2024年1月

1、准备材料

开发板(
STM32F407G-DISC1

ST-LINK/V2驱动
STM32CubeMX软件(
Version 6.10.0

keil µVision5 IDE(
MDK-Arm

2、实验目标

使用STM32CubeMX软件配置STM32F407开发板
通过用户按键产生外部中断,然后在中断中翻转绿色LED灯的状态

3、中断系统概述

3.1、中断向量表

STM32F4系列有10个系统中断和82个可屏蔽的外部中断
(注释1)
,除系统Reset中断外每个中断均有对应的中断服务函数

3.2、中断优先级

嵌套向量中断控制器(NVIC)采用4位二进制数表示中断优先级,这4位二进制数表示的中断优先级又分为了抢占优先级和次优先级,其中根据抢占优先级所使用的二进制位数分成了5个组,分为NVIC_PRIORITYGROUP_0 ~ NVIC_PRIORITYGROUP_4,分别表示抢占优先级使用0~4位二进制数表示,具体规则如下几点所述:

① 高抢占优先级的中断可以打断低抢占优先级的中断

② 抢占优先级和次优先级均相同的两个中断谁先发生谁就先执行

③ 抢占优先级相同但次优先级不同的两个中断,后触发的中断需要等待先触发的中断执行完毕才可以执行

4、实验流程

4.0、前提知识

STM32F407一共有23个外部中断,其中包含16个外部中断(EXTI0~EXTI15)和7个对应不同的事件的中断,如下表所示

每一组GPIO的0号引脚均可以作为EXTI0的输入,同理,每一组GPIO的15号引脚均可以作为EXTI15的输入,具体映射如下图所示
(注释2)

4.1、CubeMX相关配置

请先阅读“
STM32CubeMX 工程建立
”实验3.4.1小节配置RCC和SYS

4.1.1、时钟树配置

系统时钟树设置为STM32F407各个总线能达到的最高时钟频率,具体如下图所示

4.1.2、外设参数配置

在Pinout & Configuration页面右边单片机引脚预览Pinout view中,寻找需要设置的具体GPIO,这里我们仍然选择用户按键的PA0引脚,但是右键单击将其配置为GPIO_EXTI0

在页面的中间GPIO Mode and Configuration栏中选中PA0引脚,然后在下方对其引脚进行配置,外部中断主要配置GPIO模式和GPIO Pull-up/Pull-down,GPIO模式有外部中断上升沿、下降沿、上/下降沿触发、外部事件上升沿、下降沿和上/下降沿触发共计6中模式,这里我们使用的是外部中断,并且在按键按下松开时既会产生上升沿也会产生下降沿,因此笔者这里选择下降沿触发的外部中断模式,具体配置如下图所示

4.1.3、外设中断配置

将引脚配置为中断模式后,还需要在NVIC中启动其具体的中断,单击页面左侧的NVIC配置,选择合适的中断优先级组,然后启动对应的中断,这里即用户按键引脚PA0的中断EXTline0 interrupt,具体配置如下图所示

4.2、生成代码

请先阅读“
STM32CubeMX 工程建立
”实验3.4.3小节配置Project Manager

单击上图页面右上角GENERATE CODE重新生成工程

当仅仅配置了引脚为外部中断模式,而不启动对应的外部中断时,在生成的代码引脚初始化函数MX_GPIO_Init中只会增加如下图框中所示的代码,此时由于未使能中断,因此中断不能正常响应

当配置了引脚为外部中断模式,且使能了引脚对应的中断,首先会在HAL_Init(void)函数中设置中断优先级组(系统默认开启了一些中断,因此即使我们不使能外部中断该函数也会被其他开启的中断调用从而设置中断优先级组)

另外除了上述的引脚模式设置代码外,还会在引脚初始化函数MX_GPIO_Init中新增加中断优先级设置及对应中断使能的函数

然后在stm32f4xx_it.c文件中会出现对应的中断服务子函数void EXTI0_IRQHandler(void)
(注释3)
,中断服务子函数中调用了HAL_GPIO_EXTI_IRQHandler(GPIO_Pin)函数,跳转过去在函数内部执行了 ① 检测该中断线是否有挂起的外部中断 ② 如果有则清除挂起的外部中断线 ③ 然后调用外部中断回调函数HAL_GPIO_EXTI_Callback(GPIO_Pin)(此函数为虚函数,可由用户自定义),具体流程如下图所示

