利用 APMServ 实现应用程序的实时洞察力和故障排除 (利用apriori算法计算频繁项集可以有效降低)

简介

APMServ 是一款开源且轻量级的应用程序性能监控（APM）工具，可帮助开发人员识别和解决应用程序中的问题。它提供实时洞察力，包括应用程序执行时间、内存使用情况、错误和异常。

使用 APMServ 实现实时洞察力

安装 APMServ：按照官方文档中的说明安装 APMServ。配置应用程序：在应用程序中配置 APMServ，以便它能够捕获数据。这可以通过在应用程序中添加 APMServ 库来实现。启动 APMServ：启动 APMServ 并将其指向配置的应用程序。访问仪表板：访问 APMServ 仪表板以查看实时数据和洞察力。

故障排除

APMServ 提供多种功能来帮助开发人员进行故障排除：错误和异常跟踪：APMServ 捕获和跟踪错误和异常，并提供详细信息，包括错误消息、堆栈跟踪和环境信息。执行时间分析：APMServ 测量应用程序不同部分的执行时间，帮助识别性能瓶颈。内存使用分析：APMServ 监控应用程序的内存使用情况，帮助识别泄漏和其他内存问题。事务跟踪：APMServ 跟踪用户事务，提供从服务器到客户端请求的端到端视图。

利用 Apriori 算法计算频繁项集

Apriori 算法是一种用于关联规则挖掘的数据挖掘算法。它可以有效地识别频繁项集，即在数据集中一起出现频率较高的项目集。在 APMServ 中，Apriori 算法可以用来识别应用程序中最常见的错误代码、异常或其他事件。通过了解这些频繁事件，开发人员可以优先考虑他们的故障排除工作。

优势

使用 APMServ 实现应用程序的实时洞察力和故障排除具有以下优势：快速识别问题：实时洞察力有助于开发人员快速识别和解决应用程序中的问题。提高性能：通过识别性能瓶颈，APMServ 帮助提高应用程序的性能和响应能力。降低成本：通过主动监控应用程序，APMServ 可以帮助防止问题升级，从而降低维护成本。提高用户满意度：通过保持应用程序平稳运行，APMServ 有助于提高用户满意度。

结论

APMServ 是一个强大的工具，可帮助开发人员实现应用程序的实时洞察力和故障排除。通过利用 Apriori 算法计算频繁项集，APMServ 可以进一步提高其故障排除能力。通过使用 APMServ，开发人员可以识别和解决问题，提高应用程序性能并提高用户满意度。

