我在《暗时间》这本书获益匪浅，当然这本书有一些局限性，由于作者本人是一位软件领域的大师，所以书中所有的道理和方法不一定适用于所有的领域，但是大方向都差不多，书中提到演绎和推理需要足够的已知因素，这些因素可以是现成的，也可以合理的联想获取，让我想到和时下最热的大数据有异曲同工之妙，大数据也是必须有足够的可用数据，进行分析，训练模型，然后得出一些有价值的数据。这里也顺带一提：贝叶斯，贪心算法，线性代数，运筹学，图，分类、聚类、神经网络相关等算法等相关知识。有空的话还是充实自己，这些还是很枯燥但有用的东西，绝大多数的算法和数据结构都是从操作系统底层得来的经验，这是计算机的根本，万剑归宗的最高境界，虽然我也根本不看这些，又难又烦还看不懂。
后端东西由于涉及到服务器，服务器又是一个很复杂的东西，操作系统，数据结构和算法，集群的通信，网络，所以它的格局必然广阔。先列举一些细节的知识点： 以JAVA为例，涉及到多线程，单例，多例，阻塞IO，非阻塞IO，同步，异步等等，每一块都得花心思琢磨，多例里面可能有多线程的存在吗，还是多线程就是为单例而生的，那一个进程拥有多少资源，spring启动一个服务的话算什么，一个进程吗，一次请求算什么，启动一个线程吗，spring容器如何操作，tomcat底层如何运作；阻塞IO，非阻塞IO，同步，异步之间到底是什么关系，网上说得准确吗，自己又碰不到这样的场景，怎么办。多线程下面发生的各种光怪陆离的问题，状态没加锁被修改了，加了锁程序跑慢了，明明用了concurrent类库，为什么还是出问题？这些只是本地，到了服务器，分布式多节点，问题更大，tomcat的配置都得注意，虽然有运维，但是还是要出错，sessioncookieName莫名的返回了。这些当然只是基础，往深了，有负载均衡，缓存，IO瓶颈，这些很多网上宏观理论都看的很爽，其实并不能解决实际问题，只是提供一个思路，有一句我是认同的：一切不以解决实际问题的理论都是扯淡。
以上我也并没有全搞清楚，但是我相信只要深刻的理解过，研究过，那么会有不一样的飞跃。很多工具，框架的核心设计理念，运作原理都很雷同。关于设计模式我想说的是新人往往接触不到设计模式这些东西，所以经常故意乱套，显得很高大尚，从而遭到前辈们的批评。我想说的是：对于新人的做法，我表示完全支持，前辈们有前辈们的看法，但是我们要有我们的主见，我们本就是为了学而用。 我们就是要用，起码用会了一些，用熟了了一些，并且知道它们大致的套路，很多前辈们他们已经熟练的掌握了设计模式，所以他们看到我们乱用就会说我们强行使用。对，像我们这种小白能用还是尽量用的好，试想一下，如果你都从来没用过，然后项目中基本不用，自己又不刻意用，如何进步，遇到适合设计模式的场景，又怎能将复杂的问题便简单呢？
说到大数据，就简单的和大家聊一下这个东西， 我在上一家单位实习的时候，所在部门就是大数据部-数据挖掘组，大致说一下我认为的一些观点：
1> 网络爬虫，是大数据获取的途径，各种爬，舆情垂直元搜索，涉及很多工具，自动登录，通过cookie欺骗网站去爬，爬下来的话进行简单的数据清洗，为nlp、datamining做准备。
2>nlp,主要是lucene,开源最热是es和solr，难点是对中文语义的处理，当然中间还有很多，衔接网络spider的数据和datamining的中间件。
3>datamining,难点对于数据的训练模型,需要扎实的算法,是终极目标，也是得以变现的核心所在。
4> java_web对于这个部门而言并不复杂，开发方面可以说是一个门户，可以让用户更好、更直接的了解后台的东西。 这四者是一个顺序承接的关系。这既是整个团队的整个流程，产通过这种流程诞生。
大数据这一块,还推荐Logstash+Redis+Elasticsearch+Kibana+Nginx搭建日志分析系统这个很火，有兴趣的话可以了解一下，里面涉及的知识点巨海量。