此时用户只需要重新实现HAL_GPIO_EXTI_Callback(GPIO_Pin)函数即可,在该函数体内可以实现中断触发后想要实现的功能代码,笔者将该函数重新实现在了gpio.c中,值得注意的是在外部中断回调函数中使用到了HAL库延时函数来对按键消抖,此处可能会存在严重的问题
(注释4)
,具体代码如下图所示

源代码如下

void HAL_GPIO_EXTI_Callback(uint16_t GPIO_Pin)
{
    if(GPIO_Pin == USER_KEY_Pin)
    {
        HAL_Delay(10);
        HAL_GPIO_TogglePin(GREEN_LED_GPIO_Port, GREEN_LED_Pin);
    }
}

5、常用函数

/*所有外部中断触发回调服务子函数,通过GPIO_Pin判断是哪个中断线,然后在函数体内做相应动作*/
void HAL_GPIO_EXTI_Callback(uint16_t GPIO_Pin)

6、烧录验证

6.1、具体步骤

“初始化LED引脚为输出 -> 初始化用户按键为外部中断模式 -> 启动对应外部中断 -> 重新实现HAL_GPIO_EXTI_Callback(GPIO_Pin)函数 -> 在函数中实现翻转绿色LED灯状态”
,具体代码参看上述4.2

6.2、实验现象

烧录程序,然后可以观察到当开发板上电后,四个颜色LED全部点亮,然后每按下一次用户按键,绿色LED灯状态均会发生翻转

7、注释解析

注释1
:具体的中断向量表可以在keil工程目录启动文件startup_stm32f407xx.s中查看,这里的中断数量笔者是根据启动文件中的数量计算的,其中Reserved的中断向量未计数
注释2
:图片来自STM32F4xx中文参考手册.pdf
注释3
:以后对于每一个外设中断,启用后都会在stm32f4xx_it.c文件中找到对应的中断服务函数
注释4
:HAL库延时函数HAL_Delay使用的是系统滴答定时器作为时间基准,而系统滴答定时器同为中断,在外部中断中触发系统滴答定时器中断会涉及中断优先级的问题,此时需保证滴答定时器的抢占优先级高于我们所使用的外部中断,否则会出现卡死的现象发生

更多内容请浏览
OSnotes的CSDN博客

AI换脸已经不是什么时新的技术了,从DeepFace到Facesweap,再到Roop。AI换脸技术中出现了一种名为“一键换脸”的方法,它不需要训练模型。这种方法利用了名为“GHOST”的技术,它是一种新的一键换脸方法,可以用于图像和视频领域。

这种技术采用了先进的生成对抗网络(GAN)、自动编码器等方法,可以实现精确和稳健的换脸效果。GHOST技术的特点是可以在不需要训练模型的情况下进行换脸,从而实现快速、简单的操作。这种方法的优势在于可以快速生成换脸图像或视频,而无需进行复杂的训练过程。

本次我们基于Rope-Ruby来进行换脸,把复联4中惊奇队长的脸型进行替换。

Rope-Ruby是基于深度学习技术的换脸应用。它实现了insightface inswapper_128模型,并提供了一个用户友好的图形用户界面(GUI)。该模型使用GFPGAN(Generative Face Completion and Editing with GANs)技术,这是一种基于生成对抗网络(GAN)的人脸编辑技术。GFPGAN技术可以实现快速的人脸交换,包括高清晰度的人脸交换、面部特征调整、方向管理等功能。此外,Rope-Ruby还支持自动保存文件名生成、视频分段录制、实时播放器等功能,使用户能够轻松地进行人脸编辑和视频处理。

Rope-Ruby项目配置

首先克隆项目:

https://github.com/Hillobar/Rope.git

随后进入项目的目录:

cd Rope

安装依赖:

pip install -r requirements.txt

随后去Google网盘下载所有的预训练模型:

https://github.com/Hillobar/Rope/releases/tag/Sapphire

解压后将其放入到项目的models目录。

该项目依赖FFMPEG,所有别忘了本地安装FFMPEG:

winget install ffmpeg

至此,项目就配置好了。

Rope-Ruby简单换脸

在根目录运行:

python3 Rope.py

会弹出UI界面:

首先选择beachmark选择要进行替换脸型的视频所在目录。

随后点击main/face,选择要替换脸型图片所在的目录。

接着,拖动播放条,选择一帧全脸画面,点击find,进行人脸匹配:

随后点击Swap按钮进行替换即可,替换后效果:

Rope-Ruby换脸微调

但其实默认的替换效果并不尽如人意,Rope-Ruby支持对脸型和效果滤镜进行微调,这也是Rope-Ruby最大的特色之一。

首先点击,show masks打开脸部蒙版。

随后调整GFPGAN滤镜,使用鼠标滚轮调整即可,该权重可以调整清晰度。

Blur参数可以调整边缘模糊。

Strength参数调整目标脸型的强度系数。

diff参数调整原脸型的显示权重,用来调整脸型之间的融合度。

更多参数请参见官网的wiki:

https://github.com/Hillobar/Rope/wiki

调整完毕后关闭蒙版,程序会自动替换脸型。

此时拉到第一帧,选择输出目录。

点击录制按钮,播放视频。

播放完毕后,会在输出目录生成替换的视频,这里选择根目录的resutls文件夹:

E:\work\Rope-main\results>tree /f  
Folder PATH listing for volume myssd  
Volume serial number is 7CE3-15AE  
E:.  
    av4_1704180456.mp4  
  
No subfolders exist

当然,如果不喜欢在UI界面中微调,也可以手动修改根目录的data.json文件:

{"source videos": "E:/work/Rope-main/benchmark", "source faces": "E:/work/Rope-main/face", "saved videos": "E:/work/Rope-main/results", "threads": 1, "dock_win_geom": [980, 916, 373, 26], "undock_win_geom": [980, 517, 453.5, 23.5], "player_geom": [1024, 768, 453.5, 23.5]}

对参数进行调整即可。

结语

Rope-ruby换脸技术的优势在于其灵活性、可定制性,它提供了丰富的API和功能,使得开发人员可以根据自己的需求进行定制化开发。这意味着你可以根据项目的具体要求来调整和优化换脸算法,以满足不同的应用场景。

奉上
基于Python3.10虚拟环境技术进行打包
的一键整合包:

整合包链接:https://pan.quark.cn/s/1602263cce92

当然,很多因此产生了许多大胆想法的绅士们还需要注意,网络并非法外之地,点击替换按钮的那一刻,还需谨慎,所谓:君子慎独,不欺暗室。 卑以自牧,含章可贞。

随机森林回归

Random Forest Regression
)是一种在机器学习领域广泛应用的算法,由美国科学家 Leo Breiman 在2001年提出。
它是一种集成学习方法,通过整合多个决策树的预测结果来提高预测精度和稳定性。

随机森林回归
适用于各种需要预测连续数值输出的问题,
如金融领域的股票价格预测、客户信用评分,医疗领域的疾病诊断和药物发现等。

1. 算法概述

随机森林回归算法
通过引入随机性来构建多个决策树,再通过对这些树的预测结果进行平均或投票来得出最终的预测结果。
这里的
随机性
主要体现在两个方面:一是训练样本的随机选取,二是在训练过程中特征的随机选取。

随机森林的算法过程并不复杂,主要的步骤如下:

  1. 从原始训练集中
    随机
    选择一部分样本,构成一个新的子样本集。这样可以使得每棵决策树都在不同的样本集上进行训练,增加模型的多样性。
  2. 对于每个决策树的每个节点,在选择最佳划分特征时,只考虑
    随机
    选择的一部分特征。这样可以防止某些特征对整个模型的影响过大,提高模型的鲁棒性。
  3. 在每个子样本集上使用某种决策树算法构建一棵决策树。决策树的生长过程中,通常采用递归地选择最佳划分特征,将数据集划分为不纯度最小的子集。
  4. 通过上述步骤生成的大量决策树最终组合成随机森林。

上面第一,第二步骤中的
随机性
就是随机森林这个名称的由来。

2. 创建样本数据

这次的回归样本数据,我们用
scikit-learn
自带的样本生成器来生成回归样本。
关于样本生成器的内容,可以参考:
TODO

from sklearn.datasets import make_regression

# 回归样本生成器
X, y = make_regression(n_features=4, n_informative=2)

每个样本有
4个
特征。

3. 模型训练

训练之前,为了减少算法误差,先对数据进行
标准化
处理。

from sklearn import preprocessing as pp

# 数据标准化
X = pp.scale(X)
y = pp.scale(y)

接下来分割
训练集

测试集

from sklearn.model_selection import train_test_split

# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1)