---

大数据分析工具详尽介绍&数据分析算法

大数据分析工具详尽介绍&数据分析算法1、 HadoopHadoop 是一个能够对大量数据进行分布式处理的软件框架。 但是 Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。 Hadoop 是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。 Hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。 Hadoop 还是可伸缩的，能够处理 PB 级数据。 此外，Hadoop 依赖于社区服务器，因此它的成本比较低，任何人都可以使用。 Hadoop是一个能够让用户轻松架构和使用的分布式计算平台。 用户可以轻松地在Hadoop上开发和运行处理海量数据的应用程序。 它主要有以下几个优点：⒈高可靠性。 Hadoop按位存储和处理数据的能力值得人们信赖。 ⒉高扩展性。 Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。 ⒊高效性。 Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。 ⒋高容错性。 Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。 Hadoop带有用 Java 语言编写的框架，因此运行在 Linux 生产平台上是非常理想的。 Hadoop 上的应用程序也可以使用其他语言编写，比如 C++。 2、 HPCCHPCC，High Performance Computing and Communications（高性能计算与通信）的缩写。 1993年，由美国科学、工程、技术联邦协调理事会向国会提交了“重大挑战项目：高性能计算与 通信”的报告，也就是被称为HPCC计划的报告，即美国总统科学战略项目，其目的是通过加强研究与开发解决一批重要的科学与技术挑战问题。 HPCC是美国 实施信息高速公路而上实施的计划，该计划的实施将耗资百亿美元，其主要目标要达到：开发可扩展的计算系统及相关软件，以支持太位级网络传输性能，开发千兆 比特网络技术，扩展研究和教育机构及网络连接能力。 该项目主要由五部分组成：1、高性能计算机系统（HPCS），内容包括今后几代计算机系统的研究、系统设计工具、先进的典型系统及原有系统的评价等；2、先进软件技术与算法（ASTA），内容有巨大挑战问题的软件支撑、新算法设计、软件分支与工具、计算计算及高性能计算研究中心等；3、国家科研与教育网格（NREN），内容有中接站及10亿位级传输的研究与开发；4、基本研究与人类资源（BRHR），内容有基础研究、培训、教育及课程教材，被设计通过奖励调查者-开始的，长期 的调查在可升级的高性能计算中来增加创新意识流，通过提高教育和高性能的计算训练和通信来加大熟练的和训练有素的人员的联营，和来提供必需的基础架构来支 持这些调查和研究活动；5、信息基础结构技术和应用（IITA ），目的在于保证美国在先进信息技术开发方面的领先地位。 3、 StormStorm是自由的开源软件，一个分布式的、容错的实时计算系统。 Storm可以非常可靠的处理庞大的数据流，用于处理Hadoop的批量数据。 Storm很简单，支持许多种编程语言，使用起来非常有趣。 Storm由Twitter开源而来，其它知名的应用企业包括Groupon、淘宝、支付宝、阿里巴巴、乐元素、Admaster等等。 Storm有许多应用领域：实时分析、在线机器学习、不停顿的计算、分布式RPC（远过程调用协议，一种通过网络从远程计算机程序上请求服务）、 ETL（Extraction-Transformation-Loading的缩写，即数据抽取、转换和加载）等等。 Storm的处理速度惊人：经测 试，每个节点每秒钟可以处理100万个数据元组。 Storm是可扩展、容错，很容易设置和操作。 4、 Apache Drill为了帮助企业用户寻找更为有效、加快Hadoop数据查询的方法，Apache软件基金会近日发起了一项名为“Drill”的开源项目。 Apache Drill 实现了 Google’s Dremel.据Hadoop厂商MapR Technologies公司产品经理Tomer Shiran介绍，“Drill”已经作为Apache孵化器项目来运作，将面向全球软件工程师持续推广。 该项目将会创建出开源版本的谷歌Dremel Hadoop工具（谷歌使用该工具来为Hadoop数据分析工具的互联网应用提速）。 而“Drill”将有助于Hadoop用户实现更快查询海量数据集的目的。 “Drill”项目其实也是从谷歌的Dremel项目中获得灵感：该项目帮助谷歌实现海量数据集的分析处理，包括分析抓取Web文档、跟踪安装在Android Market上的应用程序数据、分析废品邮件、分析谷歌分布式构建系统上的测试结果等等。 通过开发“Drill”Apache开源项目，组织机构将有望建立Drill所属的API接口和灵活强大的体系架构，从而帮助支持广泛的数据源、数据格式和查询语言。 5、 RapidMinerRapidMiner是世界领先的数据挖掘解决方案，在一个非常大的程度上有着先进技术。 它数据挖掘任务涉及范围广泛，包括各种数据艺术，能简化数据挖掘过程的设计和评价。 功能和特点免费提供数据挖掘技术和库100%用Java代码（可运行在操作系统）数据挖掘过程简单，强大和直观内部XML保证了标准化的格式来表示交换数据挖掘过程可以用简单脚本语言自动进行大规模进程多层次的数据视图，确保有效和透明的数据图形用户界面的互动原型命令行（批处理模式）自动大规模应用Java API（应用编程接口）简单的插件和推广机制强大的可视化引擎，许多尖端的高维数据的可视化建模400多个数据挖掘运营商支持耶鲁大学已成功地应用在许多不同的应用领域，包括文本挖掘，多媒体挖掘，功能设计，数据流挖掘，集成开发的方法和分布式数据挖掘。 6、 Pentaho BIPentaho BI 平台不同于传统的BI 产品，它是一个以流程为中心的，面向解决方案（Solution）的框架。 