWI纤维束成像在个体水平上表征大脑区域的功能特化可能有利于研究个体间的差异,在进行组间比较时提供更适合的大脑模型。
可塑性测量
直到20世纪90年代中期,对白质的研究仅限于对其解剖结构的组织学研究,原因有二:①没有体内非侵入性成像方法可以提供白质的定量测量;②人们认为,在完全发育和健康的大脑中,白质的微观结构应该是大致稳定和固定的。然而,最近的研究表明,白质可以在训练或认知经验后会发生变化。这些研究创造了白质可塑性这一术语。
神经可塑性,即大脑的功能和结构重组能力,可以在多个水平(从分子到区域变化)和时间尺度(秒到年)上发生。显然,神经可塑性的定义及其研究主要集中在神经元而非白质上。然而,神经可塑性的范围很广,从突触的短期变化到长时程增强(LTP)和长时程抑制(LTD)机制,再到长时程持久的新神经元连接。
开创性的研究表明,新的白质投射可以在广泛的学习过程中形成。这些使用示踪剂方法对死后猴子大脑进行的研究表明,大脑可以在皮层神经可塑性的同时进行自我重组。有研究利用弥散张量成像揭示了长期训练(数周至数月)后的大脑白质变化。这些研究表明,弥散成像对白质可塑性很敏感。最近的证据表明,在经过5天的水迷宫任务后,除了显著的皮质可塑性外,胼胝体的白质可塑性也可以通过DTI检测到。组织学表明,这种以FA增加为特征的可塑性,也表现为髓鞘水平的升高(图6)。

图6.5天水迷宫后的白质(WM)可塑性。
尽管这些实验是在不同的物种和样本(人类、啮齿动物和组织培养)上进行的,但都表明了白质是一种动态组织。然而,白质中究竟发生了什么还不完全清楚,这种现象的时间演变也是未知的。具体来说,对神经科学的重大影响将是在短时间(分钟/小时)的训练后证明人脑白质的可塑性。本研究预期短期白质可塑性将激发与长期可塑性不同的机制;然而,DTI可能没有足够的敏感性和特异性来证明这种差异。更具体的方法,如 CHARMED和AxCalibre,可以提供全面表征这种现象所需的高灵敏度和特异性。然而,一旦白质可塑性机制可以通过MRI解决,这些类型的实验就可以为大脑生理学提供新的线索,并为大脑连接的概念提供一个全新的定义。
结论
DWI已被证明是研究大脑白质不可或缺的方法。它为神经解剖学提供了宝贵的见解,从而发现了新的通路,并完善了现有的知识内容。值得注意的是,DWI已经证明了大脑连接方式存在明确的组织和真正的个体间变异性,而这种变异性直接影响大脑的功能。最后,DWI提供了直接量化大脑可塑性的独特机会。然而,尽管缩小脑组织直接生物学和间接DWI量化之间的差距仍然是一个挑战,但对于希望利用这一强大技术获得新见解的未来研究人员来说是必要的。
参考文献(上下滑动查看):
Assaf, Y. , Johansen-Berg, H. , & Schotten, M. . (2019). The role of diffusion mri in neuroscience. NMR in Biomedicine, 32(4).
Steno N. Discour de Monsieur Stenon sur l'anatomie du cerveau, Paris, Ninville. 2nd ed. San Francisco, CA: Norman Publishing; 1669.
Newton I. Philosophiæ Naturalis Principia Mathematica. London: Benjamin Motte; 1687.
Meynert T. A Clinical Treatise on Diseases of the Fore‐brain Based upon a Study of its Structure, Functions, and Nutrition. Translated by Bernard Sachs. New York: G.P. Putnam's Sons; 1885.
Hebb DO. The Organization of Behavior: A Neuropsychological Theory. New York: Wiley and Sons; 1949.
Forkel SJ, Thiebaut de Schotten M, Dell'Acqua F, et al. Anatomical predictors of aphasia recovery: A tractography study of bilateral perisylvian language networks. Brain. 2014;137(Pt 7):2027‐2039.
Lunven M, Thiebaut De Schotten M, Bourlon C, et al. White matter lesional predictors of chronic visual neglect: A longitudinal study. Brain. 2015;138(Pt 3): 746‐760.
Sotiropoulos SN, Jbabdi S, Xu J, et al. Advances in diffusion MRI acquisition and processing in the human connectome Project. Neuroimage. 2013;80:125‐143.
相关文章:

弥散磁共振成像在神经科学中的应用
导读弥散加权成像技术突破了神经科学的界限,使我们能够检查活体人脑的白质微观结构。这为基本的神经科学问题提供了答案,开启了一个以前基本上难以接近的新研究领域。本研究简要总结了神经科学历史上提出的关于大脑白质的关键问题。然后,阐述…...

多进程(python)
参考: https://www.liaoxuefeng.com/wiki/1016959663602400/1017627212385376 个人封装的python多进程处理类,跑满CPU,优化性能 概念 进程: 对于操作系统来说,一个任务就是一个进程(Process),…...

