异步低延迟c++ log lib

最新推荐文章于 2026-07-03 04:23:46 发布
原创 最新推荐文章于 2026-07-03 04:23:46 发布 · 329 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
Linux C++/Golang后端

当前文章被收录于：

Linux C++/Golang后端
85 篇文章 3 人学习

Linux C++/Golang后端

订阅专栏 查看详情
本文探讨了C++中两种流行的日志库：Boost.Log与glog的特点与区别。主要聚焦于它们是否支持异步记录、低延迟表现、多线程日志能力以及是否友好地支持流操作符等方面。

c++ log lib

1. 异步
2. 低延迟
3. multi-thread logging
4. 最好支持<< operator

but:

boost::log
v.s.
glog
liblogger C/C++日志框架
12-10
liblogger : A logging framework for C / C++ 0.2 Features liblogger is a logging framework for C / C++, with the following features : Transparent Logging to file / console / network. Supports different logging levels. Customizable : Log level, Module name, etc., can be configured on per file basis. Zero Performance overhead when the logging is disabled. Simple APIs similar to printf() Platforms / Compilers Supported. Compilers : gcc, Microsoft Visual C++ Compiler. Platforms : POSIX (Unix, GNU/Linux), Windows The presence of a platform layer makes it very easy to port to new platforms.
loggerlib:简单的C ++记录器库
04-05
loggerlib 简单的C ++记录器库旨在轻松将记录功能集成到您的应用程序中。 举例 实现一些定义 # include < loggerlib> namespase ns { class CLogger : public ll ::CLogger<ns> {}; } # define LL_LOG_START ( _what ) logger-> start () << _what; # define LL_LOG_STOP logger-> stop (); # define LL_LOG ( _what ) do { LL_LOG_START (_what); LL_LOG_STOP; } while ( false ) # define LL_LOG_LINE ( _caption ) std::string(std::strin
C++高效低延时有锁队列测试程序
码客 卢益贵 ygluu
08-15 569
C++高效低延时有锁队列测试程序， 经过多次优化之后性能达到了最大化：10年华硕老本测试，队列速率1000万+，低延时（Pending数量少）。 下载地址：https://download.csdn.net/download/GuestCode/21098156 图1 图2 优化前通过满队列方式以提升队列通过率（图3），优化之后队列积压明显减少通过率还略有提升（图1）： 图3 ...
【C++】【Linux】从零实现日志库：LogLib 设计与实现详解
fakerth的博客
01-19 774
本文详细介绍了从零实现高性能C++日志库LogLib的设计与实现。该日志库采用分层架构设计，包含用户接口层、日志器层、格式化层、输出层和基础设施层，支持同步和异步两种日志模式。核心技术包括无锁环形缓冲区实现多线程并发写入、分级内存池优化内存管理、多种设计模式组合提升扩展性。通过CMake构建系统支持示例程序、测试和性能基准测试，实现了百万级日志吞吐量和纳秒级延迟的性能目标。该项目不仅具有实用价值，也是学习C++高性能编程的绝佳范例。
C++一些好玩的小操作（延时操作）
筱羊冰冰
07-25 552
前言 都知道在for循环的后面加一个分号就可以将程序秀一脸血，这样的操作也会被用于一些延时操作， 但是这样的方法和电脑处理器的效率有关，有时候换了电脑时间会不一样，当然可以调整循环次数来实现时间一致，但是有更好的方式。 clock函数 头文件 ：< ctime > （C中是<time.h>） （其实头文件那里我也不想加空格，实在是不知道又碰到了哪个标识符，不加空格不能输出） clock()函数返回开始执行后所用的系统时间，但是存在一个问题，返回值的类型不一定是秒，可能是系统时间单位的
c++避坑指南一：lambda表达式的延迟调用
