1.软件测试管理神器之zentao(禅道)-Linux环境部署
2.游戏引擎随笔 0x36：UE5.x Nanite 源码解析之可编程光栅化（下）
3.搭建nextcloud私有云存储网盘的教程详解
软件测试管理神器之zentao(禅道)-Linux环境部署
禅道，作为一款国产开源项目管理软件，集产品管理、项目管理、质量管理、文档管理、qt加载opencv源码组织管理和事务管理于一体，专注于研发项目管理，提供全面覆盖研发项目管理的核心流程。其管理思想注重实效，功能完备丰富，操作简洁高效，界面美观大方，搜索功能强大，统计报表丰富多样，软件架构合理，扩展灵活，并具有完善的API可以调用。
在Linux环境下搭建禅道系统，对于测试工程师来说是必备技能。以下是搭建流程，帮助您轻松上手。
一、运行环境说明
推荐环境为 CentOS7 + Apache + PHP（7.0/7.1/7.2版本）+ MySQL（5.5/5.6版本）/mariadb + zantaopms（.4.1/8.9.1）组合。确保PHP运行环境加载了pdo, pdo_mysql, json, filter, openssl, mbstring, zlib, curl, gd, iconv模块。
二、安装Apache服务
包括安装并开启Apache服务，配置Apache运维命令，关闭防火墙和SELINUX，以及验证Apache服务运行状态。使用ifconfig查看IP地址，通过浏览器访问服务器IP地址来确认Apache运行成功。
三、安装PHP7.2版本
更新系统软件包，移除默认的PHP5版本，挂载PHP7的yum源，安装PHP7.2版本及其拓展插件。创建phpinfo文件，ea止损源码测试PHP与Apache服务。
四、安装mariadb数据库
安装并开启mariadb服务，重置数据库root账号密码，验证数据库安装成功。建议在此阶段给虚拟机做个快照备份。
五、安装禅道软件
下载禅道软件源码包，解压并修改Apache访问路径。重启系统和apache服务，开始安装禅道。通过宿主机浏览器访问禅道登录界面。
六、安装ioncube loader扩展插件（专业版）
解决禅道专业版核心代码加密问题，下载并安装ioncube loader扩展，按照安装向导进行配置，重启Apache服务，检查ioncube是否安装成功。再次访问禅道首页，使用注册的用户名和密码登录，完成禅道系统安装。
至此，禅道系统已成功安装，可以正常使用。如需使用docker部署禅道系统，可查阅相关文章。欢迎关注作者，如觉得文章有价值，不妨给个赞同、喜欢、收藏。
游戏引擎随笔 0x：UE5.x Nanite 源码解析之可编程光栅化（下）
书接上回。
在展开正题之前，先做必要的铺垫，解释纳尼特(Nanite)技术方案中的Vertex Reuse Batch。纳尼特在软光栅路径实现机制中，将每个Cluster对应一组线程执行软光栅，英雄守卫源码素材每ThreadGroup有个线程。在光栅化三角形时访问三角形顶点数据，但顶点索引范围可能覆盖整个Cluster的个顶点，因此需要在光栅化前完成Cluster顶点变换。纳尼特将变换后的顶点存储于Local Shared Memory(LDS)中，进行组内线程同步，确保所有顶点变换完成，光栅化计算时直接访问LDS，实现软光栅高性能。
然而，在使用PDO(Masked)等像素可编程光栅化时，纳尼特遇到了性能问题。启用PDO或Mask时，可能需要读取Texture，根据读取的Texel决定像素光栅化深度或是否被Discard。读取纹理需计算uv坐标，而uv又需同时计算重心坐标，增加指令数量，降低寄存器使用效率，影响Active Warps数量，降低延迟隐藏能力，导致整体性能下降。复杂材质指令进一步加剧问题。
此外，当Cluster包含多种材质时，同一Cluster中的三角形被重复光栅化多次，尤其是材质仅覆盖少数三角形时，大量线程闲置，浪费GPU计算资源。
为解决这些问题，纳尼特引入基于GPU SIMT/SIMD的Vertex Reuse Batch技术。技术思路如下：将每个Material对应的三角形再次分为每个为一组的Batch，每Batch对应一组线程，每个ThreadGroup有个线程，正好对应一个GPU Warp。利用Wave指令共享所有线程中的变换后的顶点数据，无需LDS，王国纪元游戏源码减少寄存器数量，增加Warp占用率，提升整体性能。
Vertex Reuse Batch技术的启用条件由Shader中的NANITE_VERT_REUSE_BATCH宏控制。
预处理阶段，纳尼特在离线时构建Vertex Reuse Batch，核心逻辑在NaniteEncode.cpp中的BuildVertReuseBatches函数。通过遍历Material Range，统计唯一顶点数和三角形数，达到顶点去重和优化性能的目标。