然后用
scikit-learn
中的
RandomForestRegressor
模型来训练:

from sklearn.ensemble import RandomForestRegressor

# 定义随机森林回归模型
reg = RandomForestRegressor(max_depth=2)

# 训练模型
reg.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = reg.predict(X_test)

RandomForestRegressor
的主要参数包括:

  1. n_estimators
    :森林中决策树的数量。默认值为100,表示这是森林中树木的数量,即基评估器的数量。但是,任何模型都有决策边界,当n_estimators达到一定的程度之后,随机森林的精确性往往不再上升或开始波动。同时,n_estimators越大,需要的计算量和内存也越大,训练的时间也会越来越长。
  2. max_depth
    :树的最大深度。默认是None,与剪枝相关。设置为None时,树的节点会一直分裂,直到每个叶子都是“纯”的,或者叶子中包含于min_samples_split个样本。可以从3开始尝试增加,观察是否应该继续加大深度。
  3. min_samples_split
    :在叶节点处需要的最小样本数。默认值是2,指定每个内部节点(非叶子节点)包含的最少的样本数。
  4. min_samples_leaf
    :每个叶子结点包含的最少的样本数。参数的取值除了整数之外,还可以是浮点数。如果参数的值设置过小会导致过拟合,反之就会欠拟合。
  5. min_weight_fraction_leaf
    :叶子节点所需要的最小权值。
  6. max_features
    :用于限制分枝时考虑的特征个数。超过限制个数的特征都会被舍弃。此参数可以设为整数、浮点数、字符或None,默认为'auto'。
  7. max_leaf_nodes
    :最大叶子节点数,整数,默认为None。这个参数通过限制树的最大叶子数量来防止过拟合,如果设置了一个正整数,则会在建立的最大叶节点内的树中选择最优的决策树。
  8. min_impurity_decrease
    :如果分裂指标的减少量大于该值,则进行分裂。
  9. min_impurity_split
    :决策树生长的最小纯净度。默认是0。

最后验证模型的训练效果:

from sklearn import metrics

# 在测试集上进行预测
y_pred = reg.predict(X_test)

mse, r2, m_error = 0.0, 0.0, 0.0
y_pred = reg.predict(X_test)
mse = metrics.mean_squared_error(y_test, y_pred)
r2 = metrics.r2_score(y_test, y_pred)
m_error = metrics.median_absolute_error(y_test, y_pred)

print("均方误差:{}".format(mse))
print("复相关系数:{}".format(r2))
print("中位数绝对误差:{}".format(m_error))

# 运行结果
均方误差:0.0918182629293023
复相关系数:0.9137032593574914
中位数绝对误差:0.17199566634564867

从预测的
误差
来看,训练的
效果非常好

有同样的数据试了下上一篇介绍的
决策树回归
算法,发现还是
随机森林回归
的效果要好一些。
决策数回归的模型效果:

from sklearn.tree import DecisionTreeRegressor
from sklearn import metrics

# 定义决策树回归模型
reg = DecisionTreeRegressor(max_depth=2)

# 训练模型
reg.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = reg.predict(X_test)


mse, r2, m_error = 0.0, 0.0, 0.0
y_pred = reg.predict(X_test)
mse = metrics.mean_squared_error(y_test, y_pred)
r2 = metrics.r2_score(y_test, y_pred)
m_error = metrics.median_absolute_error(y_test, y_pred)

print("均方误差:{}".format(mse))
print("复相关系数:{}".format(r2))
print("中位数绝对误差:{}".format(m_error))

# 运行结果
均方误差:0.1681399575883647
复相关系数:0.8419711956126009
中位数绝对误差:0.36483491370039456

从运行结果来看,
决策树回归
的误差比
随机森林回归
要大不少。

4. 总结

随机森林回归算法的优势主要在于可以有效地处理大量的输入变量,并且可以处理非线性关系和交互作用,
同时 ,由于它是集成学习方法,所以可以有效地减少过拟合和欠拟合的问题,提高预测的准确性。

此外,在训练过程中,它可以自动进行特征选择和降维,帮助找到最重要的特征,
还可以处理缺失值和异常值,不需要进行特殊的数据预处理。

然而,随机森林回归算法也有一些劣势,
首先,它的训练过程
相对较慢
,尤其是在数据集较大或特征维度较高的情况下;
其次,在某些情况下,它可能
过于依赖输入数据的随机性
,导致预测结果的不稳定。
此外,随机森林算法在处理那些需要精确控制的问题时可能
效果不佳