qq_28250697的博客
11-24 613
原因分析： 在funaa定义的时候[=] 是捕获外部作用域中的所有变量，并作为副本在函数体中使用。在定义的瞬间，已经完成了捕获动作， aa的值已经复制到funaa 函数体中。后面对aa的修改不会 影响到funaa 当时捕获到的值。所以funaa 返回的仍然是0；当想要在调用funaa时即时获取外部变量aa的值，应该用引用捕获 [&]。
Cocos2d-x C++ 延迟计算
dzj0821的博客
07-26 394
cocos使用_xxxDirty属性存储xxx的值是否需要重新计算，并在需要的时候再重新进行计算，如： void Node::setScaleY(float scaleY) { if (_scaleY == scaleY) return; _scaleY = scaleY; //修改了属性，变换矩阵需要重新计算，但此时仅修改标志位 _tra...
手机端部署Gemma-2B-Q4：llama.cpp+GGUF+ARM NEON实战指南
weixin_30879169的博客
06-24 304
大语言模型轻量化部署是边缘AI的核心命题，其本质是模型压缩、推理引擎适配与硬件指令集协同的系统工程。Gemma-2B作为经指令微调的20亿参数模型，在4-bit量化（Q4_K_M）后体积压至1.2GB，成为手机端本地化部署的理想候选；而llama.cpp凭借纯C++实现、GGUF格式支持及ARM NEON深度优化，提供了跨平台、低内存、高可控性的推理底座。该技术路径不依赖Python或云端服务，可满足教育类App集成、隐私敏感场景交互、离线知识问答等真实需求，尤其适合6GB RAM以上安卓设备。本文聚焦从模
Volga：面向实时AI的低延迟特征流水线引擎
weixin_33847182的博客
06-25 506
特征工程是机器学习落地的核心环节，而实时AI场景对特征的延迟、一致性与可维护性提出严苛要求。传统Feature Store多基于存储中心化架构，在计算模型、延迟目标和运维抽象上存在结构性失配，难以支撑毫秒级决策系统。Volga以‘计算即服务’为理念，通过依赖感知的特征图（Feature Graph）、Rust+WASM沙箱与零拷贝Ring Buffer等关键技术，实现P99<100ms的端到端特征供给能力，并天然支持时间语义对齐与确定性执行。它适用于推荐、风控、广告等高时效性AI系统，是构建生产级实时特征流
WonderTrader C++开发依赖包（Ubuntu 22.04 + GCC 11.4 预编译版，含boost/nanomsg/spdlog/rapid）
p4q5r6s7t的博客
07-03 74
专为 WonderTrader C++ 版本在 Ubuntu 22.04 系统上快速构建准备，已用 GCC 11.4.0 完成全量编译，开箱即用。包含完整头文件和静态库（.a）、动态库（.so）文件，覆盖核心依赖：boost 提供通用跨平台工具支持，nanomsg 实现低延迟消息通信，spdlog 提供高性能、线程安全的日志功能，rapid 用于高效 JSON 解析与序列化，wtcpp 是 WonderTrader 自研 C++ 框架模块。所有头文件统一归入 include 目录，库文件集中存放于 lib
ChatGLM直播笔记系统：轻量本地化实时语音转结构化笔记
weixin_34195142的博客
06-20 344
直播笔记本质是语音识别（ASR）与大语言模型（LLM）协同完成的实时信息结构化任务。其技术核心在于低延迟上下文建模、端侧资源约束下的模型量化压缩，以及面向口语化表达的领域自适应微调。ChatGLM系列因其中文理解强、生态成熟，成为教育类直播轻量化部署的高性价比选择；而‘直播笔记’作为典型垂直场景，倒逼ASR-LLM流水线必须支持动态VAD、热词注入、Schema引导生成等工程能力。本文聚焦i5级设备可运行的全本地闭环方案，覆盖Whisper.cpp定制、ChatGLM-Live-3B微调、时间戳对齐与JSO
OpenClaw：面向本地可控的AI智能体架构实践
weixin_33924220的博客
06-22 361
AI智能体（AI Agent）作为大模型落地的关键范式，正从云端API调用转向本地化、低延迟、高可控的工程实现。其核心原理在于解耦模型推理、技能执行、向量检索与主控调度，通过进程隔离、契约化技能定义和标准化LLM接口（如OpenAI兼容协议），实现数据不出域、响应压至800ms内、模型与硬件自由替换。这种‘本地优先’架构显著提升企业级AI应用的安全性、可审计性与运维弹性，广泛适用于私有知识库问答、边缘设备诊断、微信/企微AI助理等强合规场景。OpenClaw正是这一技术路径的典型开源实践，将function
Easylogging++ 安装与配置完全指南
gitblog_07241的博客
09-13 760
Easylogging++ 是一款高效且功能丰富的 C++ 日志库，专为简化日志记录设计。该库具有异步低延迟、可扩展性、轻量级、高性能、线程和类型安全等特性，支持自定义日志格式、类、第三方库及STL容器的日志记录。采用MIT许可协议，广泛应用于数百个开源项目中。 **主要编程语言:** C++ ## 关键技术和框架 - **单头文件库:** Easylogging++ 以单个头文件形式提供，简...
