twemproxy + redis 或者 cookie-based session, e.g. [cookie-session]( https://github.com/expressjs/cookie-session)

编程作为一种职业活动，并没有什么独到之处。本质上就是写东西，和画图纸、写稿、写歌、甚至写作业其他的创意活动一样，楼主觉得孤独是因为写代码，那是想多了。

你想不孤独就找人一起写呗。

Engineering is all about details.

1. 即便用vim，也得把右手食指放在 j 上，毕竟按 j 的频率远高于 h
2. 应该适应在任何时间任何环境下用任何编辑器写任何代码

根据在 Facebook Mobile 组工作的童鞋的消息，Facebook Ads 是用 React Native 做的

所以你需要 issue tracking system

好丑。。

ConEmu + gow 轻松省事儿，cygwin 太臃肿了

@beddo 正解啊

@ansel 揣兜里感觉很麻烦啊。。

@qvvo family plan 37 刀一个月无限电话短信 share 10G 流量，我不是组织者我具体也不知道

@RHFS hotspot 不知道是不是我的手机有问题，每次都必须手动连，无论wifi还是bluetooth，至少要把手机开到 hotspot 的页面特别烦，有时候只是合一下屏幕就得重连。。

或者能否推荐一款便于携带的 iPhone 6 plus 的键盘？

找 sketch 也是一门学问，要看不同人用不同视角写的材料、video、slides 才能够得到你心目中的 sketch

@modkzs 该学的都得学，不分上层或者下层。。。最重要的是，先找 sketch，然后再逐步填充细节，循环深入，每一次重复都有新的体会。所谓 sketch 就是找这一层问题抽象的重点，比如 Hadoop, HBase 新手入门 不是去配机器，而是去了解 Hadoop 的重点在于 master/slave + mapreduce ，HBase 的重点在于 LSM Tree + Column family data model

微观角度往上上来讲，就是关注 Concurrency, communication, data structures for big data, storage indexing and layout, etc.

建议从 Java Concurrency 开始看，因为它的抽象层级恰到好处，资料很多适合搜索自学。

Storage 从小处看起，比如 Storage-based KV store 看 Bitcask, LevelDB，tree-based vs hash-based indexing

Communication 比较 TCP, UDP, HTTP, RESTful, RPC(Protobuf/Thrift/Avro)，选择他们某一个有哪些 Tradeoff

组织到一起东西就复杂了，什么是CAP，BASE，如何取舍，有哪些一致性协议，找数据路由怎么做。。。

我觉得大数据分布式系统计算问题的本质就是，机器 CPU/Memory/Storage/network bandwidth 有限，而且不靠谱，在数据量太大不得不分开算，还要防止机器和人为的错误的情况下，如何计算的问题。

AMPLab 新出的 Spark 教程 https://www.edx.org/course/introduction-big-data-apache-spark-uc-berkeleyx-cs100-1x 不知道怎么样，但是是官方新出的，昨天才开课，还有certificate可以拿

The Practice of Cloud System Administration, Designing and Operating Large Distributed Systems

大数据日知录 虽然都是翻译货，但是可以作为 roadmap

Cloud Design Patterns by MSDN

另外，要勤快地看各种 engineering blog, slides on SlideShare, technical talks, papers(谷歌四大，Amazon Dynamo, 各种主流 NoSQL 的paper, etc)。大概的做法是，看到一个流行的 app，比如 Pinterest， 搜与之相关的资料：Pinterest Architecture, Scale Pinterest

把 InfoQ 设为首页

关键还是要多问自己问题，比如：手机CPU/memory/storage这么小，视频是怎么 stream 的？然后就搜到了 Http Live Streaming。Facebook 的关系这么多是怎么做 cache 为读做优化的？然后就搜到了 TAO。relational DB 数据太大一台machine放不下怎么办？就搜到了 DB Proxy, Sharding vs. Clustering...

嗯说错了，第一个是 nlogk

@njustyw // Expected: N + N/2 + N/4 + ... = N