本文以餐厅场景为叙事主线,以领域驱动为核心思想,结合架构设计与功能设计方法论。是从领域分析到落地的全过程案例,内容偏重于落地,因此不乏一些探讨,欢迎指正。

文章较长、全程干货、耐心读完、必有收获。

本文不针对餐厅的实现细节,重在探讨设计思想和方法。

1、领域设计

让我们抛开技术人员的本能技术视角、站在纯业务视角来分析领域问题。

领域设计的核心是分而治之,目的是实现业务领域的自治性。

就像你平时不会将枕头和被子放在厨房或卫生间一样,你的床上不会放着大米白面,否则你想睡觉是一件很复杂的事情,软件系统也是如此,这就是我们要解决的问题。

1.1 宏观流程

假如我要设计一个餐厅,由于分而治之的需要,我会首先从宏观流程去分析,可以帮我们迅速找到重要的区域。

因此会得到几个明确的行为区域,我将餐厅划分为“菜品域”,“订单域”,“厨房域”,“用餐域”,这是业务级别的领域划分,后续应该针对每个区域单独分析。

产出物是:宏观流程和参与角色

1.2 统一语言

语言贯穿于整个开发过程,从需求分析到设计、从设计到编码,因此好的语言非常重要,好的语言体现了清晰的业务概念。

在这个阶段,我们需要通过梳理,找到业务中都有哪些实体与行为,对其做一些归纳。我们的核心问题是:“谁”通过什么“行为”影响了“谁”,其中的三个要素分别是:角色、行为、实体。 我的建议是先找到 “实体”、“角色”、“行为”,并对其归类,我常常关注角色以及具体身份、实体以及实体实例,功能以及包含的重要步骤。

角色
:是施事主语、是名词,是主动发起行为的一类实体。

行为
:是动词、是做了什么事情,是行为本身。

实体
:是名词,是除“角色”之外的其他实体。

推荐使用脑图画出来,我认为归纳后的脑图有助于我们识别根本要素。

产出物是:名词、概念定义、相关脑图。

1.3 用例分析

在这一步、我们不需要进入用例的细节分析,使用相对宏观的分析,掌握角色与行为之间的关系。

产出物:用例图

以做菜为例,如图

1.4 领域划分

我们在分析宏观流程时,划分了几个行为区域,但那是业务级别的。在那基础之上,我们需要拉进某个区域的视角,再结合之前的用例分析,按照“功能相关性”、“角色相关性”进一步划分领域。

功能相关性
:任何业务都是由一套用例组成的,业务的某个领域也不例外,所以领域的划分应该以功能相关性为主,例如与做菜相关的用例都应该归属于厨房,所以我们确认了厨房域,这是很自然的事。

角色相关性:
其次是角色,常用于划分子域,某个区域涉及多个角色参与,可以按照角色的分工,拆分为多个子域,从而满足不同角色的个性化需要。例如厨房的采购人员负责买菜、刀工负责切菜、大厨负责烹饪。我们就会考虑将厨房划分为“采购域”、“加工域”、“烹饪域”。

通常来说,子域不具备独立的问题空间,不会作为独立的领域存在。

产出物:领域、子域

以厨房域为例,如图

1.5 领域建模

这是大家比较熟知的阶段,重点分析实体与领域之间关系(领域聚合),实体与实体的关系(OO聚合)。

领域模型是实现功能的基石、需要有对功能的本质理解,才能找到最核心的实体,实体之间的OO聚合关系决定了功能的扩展性,OO聚合是最重要的核心点。

组合、聚合

聚合(aggregation):聚合关系是一种弱的关系,整体和部分可以相互独立。

组合(composition):组合关系是一种强的整体和部分的关系,整体和部分具有相同的生命周期。

可以使用如下案例,既能表达领域聚合,又能表达OO聚合的关系。

产出物:聚合、实体、值对象、实体的属性

(领域服务和事件在后续的功能设计中提供)

1.6 领域上下游

领域上下游关系,不是领域的依赖关系,依赖关系指的是能力的依赖,是共用了某些能力,依赖关系是固定的。领域上下游关系,也不是调用关系,调用关系是与用例相关的,并非描述领域处境的。

