protobuf序列化/反序列化协议：1.序列化和反序列化2.判断包的完整性(固定大小，特定符号分界，固定包头包体结构，先解析包头再接收包体(http，redis))3.协议的可升级4.协议安全5.数据压缩protobuf语言无关，平台无关，相对于文本类协议，体量更小，解析速度快。
1、服务器发送的对象客户端读取反序列化失败?我看了一下jdk文档,上面有关ObjectInputStream的描述：[jdk文档]ObjectInputStream对以前使用ObjectOutputStream写入的基本数据和对象进行反序列化。[jdk文档]从上面可以看到是对基本数据类型序列化和反序列化，String及数组等不是基本数据类型[jdk文档]在Java中，字符串和数组都是对象，所以在序列化期间将其视为对象。
readObject方法负责使用通过对应的writeObject方法写入流的数据，为特定类读取和恢复对象的状态。该方法本身的状态，不管是属于其超类还是属于其子类，都没有关系。恢复状态的方法是，从个别字段的ObjectInputStream读取数据并将其分配给对象的适当字段。DataInput支持读取基本数据类型。尝试读取由对应的writeObject方法写入的超出自定义数据边界的对象数据将导致抛出OptionalDataException（eof字段值为true）。
2、哪一模型最适用于带有时间序列化信息的学习时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。首先需要明确一点的是，时间序列可以分为平稳序列，即存在某种周期，季节性及趋势的方差和均值不随时间变化的序列，及非平稳序列。
MA,ARMA等，下面主要介绍一下这三种方法，这类方法比较适用于小规模，单变量的预测，比如某门店的销量预测等：（1）AR模型具有如下结构的模型称为p阶自回归模型，简记为AR(p)：随机变量Xt的取值Xt是前p期xt−1,xt−2,...,xt−pxt−1,xt−2,...,xt−p的多元线性回归，认为xt主要受过去p期的序列值影响。