最终，数据被写入FPackedCluster，根据材质数量选择直接或通过ClusterPageData存储Batch信息。Batch数据的Pack策略确保数据对齐和高效存储。
理解Vertex Reuse Batch后，再来回顾Rasterizer Binning的数据：RasterizerBinData和RasterizerBinHeaders。在启用Vertex Reuse Batch时，这两者包含的是Batch相关数据，Visible Index实际指的是Batch Index，而Triangle Range则对应Batch的三角形数量。
当Cluster不超过3个材质时，直接从FPackedCluster中的VertReuseBatchInfo成员读取每个材质对应的BatchCount。有了BatchCount，即可遍历所有Batch获取对应的三角形数量。在Binning阶段的ExportRasterizerBin函数中，根据启用Vertex Reuse Batch的条件调整BatchCount，表示一个Cluster对应一个Batch。
接下来，遍历所有Batch并将其对应的Cluster Index、Triangle Range依次写入到RasterizerBinData Buffer中。启用Vertex Reuse Batch时，通过DecodeVertReuseBatchInfo函数获取Batch对应的三角形数量。对于不超过3个材质的Cluster，DecodeVertReuseBatchInfo直接从Cluster的VertReuseBatchInfo中Unpack出Batch数据，否则从ClusterPageData中根据Batch Offset读取数据。
在Binning阶段的AllocateRasterizerBinCluster中，还会填充Indirect Argument Buffer，python如何源码安装将当前Cluster的Batch Count累加，用于硬件光栅化Indirect Draw的Instance参数以及软件光栅化Indirect Dispatch的ThreadGroup参数。这标志着接下来的光栅化Pass中，每个Instance和ThreadGroup对应一个Batch，以Batch为光栅化基本单位。
终于来到了正题：光栅化。本文主要解析启用Vertex Reuse Batch时的软光栅源码，硬件光栅化与之差异不大，此处略过。此外，本文重点解析启用Vertex Reuse Batch时的光栅化源码，对于未启用部分，除可编程光栅化外，与原有固定光栅化版本差异不大，不再详细解释。
CPU端针对硬/软光栅路径的Pass，分别遍历所有Raster Bin进行Indirect Draw/Dispatch。由于Binning阶段GPU中已准备好Draw/Dispatch参数，因此在Indirect Draw/Dispatch时只需设置每个Raster Bin对应的Argument Offset即可。
由于可编程光栅化与材质耦合，导致每个Raster Bin对应的Shader不同，因此每个Raster Bin都需要设置各自的PSO。对于不使用可编程光栅化的Nanite Cluster，即固定光栅化，为不降低原有性能，在Shader中通过两个宏隔绝可编程和固定光栅化的执行路径。
此外，Shader中还包括NANITE_VERT_REUSE_BATCH宏，实现软/硬光栅路径、Compute Pipeline、Graphics Pipeline、Mesh Shader、Primitive Shader与材质结合生成对应的Permutation。这部分代码冗长繁琐，不再详细列出讲解，建议自行阅读源码。
GPU端软光栅入口函数依旧是MicropolyRasterize，线程组数量则根据是否启用Vertex Reuse Batch决定。
首先判断是否使用Rasterizer Binning渲染标记，启用时根据VisibleIndex从Binning阶段生成的RasterizerBinHeaders和RasterizerBinData Buffer中获取对应的Cluster Index和光栅化三角形的起始范围。当启用Vertex Reuse Batch，这个范围是Batch而非Cluster对应的范围。
在软光栅中，每线程计算任务分为三步。第一步利用Wave指令共享所有线程中的Vertex Attribute，线程数设置为Warp的Size，目前为，每个Lane变换一个顶点，最多变换个顶点。由于三角形往往共用顶点，直接根据LaneID访问顶点可能重复，为确保每个Warp中的每个Lane处理唯一的顶点，需要去重并返回当前Lane需要处理的唯一顶点索引，通过DeduplicateVertIndexes函数实现。同时返回当前Lane对应的三角形顶点索引，用于三角形设置和光栅化步骤。