其目的在于将一系列企业级BI产品、开源软件、API等等组件集成起来，方便商务智能应用的开发。 它的出现，使得一系列的面向商务智能的独立产品如Jfree、Quartz等等，能够集成在一起，构成一项项复杂的、完整的商务智能解决方案。 Pentaho BI 平台，Pentaho Open BI 套件的核心架构和基础，是以流程为中心的，因为其中枢控制器是一个工作流引擎。 工作流引擎使用流程定义来定义在BI 平台上执行的商业智能流程。 流程可以很容易的被定制，也可以添加新的流程。 BI 平台包含组件和报表，用以分析这些流程的性能。 目前，Pentaho的主要组成元素包括报表生成、分析、数据挖掘和工作流管理等等。 这些组件通过 J2EE、WebService、SOAP、HTTP、Java、JavaScript、Portals等技术集成到Pentaho平台中来。 Pentaho的发行，主要以Pentaho SDK的形式进行。 Pentaho SDK共包含五个部分：Pentaho平台、Pentaho示例数据库、可独立运行的Pentaho平台、Pentaho解决方案示例和一个预先配制好的 Pentaho网络服务器。 其中Pentaho平台是Pentaho平台最主要的部分，囊括了Pentaho平台源代码的主体；Pentaho数据库为 Pentaho平台的正常运行提供的数据服务，包括配置信息、Solution相关的信息等等，对于Pentaho平台来说它不是必须的，通过配置是可以用其它数据库服务取代的；可独立运行的Pentaho平台是Pentaho平台的独立运行模式的示例，它展示了如何使Pentaho平台在没有应用服务器支持的情况下独立运行；Pentaho解决方案示例是一个Eclipse工程，用来展示如何为Pentaho平台开发相关的商业智能解决方案。 Pentaho BI 平台构建于服务器，引擎和组件的基础之上。 这些提供了系统的J2EE 服务器，安全，portal，工作流，规则引擎，图表，协作，内容管理，数据集成，分析和建模功能。 这些组件的大部分是基于标准的，可使用其他产品替换之。 7、 SAS Enterprise Miner§ 支持整个数据挖掘过程的完备工具集§ 易用的图形界面,适合不同类型的用户快速建模§ 强大的模型管理和评估功能§ 快速便捷的模型发布机制, 促进业务闭环形成数据分析算法大数据分析主要依靠机器学习和大规模计算。 机器学习包括监督学习、非监督学习、强化学习等，而监督学习又包括分类学习、回归学习、排序学习、匹配学习等（见图1）。 分类是最常见的机器学习应用问题，比如废品邮件过滤、人脸检测、用户画像、文本情感分析、网页归类等，本质上都是分类问题。 分类学习也是机器学习领域，研究最彻底、使用最广泛的一个分支。 最近、Fernández-Delgado等人在JMLR（Journal of Machine Learning Research，机器学习顶级期刊）杂志发表了一篇有趣的论文。 他们让179种不同的分类学习方法（分类学习算法）在UCI 121个数据集上进行了“大比武”（UCI是机器学习公用数据集，每个数据集的规模都不大）。 结果发现Random Forest（随机森林）和SVM（支持向量机）名列第一、第二名，但两者差异不大。 在84.3%的数据上、Random Forest压倒了其它90%的方法。 也就是说，在大多数情况下，只用Random Forest 或 SVM事情就搞定了。 KNNK最近邻算法。 给定一些已经训练好的数据，输入一个新的测试数据点，计算包含于此测试数据点的最近的点的分类情况，哪个分类的类型占多数，则此测试点的分类与此相同，所以在这里,有的时候可以复制不同的分类点不同的权重。 近的点的权重大点，远的点自然就小点。 详细介绍链接Naive Bayes朴素贝叶斯算法。 朴素贝叶斯算法是贝叶斯算法里面一种比较简单的分类算法，用到了一个比较重要的贝叶斯定理，用一句简单的话概括就是条件概率的相互转换推导。 详细介绍链接朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。 通俗来说，就好比这么个道理，你在街上看到一个黑人，我问你你猜这哥们哪里来的，你十有八九猜非洲。 为什么呢？因为黑人中非洲人的比率最高，当然人家也可能是美洲人或亚洲人，但在没有其它可用信息下，我们会选择条件概率最大的类别，这就是朴素贝叶斯的思想基础。 SVM支持向量机算法。 支持向量机算法是一种对线性和非线性数据进行分类的方法，非线性数据进行分类的时候可以通过核函数转为线性的情况再处理。 其中的一个关键的步骤是搜索最大边缘超平面。 详细介绍链接AprioriApriori算法是关联规则挖掘算法，通过连接和剪枝运算挖掘出频繁项集，然后根据频繁项集得到关联规则，关联规则的导出需要满足最小置信度的要求。 详细介绍链接PageRank网页重要性/排名算法。 PageRank算法最早产生于Google,核心思想是通过网页的入链数作为一个网页好快的判定标准，如果1个网页内部包含了多个指向外部的链接，则PR值将会被均分，PageRank算法也会遭到LinkSpan攻击。 详细介绍链接RandomForest随机森林算法。 算法思想是决策树+boosting.决策树采用的是CART分类回归数,通过组合各个决策树的弱分类器,构成一个最终的强分类器,在构造决策树的时候采取随机数量的样本数和随机的部分属性进行子决策树的构建,避免了过分拟合的现象发生。 详细介绍链接Artificial Neural Network“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。 人工神经网络也具有初步的自适应与自组织能力。 在学习或训练过程中改变突触权重值，以适应周围环境的要求。 同一网络因学习方式及内容不同可具有不同的功能。 人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。 通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。

