量化交易
从市场微结构入手，建立量化工程全栈视角
覆盖从因子研究、回测方法论到执行算法与高频架构的整条链路，适合策略研究员与工程师系统切入。
从这里开始
第一次访问时先按主题切入，比直接沿着时间线翻文章更快。
大模型基础设施
从 GPU 心智模型到推理引擎选型
把训练、推理、量化与服务化串成一条工程主线，覆盖 GPU、并行、推理引擎与量化落地。
密码学
从 PQC 起步，快速进入密码学热点
先理解量子威胁，再顺着 FHE、迁移工程与 TLS 实践继续往下读。
排序算法
先看排序专题，再决定从哪篇切入
把 TimSort、pdqsort、radix sort、external sort、parallel sort 串成一条工程化阅读路径。
热门专题
把已经形成系列阅读闭环的主题集中在首页，减少在 400 多篇文章里盲找的成本。
最新文章
按最近更新时间排序；如果你想系统性阅读一个主题，优先回到上面的专题入口。
EEVDF 调度器：Linux 6.6 为什么换掉了 CFS
Linux 6.6 用 EEVDF 取代了 CFS 的 SCHED_NORMAL 选取逻辑。从 1995 年原始论文的 lag、eligibility、virtual deadline，到 commit 147f3ef 只重写 placement/pick/preempt，再到本机内核 6.6 上读 sched/debug 把每个任务的 vruntime、eligible 标志、deadline 一一对上 vd=ve+r/w，外加 nice 带宽与 base_slice 抢占两组实测，讲清换的是哪一块、延迟敏感任务凭什么先跑。
Linux 内核与 eBPF 工程索引
汇总本站 Linux 内核工程相关文章，覆盖 eBPF、bpftrace、Cilium、io_uring 协同以及内存分配器实践。
【rsync 原理】差异同步算法：滚动校验与两级匹配
源端看不到目标端文件，rsync 凭什么只传改动的几 KB？从 Tridgell 的 rsync 算法出发，用 rsync 3.4.4 源码钉住弱滚动校验的 O(1) 更新、弱+强两级匹配、sqrt 块大小与签名长度随文件增长的权衡，讲清差异是怎么在不传整文件的前提下被算出来的。
【rsync 原理】协议、进程模型与实测
rsync 的差异算法落到真实工具里，是 generator/sender/receiver 三个进程在一条管线上跑。本文用 rsync 3.4.4 源码与 wire 行为讲清三角色分工、文件列表与逐文件生命周期、token 字节流格式、强校验协商与版本边界，并在本机内核 6.6 上实测：100 MiB 文件改 1 字节，delta 走约 120 KB，whole-file 走整 100 MiB。
fsync 失败的真相：当它返回错误，你的数据可能已经没了
fsync() 返回 EIO 后再调一次为什么会成功？为什么这反而是灾难？从 2018 fsyncgate 到 Linux errseq_t，再到本机内核 6.6 上用 dm-error 单块故障注入的实测，讲清 writeback 失败时脏页被标记 clean、数据静默丢失的真相，以及 PostgreSQL 为什么选择 PANIC。
【存储工程】数据完整性：从 fsync 到端到端校验
数据丢失最令人恐惧的形式不是磁盘报错——而是数据悄无声息地变了，没有任何告警，没有任何日志，直到几个月后你从备份里恢复出一堆损坏的文件，才发现"完整性"这个词从来就不是理所当然的。
【GPU 算子工程】全景：算子工程在 AI 计算栈的位置
从框架一行 matmul 到 PTX/SASS，拆开 AI 计算栈的分层：框架算子、算子库、手写 kernel、编译器生成。回答工程师什么时候才需要自己写或调 kernel，以及本系列的实验环境与方法。
【GPU 算子工程】GPU 执行模型：SM、warp、线程层次与 occupancy
讲清 grid/block/warp 如何映射到 SM，SIMT 执行与 32 线程 warp 的本质，分支发散为何昂贵（实测 1.7 倍），以及 occupancy 的含义。建立一切 GPU 性能优化的硬件直觉。
【GPU 算子工程】写第一个 CUDA kernel：索引、同步与启动配置
从向量加法到归一化，讲清 CUDA kernel 的结构：全局索引计算、grid-stride loop、__syncthreads 同步、launch 配置选择与错误检查。实测 block 大小对带宽的影响，给出安全默认值。
【GPU 算子工程】访存优化：合并访问、bank conflict 与对齐
global memory 合并访问与 shared memory bank conflict 是 GPU 访存优化的两大主题。实测跨步访问让有效带宽从 412 跌到 90 GB/s，32 路 bank conflict 让 shared 访问慢 11 倍。讲清成因与规避方法。
【GPU 算子工程】Occupancy 与延迟隐藏：寄存器、shared memory 的取舍
occupancy 是 SM 驻留 warp 与上限之比，由寄存器、shared memory、block 限制决定。实测访存密集 kernel 在约 33% occupancy 就饱和带宽，更高 occupancy 无益，并解释寄存器溢出为何让高 occupancy 反而变慢。
【GPU 算子工程】Roofline 模型：判断算子是 compute-bound 还是 memory-bound
Roofline 用算术强度把算子定位到性能上限曲线，回答优化该往算力还是访存使劲。在 RTX 3060 Ti 上实测扫描算术强度，得到经验屋顶线：脊点约 36 FLOP/byte，低强度区贴带宽、高强度区逼近 FP32 峰值 86%。
【GPU 算子工程】Nsight 调优工作流：Compute 与 Systems 怎么读
Nsight Systems 看时间线找哪个 kernel 值得优化，Nsight Compute 看单 kernel 的 SM/内存吞吐、stall reason、occupancy 定位瓶颈。讲清两者分工、关键指标含义，以及没有 GUI 时用 CUDA event 计时的轻量替代方法。
【GPU 算子工程】Reduction 与 Scan：warp shuffle、block 级与 grid 级归约
归约是协作类算子的入门。实测三种 block 内归约树：发散+bank conflict 75ms、顺序寻址 44ms、warp shuffle 22ms。同时揭示单遍归约受访存限制时这些优化为何不可见，以及 scan 的并行思路。
【GPU 算子工程】GEMM：从朴素实现到 shared memory tiling 与寄存器分块
GEMM 是 GPU 算子优化的标杆。在 RTX 3060 Ti 上实测四个版本：朴素 990、shared tiling 1309、寄存器分块 64 达 4447、128 达 6375 GFLOP/s（峰值 39%）。讲清每一步优化提高的是什么，以及为什么数据复用是关键。