获得唯一顶点索引后，进行三角形设置。这里代码与之前基本一致，只是写成模板函数，将Sub Pixel放大倍数SubpixelSamples和是否背面剔除bBackFaceCull作为模板参数，通过使用HLSL 语法实现。
最后是光栅化三角形写入像素。在Virtual Shadow Map等支持Nanite的场景下，定义模板结构TNaniteWritePixel来实现不同应用环境下Nanite光栅化Pipeline的细微差异。
在ENABLE_EARLY_Z_TEST宏定义时，调用EarlyDepthTest函数提前剔除像素，减少后续重心坐标计算开销。当启用NANITE_PIXEL_PROGRAMMABLE宏时，可以使用此机制提前剔除像素。
最后重点解析前面提到的DeduplicateVertIndexes函数。
DeduplicateVertIndexes函数给每个Lane返回唯一的顶点索引，同时给当前Lane分配三角形顶点索引以及去重后的顶点数量。
首先通过DecodeTriangleIndices获取Cluster Local的三角形顶点索引，启用Cluster约束时获取所有Lane中最小的顶点索引，即顶点基索引。将当前三角形顶点索引（Cluster Local）减去顶点基索引，得到相对顶点基索引的局部顶点索引。
接下来生成顶点标志位集合。遍历三角形三个顶点，将局部顶点索引按顺序设置到对应位，表示哪些顶点已被使用。每个标志位是顶点的索引，并在已使用的顶点位置处设置为1。使用uint2数据类型，最多表示个顶点位。
考虑Cluster最多有个顶点，为何使用位uint2来保存Vertex Mask而非位？这是由于Nanite在Build时启用了约束机制（宏NANITE_USE_CONSTRAINED_CLUSTERS），该机制保证了Cluster中的三角形顶点索引与当前最大值之差必然小于（宏CONSTRAINED_CLUSTER_CACHE_SIZE），因此，生成的Triangle Batch第一个索引与当前最大值之差将不小于，并且每个Batch最多有个唯一顶点，顶点索引差的最大值为，仅需2个位数据即可。约束机制确保使用更少数据和计算。
将所有Lane所标记三个顶点的Vertex Mask进行位合并，得到当前Wave所有顶点位掩码。通过FindNthSetBit函数找出当前Lane对应的Mask索引，加上顶点基索引得到当前Lane对应的Cluster Local顶点索引。
接下来获取当前Lane对应的三角形的Wave Local的三个顶点索引，用于后续通过Wave指令访问其他Lane中已经计算完成的顶点属性。通过MaskedBitCount函数根据Vertex Mask以及前面局部顶点索引通过前缀求和得到当前Lane对应的Vertex Wave Local Index。
最后统计Vertex Mask所有位，返回总计有效的顶点数量。
注意FindNthSetBit函数，实现Lane与顶点局部索引（减去顶点基索引）的映射，返回当前Lane对应的Vertex Mask中被设置为1的位索引。如果某位为0，则返回下一个位为1的索引。如果Mask中全部位都设置为1，则实际返回为Lane索引。通过二分法逐渐缩小寻找索引范围，不断更新所在位置，最后返回找到的位置索引。
最后，出于验证目的进行了Vertex Reuse Batch的性能测试。在材质包含WPO、PDO或Mask时关闭Vertex Reuse Batch功能，与开启功能做对比。测试场景为由每颗万个三角形的树木组成的森林，使用Nsight Graphics进行Profiling，得到GPU统计数据如下：
启用Vertex Reuse Batch后，软光栅总计耗时减少了1.毫秒。SM Warp总占用率有一定提升。SM内部工作量分布更加均匀，SM Launch的总Warp数量提升了一倍。长短板Stall略有增加，但由于完全消除了由于LDS同步导致的Barrier Stall，总体性能还是有很大幅度的提升。
至此，Nanite可编程光栅化源码解析讲解完毕。回顾整个解析过程，可以发现UE5团队并未使用什么高深的黑科技，而是依靠引擎开发者强悍的工程实现能力完成的，尤其是在充分利用GPU SIMT/SIMD机制榨干机能的同时，保证了功能与极限性能的实现。这种能力和精神，都很值得我们学习。
搭建nextcloud私有云存储网盘的教程详解
Nextcloud是一款开源免费的私有云存储网盘项目，可以让你快速便捷地搭建一套属于自己或团队的云同步网盘，从而实现跨平台跨设备文件同步、共享、版本控制、团队协作等功能。它的客户端覆盖了Windows、Mac、Android、iOS、Linux 等各种平台，也提供了网页端以及 WebDAV接口，所以你几乎可以在各种设备上方便地访问你的云盘。
简介：
搭建个人云存储一般会想到ownCloud，堪称是自建云存储服务的经典。而Nextcloud是ownCloud原开发团队打造的号称是“下一代”存储.