机器学习实战的作品目录

目　录第一部分　分类第1章　机器学习基础　21.1何谓机器学习　31.1.1传感器和海量数据　41.1.2机器学习非常重要　51.2关键术语　51.3机器学习的主要任务　71.4如何选择合适的算法　81.5开发机器学习应用程序的步骤　91.6Python语言的优势　101.6.1可执行伪代码　101.6.2Python比较流行　101.6.3Python语言的特色　111.6.4Python语言的缺点　111.7NumPy函数库基础　121.8本章小结　13第2章　k-近邻算法152.1k-近邻算法概述　152.1.1准备：使用Python导入数据　172.1.2从文本文件中解析数据　192.1.3如何测试分类器　202.2示例：使用k-近邻算法改进约会网站的配对效果　202.2.1准备数据：从文本文件中解析数据　212.2.2分析数据：使用Matplotlib创建散点图　232.2.3准备数据：归一化数值　252.2.4测试算法：作为完整程序验证分类器　262.2.5使用算法：构建完整可用系统　272.3示例：手写识别系统　282.3.1准备数据：将图像转换为测试向量　292.3.2测试算法：使用k-近邻算法识别手写数字　302.4本章小结　31第3章　决策树323.1决策树的构造　333.1.1信息增益　353.1.2划分数据集　373.1.3递归构建决策树　393.2在Python中使用Matplotlib注解绘制树形图　423.2.1Matplotlib注解　433.2.2构造注解树　443.3测试和存储分类器　483.3.1测试算法：使用决策树执行分类　493.3.2使用算法：决策树的存储　503.4示例：使用决策树预测隐形眼镜类型　503.5本章小结　52第4章　基于概率论的分类方法：朴素贝叶斯534.1基于贝叶斯决策理论的分类方法　534.2条件概率　554.3使用条件概率来分类　564.4使用朴素贝叶斯进行文档分类　574.5使用Python进行文本分类　584.5.1准备数据：从文本中构建词向量　584.5.2训练算法：从词向量计算概率　604.5.3测试算法：根据现实情况修改分类器　624.5.4准备数据：文档词袋模型　644.6示例：使用朴素贝叶斯过滤废品邮件　644.6.1准备数据：切分文本　654.6.2测试算法：使用朴素贝叶斯进行交叉验证　664.7示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向　684.7.1收集数据：导入RSS源　684.7.2分析数据：显示地域相关的用词　714.8本章小结　72第5章　Logistic回归735.1基于Logistic回归和Sigmoid函数的分类　745.2基于最优化方法的最佳回归系数确定　755.2.1梯度上升法　755.2.2训练算法：使用梯度上升找到最佳参数　775.2.3分析数据：画出决策边界　795.2.4训练算法：随机梯度上升　805.3示例：从疝气病症预测病马的死亡率　855.3.1准备数据：处理数据中的缺失值　855.3.2测试算法：用Logistic回归进行分类　865.4本章小结　88第6章　支持向量机　896.1基于最大间隔分隔数据　896.2寻找最大间隔　916.2.1分类器求解的优化问题　926.2.2SVM应用的一般框架　936.3SMO高效优化算法　946.3.1Platt的SMO算法　946.3.2应用简化版SMO算法处理小规模数据集　946.4利用完整Platt SMO算法加速优化　996.5在复杂数据上应用核函数　1056.5.1利用核函数将数据映射到高维空间　1066.5.2径向基核函数　1066.5.3在测试中使用核函数　1086.6示例：手写识别问题回顾　1116.7本章小结　113第7章　利用AdaBoost元算法提高分类性能1157.1基于数据集多重抽样的分类器　1157.1.1bagging：基于数据随机重抽样的分类器构建方法　1167.1.2boosting　1167.2训练算法：基于错误提升分类器的性能　1177.3基于单层决策树构建弱分类器　1187.4完整AdaBoost算法的实现　1227.5测试算法：基于AdaBoost的分类　1247.6示例：在一个难数据集上应用AdaBoost　