利用Kali工具进行信息收集(35)
预备知识 Kali是一款开源的安全漏洞检测工具,是专业用于渗透测试的Linux操作系统,由BackTrack发展而来,可以帮助安全和IT专业人士识别安全性问题,验证漏洞的缓解措施,并管理专家驱动的安全性进行评估,提供真…...

《程序员面试金典(第6版)》 面试题 08.11. 硬币(动态规划,组合问题,C++)
题目描述 硬币。给定数量不限的硬币,币值为25分、10分、5分和1分,编写代码计算n分有几种表示法。(结果可能会很大,你需要将结果模上1000000007) 示例1: 输入: n 5 输出:2 解释: 有两种方式可以凑成总金额: 55 511111 示例2: 输…...

实体商家做抖音运营如何做矩阵?
商家实体门店如何做好短视频矩阵?这是一个值得深入探讨的问题。在当今的数字化时代,短视频成为越来越多企业吸引用户、提高曝光度的一种重要方式,实体店也不例外。在本文中,我们将提供一些实用的建议,帮助实体店如何做…...

java 双列集合Map 万字详解
目录 一、前言 二、概述 三、特点 四、常用方法 1. V put(K key, V value) : Δ代码演示 : 2. V get(Object key) : Δ代码演示 : 3. V remove(Object key) : Δ代码演示 : 4. int size() : Δ代码演示 : 5. default V replace(K key, V value) : Δ代码演示 : 6. bo…...

【数据结构】二叉树<遍历>
【二叉树遍历】|-前序-中序-后序-层序-|<二叉树的遍历>1.前序遍历【递归】2.中序遍历【递归】3.后序遍历【递归】4.层序遍历【非递归】4.1判断是否是完全二叉树<二叉树的遍历> 在学习二叉树遍历之前我们先了解下二叉树的概念。 二叉树是: 1.空树 2.非空…...

linux查看硬件信息
dmidecode用于在linux下获取硬件信息,遵循SMBIOS/DMI标准,可获取包括BIOS、系统、主板、处理器、内存、缓存等等硬件信息 1、查看CPU信息cat /proc/cpuinfo、lscpu 型号:cat /proc/cpuinfo|grep name|cut -f2 -d:|uniq -c 物理核:…...

吐血整理,互联网大厂最常见的 1120 道 Java 面试题(带答案)整理
前言 作为一个 Java 程序员,你平时总是陷在业务开发里,每天噼里啪啦忙敲着代码,上到系统开发,下到 Bug 修改,你感觉自己无所不能。然而偶尔的一次聚会,你听说和自己一起出道的同学早已经年薪 50 万&#x…...

RabbitMQ如何避免消息丢失
目录1.生产者没有成功把消息发送到MQ2.RabbitMQ接收到消息之后丢失了消息3.消费者弄丢了消息前言 首先明确一点一条消息的传送流程:生产者->MQ->消费者 我们根据这三个依次讨论 1.生产者没有成功把消息发送到MQ 丢失的原因:因为网络传输的不稳定…...

做算法题的正确姿势(不断更新)
不停的反思自己,总结建议 做一道算法题,不能去死磕。 如果看一道题,半小时内,没有清晰的思路,就看题解!!!你可能觉得你有点思路,就往里死钻,结果可能就像进…...

p85 CTF夺旗-JAVA考点反编译XXE反序列化
数据来源 图片来源 Java 常考点及出题思路 考点技术:xxe,spel 表达式,反序列化,文件安全,最新框架插件漏洞等 设法间接给出源码或相关配置提示文件,间接性源码或直接源码体现等形式 https://www.cnblog…...

FastJson——JSO字符串与对象的相互转化
一、FastJson介绍 Fastjson是阿里巴巴的开源SON解析库它可以解析JSON格式的字符串,支持将java Bean序列化为ISON字符串,也可以从JSON字符串反序列化到JavaBean。 Fastjson的优点 速度快 fastjson相对其他JSON库的特点是快,从2011年fastj…...

《程序员面试金典(第6版)》面试题 08.08. 有重复字符串的排列组合(回溯算法,全排列问题)C++
题目描述 有重复字符串的排列组合。编写一种方法,计算某字符串的所有排列组合。 示例1: 输入:S “qqe” 输出:[“eqq”,“qeq”,“qqe”] 示例2: 输入:S “ab” 输出:[“ab”, “ba”] 提示: 字符都是英文字母。…...

k8s API限流——server级别整体限流和客户端限流
1. 背景 为了防止突发流量影响apiserver可用性,k8s支持多种限流配置,包括: MaxInFlightLimit,server级别整体限流Client限流EventRateLimit, 限制eventAPF,更细力度的限制配置 1.1 MaxInFlightLimit限流 apiserver…...