真正试用过后就由衷地赞同这个Nextcloud：它是个人云存储服务的绝佳选择。一开始以为Nextcloud只是一个网盘云存储，后来看到
Nextcloud内置了Office文档、相册、日历联系人、两步验证、文件管理、RSS阅读等丰富的应用，我发现Nextcloud已经仅仅可以
用作个人或者团队存储与共享，还可以打造成为一个个人办公平台，几乎相当于一个个人的Dropbox了。Nextcloud运行环境与平常我们
常用的程序差不多，LAMP是官方首选，不过LNMP也照样可以运行，只不过需要自己写URL重写规则。当然，官方还提供了SNAP一键安装包
注：以上来自网上某处，重点是下面的安装
本篇采用rpm源码安装，本人亲测有效，在线或一键安装没难度，请自行百度，
1.安装LAMP架构:
注：为了避免权限，网络问题等请用root用户或较高级别账号登录再操作
yum install -y /yum/el7/epel-release.rpm
rpm -Uvh /yum/el7/webtatic-release.rpm
centos/redhat 6:
rpm -Uvh /yum/el6/latest.rpm
centos/redhat 5:
rpm -Uvh /yum/el5/latest.rpm
安装好后先停止mon 开始安装php5.6
yum install -y phpw phpw-opcache phpw-xml phpw-devel phpw-mcrypt phpw-gd phpw-mysql phpw-intl phpw-mbstring 安装完成后启动aptech
systemctl start httpd.service
再次查看php版本,发现已经升级到PHP5.6了
8.web界面安装nextcloud重启httpd后，再次打开浏览器访问
设置登录密码和选择mariadb数据库的相关设置
默认是SQLite数据库，这里点mariaDB数据库，输入账号，密码，表名即可
注：SQLite也是一种数据库
sqlite是一款轻型的数据库，遵守ACID的关系型数据库管理系统，包含在一个相对小的c库中。
它是D.RichardHipp建立的公有领域项目。设计目标是嵌入式的，而且目前已经在很多嵌入式产品中
使用了它，其中之一的特点是占用资源非常低，在嵌入式设备中，可能只需要几百k的内存就够用了。
点击安装就进行安装了
进入后发现和百度网盘非常相似，可以上传，下载，分享，功能的话自己可以摸索
在web浏览器上上传资料
直接在浏览器中输入IP,我这是...，输入账号密码即可进入
9.安装插件：
如：设置-应用-files中找到Files Right Click并启用它（如果启用不了一般跟网络慢有关）
还可以安装其他更多插件来丰富nextcloud的功能
有cpu负载监控，内存使用情况，用户活跃情况等实时监控
注：安装与使用的快慢与你的网络和配置有关，请耐心等待。。。
我的环境：Windows真机（WiFi），vm虚拟机（网卡桥接），centos7虚拟机，xshell远程连接软件
Windows要与centos7互通，二者都要能联网
Win的ip：...，centos7的IP：...
制作：OneNote
自此搭建成功
总结
以上所述是小编给大家介绍的搭建nextcloud私有云存储网盘的教程详解，大家如有疑问可以留言，或者联系站长。感谢亲们支持！！！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