1257.7非均衡分类问题　1277.7.1其他分类性能度量指标：正确率、召回率及ROC曲线　1287.7.2基于代价函数的分类器决策控制　1317.7.3处理非均衡问题的数据抽样方法　1327.8本章小结　132第二部分　利用回归预测数值型数据第8章　预测数值型数据：回归1368.1用线性回归找到最佳拟合直线　1368.2局部加权线性回归　1418.3示例：预测鲍鱼的年龄　1458.4缩减系数来“理解”数据　1468.4.1岭回归　1468.4.2lasso　1488.4.3前向逐步回归　1498.5权衡偏差与方差　1528.6示例：预测乐高玩具套装的价格　1538.6.1收集数据：使用Google购物的API　1538.6.2训练算法：建立模型　1558.7本章小结　158第9章　树回归　1599.1复杂数据的局部性建模　1599.2连续和离散型特征的树的构建　1609.3将CART算法用于回归　1639.3.1构建树　1639.3.2运行代码　1659.4树剪枝　1679.4.1预剪枝　1679.4.2后剪枝　1689.5模型树　1709.6示例：树回归与标准回归的比较　1739.7使用Python的Tkinter库创建GUI　1769.7.1用Tkinter创建GUI　1779.7.2集成Matplotlib和Tkinter　1799.8本章小结　182第三部分　无监督学习第10章　利用K-均值聚类算法对未标注数据分组　.1K-均值聚类算法　.2使用后处理来提高聚类性能　.3二分K-均值算法　.4示例：对地图上的点进行聚类　.4.1Yahoo! PlaceFinder API　.4.2对地理坐标进行聚类　.5本章小结　198第11章　使用Apriori算法进行关联分析　.1关联分析　.2Apriori原理　.3使用Apriori算法来发现频繁集　.3.1生成候选项集　.3.2组织完整的Apriori算法　.4从频繁项集中挖掘关联规则　.5示例：发现国会投票中的模式　.5.1收集数据：构建美国国会投票记录的事务数据集　.5.2测试算法：基于美国国会投票记录挖掘关联规则　.6示例：发现毒蘑菇的相似特征　.7本章小结　221第12章　使用FP-growth算法来高效发现频繁项集　.1FP树：用于编码数据集的有效方式　.2构建FP树　.2.1创建FP树的数据结构　.2.2构建FP树　.3从一棵FP树中挖掘频繁项集　.3.1抽取条件模式基　.3.2创建条件FP树　.4示例：在Twitter源中发现一些共现词　.5示例：从新闻网站点击流中挖掘　.6本章小结　239第四部分　其他工具第13章　利用PCA来简化数据　.1降维技术　.2PCA　.2.1移动坐标轴　.2.2在NumPy中实现PCA　.3示例：利用PCA对半导体制造数据降维　.4本章小结　251第14章　利用SVD简化数据　.1SVD的应用　.1.1隐性语义索引　.1.2推荐系统　.2矩阵分解　.3利用Python实现SVD　.4基于协同过滤的推荐引擎　.4.1相似度计算　.4.2基于物品的相似度还是基于用户的相似度？　.4.3推荐引擎的评价　.5示例：餐馆菜肴推荐引擎　.5.1推荐未尝过的菜肴　.5.2利用SVD提高推荐的效果　.5.3构建推荐引擎面临的挑战　.6基于SVD的图像压缩　.7本章小结　268第15章　大数据与MapReduce　.1MapReduce：分布式计算的框架　.2Hadoop流　.2.1分布式计算均值和方差的mapper　.2.2分布式计算均值和方差的reducer　.3在Amazon网络服务上运行Hadoop程序　.3.1AWS上的可用服务　.3.2开启Amazon网络服务之旅　.3.3在EMR上运行Hadoop作业　.4MapReduce上的机器学习　.5在Python中使用mrjob来自动化MapReduce　.5.1mrjob与EMR的无缝集成　.5.2mrjob的一个MapReduce脚本剖析　.6示例：分布式SVM的Pegasos算法　.6.1Pegasos算法　.6.2训练算法：用mrjob实现MapReduce版本的SVM　.7你真的需要MapReduce吗？　.8本章小结　292附录APython入门　294附录B线性代数　303附录C概率论复习　309附录D资源　312索引　313版权声明　316