在华为做了三年软件测试被裁了,我该怎么办
近年来,随着经济环境的变化和企业战略的调整,员工被裁员的情况变得越来越普遍。无论是因为企业经营困难还是因为业务调整,员工们都可能面临被裁员的风险。如果你也遇到了这样的情况,那么你应该怎么办呢? 首先…...

Spring cloud 限流的多种方式
在频繁的网络请求时,服务有时候也会受到很大的压力,尤其是那种网络攻击,非法的。这样的情形有时候需要作一些限制。本文主要介绍了两种限流方法,感兴趣的可以了解一下 目录 一、实战基于 Spring cloud Gateway 的限流 二、基于阿…...

Linux命令·top
top命令是Linux下常用的性能分析工具,能够实时显示系统中各个进程的资源占用状况,类似于Windows的任务管理器。下面详细介绍它的使用方法。top是一个动态显示过程,即可以通过用户按键来不断刷新当前状态.如果在前台执行该命令,它将独占前台,直到用户终止…...

springmvc之系列文章
springmvc之编程步骤 springmvc初始化过程 用WebServlet和WebFilter干掉web.xml 没有web.xml怎么写web程序 一次GET请求在springmvc中是的处理流程 springMVC的handler都有哪些类型 springmvc主要组件简单介绍 springmvc 的Servlet WebApplicationContext springmvc 的…...

Matlab实现深度学习(附上完整仿真源码)
文章目录简单案例完整仿真代码下载简单案例 深度学习是一种能够自动学习和提取数据特征的机器学习方法,它已经在图像识别、语音识别、自然语言处理等领域取得了显著的成果。而Matlab作为一个强大的数学计算工具,也提供了丰富的深度学习工具箱࿰…...
我的谷歌书签
Form 表单 | Element Plusa Vue 3 based component library for designers and developershttps://element-plus.gitee.io/zh-CN/component/form.html#%E5%AF%B9%E9%BD%90%E6%96%B9%E5%BC%8F three.js exampleshttp://www.yanhuangxueyuan.com/threejs/examples/#software_geo…...

day3 数据库技术考点汇总
一、重点知识点 基本概念:三级模式-两级映像、数据库设计数据库模型:E-R模型、关系模型、关系代数(结合SQL语言)规范化:函数依赖、健与约束、范式、模式分解事务并发:并发三种问题、三级封锁协议数据库新技…...

学剪辑难吗 如何使用会声会影2023做剪辑视频
很多剪辑初学者都问过一个问题,学剪辑难吗?其实不论学什么,只要用心学都不难,今天我们就来讲讲如何学做剪辑视频,感兴趣的小伙伴们不要走开!一、学剪辑难吗 其实学剪辑并不是件难事,但是需要掌握…...

django学习日记
1、虚拟环境 virtualenv "加虚拟环境名字" 在当前目录下创建一个虚拟环境 进入虚拟环境执行activate进入该虚拟环境,再执行deactivate退出虚拟环境 安装一个包来管理虚拟环境,每次创建虚拟环境都放到同一位置,以及在任意位置都可…...

在线教学视频课程如何防止学员挂机?
阿酷TONY / 2023-3-31 / 长沙 / 原创 / 要不?交个朋友吧? 在线教学视频课程如何防止学员挂机?siri:这是个有意思的问题哈~~~在线教育、在线企业培训机构通常是如何处理的呢? 答:在视频播放过程中,弹出问题…...

【Redis】安装配置
文章目录Redis简介Redis版本迭代Redis安装配置官网地址操作系统环境基础查看本地redis版本修改配置文件docker容器安装redis测试linux版Redis简介 简介 与传统数据库关系(mysql),Redis是key-value数据库(NoSQL一种),mysql是关系数据库。Redis数据操作主要…...

ChatGPT批量生成文章-ChatGPT文章生成器
ChatGPT:一键批量生成高质量文章,提高生产效率! 随着信息爆炸的时代,文本生产成为了各个行业必不可少的一部分。但面对高强度的生产需求,人力资源却难以跟上步伐。现在,我们有一款基于人工智能和自然语言处…...

Linux命令 ——sed
介绍 sed 是一种流式文本编辑器,常用于在 Unix 和类 Unix 系统中对文本进行处理。它可以将文本从标准输入或文件中读取,对其进行修改,然后将修改后的文本输出到标准输出或文件中。sed 是 “stream editor” 的缩写。 语法 sed 的基本语法为…...

C++常用字符串string方法
文章目录字符串string操作方法1. 类方法使用示例2. 头文件cstring方法使用示例字符串string操作方法 1. 类方法 在C中,引入string.h头文件可以使用C语言中的字符串操作函数。然而,C提供了一个更加方便的字符串类string,不需要引入string.h头…...

XML树结构和语法
文章目录一、XML 树结构二、XML 语法规则总结一、XML 树结构 XML 树结构 XML 文档形成了一种树结构,它从"根部"开始,然后扩展到"枝叶"。 一个 XML 文档实例 XML 文档使用简单的具有自我描述性的语法: <?xml vers…...