janus-pro本地大模型推理服务部署实战
weixin_30566063的博客
06-22 443
本地大模型部署已从‘能跑通’迈向‘可运维、可扩展、可协同’的工程化阶段。其核心挑战在于CUDA版本错配、Python环境污染、多后端动态调度等底层摩擦，而非模型本身。janus-pro作为Rust编写的推理网关，通过conda环境隔离、源码编译控制与HTTP/gRPC协议抽象，实现了vLLM、llama.cpp等异构后端的统一接入与运行时切换，显著提升GPU/CPU混合场景下的稳定性与资源弹性。它既规避了Ollama的黑盒限制，又弥补了vLLM单体架构在热更新与降级容灾上的短板，是构建团队级AI服务基座的关
ICE中间件实战：从零部署到多语言联调的全链路指南
baochuanying9531的博客
06-14 389
ICE是一种面向服务架构（SOA）的高性能RPC中间件，其核心在于通过Slice接口定义实现跨语言契约治理与位置透明通信。它基于原生TCP协议和二进制零拷贝序列化，相比REST/HTTP在延迟（0.8ms vs 15.6ms）和吞吐量上具备数量级优势，特别适用于金融清算、实时风控等低延迟场景。技术价值体现在编译期强契约约束、运行时ObjectAdapter统一调度、以及Proxy/Skeleton分层解耦设计。典型应用场景包括PHP与C++混合服务治理、数据库访问集中化封装、微服务间确定性通信。本文聚焦IC
VB中使用TimeSetEvent实现多线程定时器的完整示例
weixin_42356162的博客
10-29 858
Windows操作系统通过多媒体定时器提供高精度时间调度能力，是其中关键API，位于winmm.dll中，支持毫秒级定时精度。该函数适用于实时性要求高的场景，如音视频同步、自动化控制等，相比传统WM_TIMER消息，具有更低延迟和更高可靠性。其核心优势在于基于内核中断的回调机制，可在独立系统线程中触发用户定义的回调函数，绕过主线程消息队列拥塞问题。工作依赖于Windows底层时钟源（如HPET或TSC），并通过或标志实现周期或单次触发。
OpenClaw本地大模型CLI工具深度解析与安全部署指南
weixin_33937499的博客
06-22 705
OpenClaw并非标准开源项目，而是一套面向终端用户的轻量级Node.js CLI工具链，旨在简化本地大模型（如Ollama、Llama.cpp）的调用流程。其核心原理是通过适配层抽象不同后端API（OpenAI兼容/原生协议），实现统一命令行交互；技术价值在于‘零许可成本’与‘免SDK集成’，但依赖Node.js v22等现代运行时特性以保障流式响应、IPC通信与ABI稳定性。典型应用场景包括开发者本地AI工作流搭建、离线环境模型调试及自动化脚本集成。本文聚焦其真实架构边界、安装风险本质与可审计部署路径
LG K120S PLC串口通信开发包：VC6.0源码+ActiveX控件+TE测试程序
最新发布
r7s8t的博客
07-03 143
一套开箱即用的LG K120S PLC串口通信开发资源，包含完整VC6.0工程源码，核心是封装好的ActiveX控件testocx.ocx，内置串口驱动、K120S专用协议解析（支持D寄存器读写、M继电器状态查询、定时器监控等）、响应超时与校验处理。配套提供可直接运行的TE.exe测试程序，带图形化操作界面，能实时发送指令并显示返回数据；附带注册/卸载控件的批处理脚本，方便部署调试。源码模块清晰划分：_serialport.cpp负责底层RS232通信，_Plc.cpp实现PLC逻辑交互，agreement
Cursor、Windsurf、Zed：新一代AI原生编辑器深度对比
ctk87443的博客
06-15 772
AI原生编辑器正从‘代码补全插件’升级为具备项目理解、任务编排与流式编辑能力的智能开发环境。其核心原理在于将大模型能力深度耦合至编辑器内核——通过AST图谱实现跨文件语义索引（如Cursor的Project Graph），借助原子化任务DSL驱动可审计的自动化工作流（如Windsurf的Task History），或依托Rust+GPU加速实现毫秒级响应的流式编辑（如Zed的CRDT缓冲区）。这类工具的技术价值在于显著降低复杂工程的认知负荷，尤其适用于嵌入式、ROS2、Kubernetes等高上下文密度场景
ROS 2 Lyrical Luth：工业级长期演进的平台锚定与RMW可插拔实践
weixin_34174105的博客
06-24 410
ROS 2中间件（RMW）是机器人系统实现跨平台通信与实时协同的核心抽象层，其设计原理源于DDS标准与ROS节点生命周期解耦。随着工业场景对确定性、安全认证和十年期维护的需求升级，RMW已从‘默认绑定’走向‘运行时可插拔’的技术范式——这不仅关乎Fast-DDS、Cyclone DDS等实现的切换自由度，更深层体现为ABI稳定性保障、环境变量分级控制与中间件健康自检机制。Lyrical Luth通过强制C++20/Python 3.12语言契约、Tier 1平台深度绑定（Ubuntu 26.04/RHEL
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值