用Matlab实现apriori算法关联规则的挖掘程序，完整有详细注解

下面这段是apriori算法中由2频繁项集找k频繁项集的程序，程序中有两个问题：1、似乎while循环的K永远都是固定的，也就是都是频繁2项集的个数。 得到频繁3项集后K的个数不是要变吗？如何体现呢？2、程序中有两个for的大循环，但是发现结果是只要找到一个频繁3项集第二个for循环就会结束，但是其实还应该有其它的频繁3项集。 for循环不是应该无条件执行到参数k结束吗？当时k值是15，可是程序结束的时候i=2，j=3,然后j就不执行4以及一直到k的部分了。 是什么原因呢？麻烦高手指点一下。 急啊……while( k>0)le=length(candidate{1});num=2; nl=0;for i=1:k-1for j=i+1:k x1=candidate{i};%candidate初始值为频繁2项集，这个表示频繁项集的第i项x2=candidate{j};c = intersect(x1, x2);M=0;r=1;nn=0;l1=0;if(length(c)==le-1)&(sum(c==x1(1:le-1))==le-1)houxuan=union(x1(1:le),x2(le)); %树剪枝,若一个候选项的某个K-1项子集为非频繁，则剪枝掉 sub_set=subset(houxuan);%生成该候选项的所有K-1项子集NN=length(sub_set);%判断这些K-1项自己是否都为频繁的while(r & M<NN)M=M+1;r=in(sub_set{M},candidate);endif M==NN nl=nl+1; %候选k项集 cand{nl}=houxuan;%记录每个候选k项集出现的次数 le=length(cand{1}); for i=1:ms=cand{nl}; x=X(i,:);if sum(x(s))==lenn=nn+1;endendend end %从候选集中找频繁项集if nn>=thll=ll+1;candmid{nl}=cand{nl};pfxj(nl)=cand{nl};pfxj(nl)=nn; disp(得到的频繁项集为:)result=(candmid{nl});disp(result); end endendend

若对本页面资源感兴趣，请点击下方或右方图片，注册登录后

搜索本页相关的【资源名】【软件名】【功能词】或有关的关键词，即可找到您想要的资源

如有其他疑问，请咨询右下角【在线客服】，谢谢支持！