领域上下游关系指的是影响力的关系,上游影响下游,影响力分为“逻辑影响”和“数据影响”,一般说来我们更应该关注“数据影响”,所以领域上下游关系是一种数据流向的限定,是业务发生的顺序限定,用于规定该领域所使用的数据,是下游领域依赖上游领域“准备就绪”的体现。合理的上下游限定,有助于减少领域之间的不必要依赖,有利于数据的复用并减少重复计算。

领域上下游是与场景相关的,并不是一成不变的,不同的场景存在不同的上下游,各场景应该独立说明。

产出物:各场景的上下游说明

例:在【菜品管理】场景下

如果厨房的某些食材不足了,或者某个厨师休假了,就会影响到菜品的展示,从而影响到客户的订单。

例:在【客户消费】场景下

客户的订单、影响厨房生产的菜,从而影响刀工的行为,也影响到了采购。

请对比下面两个图,用于理解领域的上下游

实际上,厨师不应该依赖采购人员的采购功能,也不依赖刀工的切菜功能,他只是依赖“初加工食材”而已,而“初加工食材”就是被处理好的数据,厨师在做饭时,“初加工食材”就已经被处理好了,上面的图例只是为了说明一个关于领域上下游的问题,这是业务
发生顺序
以及
数据来源
的问题。

我们常常使用领域事件串联业务流程,在使用领域事件时,不止要关注点对点的解耦,更应该使业务流程符合领域上下游限定,让各个领域独立运行,减少领域之间的功能依赖,降低领域之间的耦合,减少业务变化带来的影响。

2、架构设计

架构设计是为了解决软件系统复杂度带来的问题,找到系统中的元素并搞清楚他们之间关系。

架构的目标是用于管理复杂性、易变性和不确定性,以确保在长期的系统演化过程中,一部分架构的变化不会对其它部分产生不必要的负面影响。这样做可以确保业务和研发效率的敏捷,让应用的易变部分能够频繁地变化,对应用的其它部分的影响尽可能地小。

架构设计三原则:合适原则、简单原则、演化原则

2.1 分层架构

我们需要按照 接口层、领域层(领域用例层、领域模型层)、依赖层、基础层 构建架构模型。

接口层
:为外部提供服务的入口,是适配层的北向网关。不实现任何业务逻辑,也不处理事务,是跨领域的,是流程编排层,是门面服务。

领域用例层:
是领域服务层,是领域用例的实现层、隶属于某个领域、是业务逻辑层,是事务层,业务逻辑应该在这层完整体现,不要分散到其他层级。

领域模型层:
是领域模型(实体、值对象、聚合)的所在位置,专注于领域模型自身的能力,不包含业务功能,可以处理事务,是原子化的能力,是领域对象的自我实现

依赖层
: 是连接外部服务的出口,是适配层的南向网关。包括仓储,端点、RPC等,主要作用是领域和外部解耦,用于保持领域的独立性,是跨领域的。

基础层:
与业务无关的,与领域无关的,通用的技术能力,技术组件等。

2.2 架构映射

架构的视角,从大到小依次是:系统->应用(微服务)->模块(包)->子模块 这样的从大到小的层级。

业务领域映射
:我们将划分好的领域,按照对应的视角映射为对应的元素,领域模型映射到架构模型时,应该是视角对等的,如果餐厅是系统、那么厨房就是应用,如果餐厅是应用、那么厨房就是模块。也应该层级匹配的,将用例的实现映射到用例层,将领域模型的实现映射到领域模型层。

技术和抽象问题
:有时候、业务领域分析不能体现那些共性的技术问题,所以需要适当结合技术视角,可能需要对领域模型微调。同时、我们需要找到共同需要的基础能力,例如“水”、“电”、“煤气”等等,将这些作为额外的考虑因素,要做到业务问题与技术问题解耦,不要将技术问题和业务逻辑揉成一团。

领域设计,类似餐厅设计师,他设计餐厅有几个区域,区域的用途是什么。

架构设计,类似建筑设计师,他设计如何走水电煤气、如何施工等。

产出物:分层架构图

以厨房为视角,其架构如下

以餐厅为视角,其架构如下

分层架构图,体现逻辑上的层级分布,而不是代表组件的具体含义,组件是应用还是模块、需要结合实际情况而定。

2.3 必要的约束

1、分层架构越往下层就越是稳定的:下层是被上层依赖的,下层不可以反向依赖上层(扩展点除外)。因为分层架构的核心原则是将容易变化的逻辑上浮,将共性的、原子化的、通用的逻辑下沉,被依赖的下层应该是稳定的,这要求上层承接更多业务变化。下层离开上层应该是可以独立存在的,例如在接口层定义的DTO不可以在下层被使用,但领域层定义的实体可以被上层使用。

2、在使用充血模型时,应该符合面向对象编程原则:不要随意的将一些能力都充到领域实体模型中。以“菜”为例,重量和规格是“菜”的自身的属性,激发味蕾是“菜”的能力,“菜”可以维护自身的持久化状态。但是、请注意、“菜”不可以“炒菜”,因为“炒菜”的时候,“菜”还没有出现呢,“菜”不是自己的上帝,“菜”需要被做出来,所以“菜”被做出来之前是没有“菜”的,这是个时间上的概念,不要错把“炒菜”的能力放在“菜”的身上。“炒菜”用到的“水+电+气+食材+调料+厨具”不应该是“菜”的属性范围,这些元素都在“厨房”的范围中,不要让领域的模型包含不属于自身的元素,领域的实体模型只是领域的一部分,只用于实现通用的模型能力。

3、接口层和依赖层是与领域无关的:他们是与技术相关的层级,不属于任何领域,领域也不一定要有这两层,领域也可以独立拥有这两层,这两层不能包含业务逻辑。

4、领域层是与环境无关的:无论某个领域是应用还是模块,都应该具备独立的用例层和独立的模型层,即使多个领域在同一个应用当中,也要按照他们是分别独立去看待,无论是领域是应用还是模块,领域对外部的交互,不可以绕过依赖层和接口层。

5、领域应该是最小完备的:把一个领域拆分为子域、子子域、子子子,,,无限拆分,拆分到一定程度之后,某个子域就不完整了,不完整的子域是不可以独立存在的。拆分不不够或者过度拆分,都是不符合低耦合高内聚原则的。子域只是用于区分边界,所以同一个领域的子域之间不必严格解耦,不需要通过依赖层访问本领域的其他子域,他们之间可以直接调用。

6、领域服务层就是领域用例层:他们俩是同一回事儿,都是用于实现领域内的用例的。不要将领域服务与领域用例视为两个独立的层,也不要将领域服务与领域模型视为同一层,否则会导致逻辑的分散(一部分在领域服务层、一部分在领域模型层、还有一部分可能在用例层),也会导致每个层的职责不明确,容易搞乱。如果将业务逻辑写在领域模型中,会导致业务逻辑进一步下沉,业务逻辑的不确定性太大,是不适合下沉的,是违反分层架构原则的。领域模型对应的是实体、领域服务对应的是用例。

7、领域用例层只能承接符合自身领域的用例:我们划分出领域的目的,就是为了区分每个领域的职责所在,因此他们必须严格按照职责办事,我们在之前已明确了用例和领域之间的关系,需要严格遵守。

8、领域模型层遵循最小依赖原则:只可以依赖必要的资源,必要资源指的是领域模型实现自身能力需要的资源,不包括实现业务逻辑包含的资源。例如领域模型需要依赖DB完成持久化,可以依赖数据访问资源,但不应该依赖其他领域资源、不可以依赖RPC资源等。

2.4 微服务划分

服务划分以领域划分为参考,主要看我们要拆分到什么粒度,这 应该符合低耦合高内聚原则,不破坏领域实体的聚合关系。

产出物:微服务

例如餐厅:餐厅是有必要拆分的,餐厅的“菜品域”,“订单域”,“厨房域”有独立的问题空间。

例如厨房:厨房是没有必要拆分的,厨师与刀工的耦合非常高,他们都在做饭,分开之后是不完整的,分开就是没有必要的。

餐厅被拆分为:厨房(Kitchen)、菜品(Category)、订单(Order)三个微服务,当然还有两个非领域的服务:餐厅门面服务、餐厅基础服务

一般情况下,依赖层不会作为单独的服务,会被以组件的形式嵌入到领域服务之中

3、功能设计(用例实现)

如果说领域设计是餐厅的设计师、架构设计是餐厅的建筑师、那么功能设计就是餐厅的厨师或服务员。

任何设计都要落地到功能设计,如果厨师不守规则,偏偏要去洗手间洗菜,最后的结果依然是一团乱,最终会导致设计无法落地。

功能设计是实现 “面向扩展开放、面向修改关闭” 的途径,是指导研发落地必备环节。

3.1 功能的概念

功能迭代时,功能会发生一些变化,所以他的含义是可能变化的,所以我们需要再次审视功能的概念,及时加以调整。

例如、我们实现了一个“做蛋炒饭”的功能,后来又实现了一个“做辣椒炒蛋”的功能,那么我们应该将功能升级为“炒菜”,甚至是“制作菜品”等。

明确功能的概念,是功能设计的前提。

产出物:更新语言库,更新脑图

3.2 用例的位置

我们在领域分析章节,已明确了用例与角色的关系,用例与领域的关系。

然而一个新功能的加入,我们仍然要再次评估,以确保他处于正确的位置。

产出物:更新用例图

3.3 事件风暴

我们需要深入功能的细节,首推的方法是事件风暴,适用于解构复杂功能。

事件风暴的作用并不限于功能分析,只是我觉得很适用于功能分析,事件风暴的一张图包含很多内容,正好是功能设计所需要的。

将功能拆分为多个子功能(步骤)。(在后续使用)

确认参与该步骤的角色和领域。(在后续的3.6章节落地)

确认步骤的串联流程和领域事件。(在后续的3.6章节落地)

确认参与该步骤的领域实体。(在后续的3.7章节落地)

产出物:事件风暴模型

3.4 用例分析

首先、我们需要关注共性和差异问题,以确保功能的扩展性。

确认用例的泛化+差异点,实现功能的扩展。

寻找共同包含的步骤,实现逻辑的复用。

产出物:用例分析图

例:制作菜品(做大拌菜、做铁锅炖、做炒鸡蛋、做蒸米饭、做炒米饭)

3.5 用例实现类(领域服务类)结构图

专注于用例层的类设计,实现“面相修改关闭,面相扩展开放”。

用例的类结构图是用例分析图的一种映射。

出物:用例层的类结构图

3.6 用例流程图

我们更进一步,将事件风暴模型落实到代码层面。

我们将步骤分配到实现类中、步骤就是该类的一个方法,进一步明确由哪个类和方法来实现该步骤,从而就规定了步骤所在的领域。

我们将步骤和领域事件串联起来,规定了业务实现流程。推荐使用泳道图表达上述内容。泳道的纵向组件是用例的实现类。

这是真实业务流程的映射。

产出物:用例流程图

以炒鸡蛋为例,其用例流程图如下

试想一下、把业务逻辑放在领域模型当中(例如聚合),如何实现“面相扩展开放、面相修改关闭”呢?显然是很难的,功能逻辑和领域实体模型不是同一类技术问题。

3.7 活动图(时序图)

我们进一步将事件风暴模型落实到代码层面,我们使用时序图,体现依赖和调用关系,规定了步骤与领域实体模型的关系,进一步说明用例是如何实现的。

这时候,为了简便、我们可以收起领域服务类(用例层)的泳道。

产出物:时序图、活动图


4、编码实现

编码实现...... 我决定还是...... 偷个懒吧...... 哈哈哈。

但是我们回顾一下之前的内容,是否足够了? 不同的研发人员依照设计去编码,是否会写出不一样的代码?


系统名

餐厅系统

相关应用

厨房应用、菜品应用、订单应用,门面应用、基础应用

系统架构图

厨房应用-领域模型

厨房应用-用例层

厨师模块、刀工模块、买菜员模块

厨房应用-用例层-厨师模块(服务类结构)

厨房应用-用例层-厨师模块(类中的方法、方法含义、执行流程)

厨房应用-用例层-厨师模块(方法的依赖、调用关系)


最后、我们的目标是“解决软件复杂度带来的问题”,而实现这个目标的途径是“设计指导研发落地”。

作者:京东科技 董健

来源:京东云开发者社区 转载请注明来源

微软商店下的x410要收费试用也就几天,记录白嫖方案。配置和使用跳转到上一篇文章:
Windows下使用图形化的Havoc C2

编译运行

GitHub上start最多的是这个仓库,但是已经很久没有维护了,readme也说了可能不适用于win11,win10倒是没问题。试着搞了一会遇到点问题没解决pass了


image

然后逛到了这个仓库,
传送门


image

studio打开项目生成解决方案:


image

编译完成后在
bin/Realease/net6.0-windows
​下打开。


image

这里选择了最前的一个版本然后下载。


image

之后就可以点lauch x410,启动后驻留在托盘。如果要重新打开也要从这里,因为系统设置的应用中找不到他最好设个开机启动。但是这里加载python脚本有问题,可能是编译的时候的问题。其他的使用目前一切正常。


image