Raft算法是一种分布式一致性算法，由Diego Ongaro和John Ousterhout在2013年提出。它主要用于分布式系统中，保证系统中的数据在多个节点间保持一致性。 Raft算法被广泛应用于众多分布式系统中，尤其是在需要强一致性保证的场景中，例如： 分布式存储系统：如ETCD、Consul等键值存储系统，它们利用Raft算法来保证数据的强一致性和高可用性。 分布式数据库：一些分布式数据库管理系统（DBMS），如CockroachDB等。 分布式锁服务：例如Google的Chubby以及微软的Azure Service Bus等。 得物的多个内部中间件也是使用Raft算法作为多分片一致性的保证。 长期以来，大部分开发者都是将Raft作为一个黑盒使用，只知道它能保证多分片的一致性，对其运行原理也停留在纸面。当面临Raft性能调优或者奇怪的Raft问题排障的时候则束手无策。 费曼说过：“What I cannot create, I do not understand。” 我们中国先贤也强调“知行合一，以致良知”。如果我们不能亲手编写一次Raft算法，对这个东西就不能算作理解。
本文首先介绍MySQL 5.7 DDL以及GH-OST的原理，然后从效率、空间占用、锁阻塞、binlog日志产生量、主备延时等方面，对比GH-OST和MySQL5.7 DDL的差异。
AI 编码，曾被认为是这波生成式AI中最先可能落地的场景。但因为不像聊天、搜索、自动驾驶那样“出圈”，AI编码的重要性正在被低估。 目前，有29%的大模型应用场景是让AI来辅助写代码。在一些先驱企业，一线研发人员使用AI编码辅助工具的占比超过了80%，全员配备的情况也并不少见。而在头部模型厂商上百页的技术报告里，“加大训练过程中代码权重”被更频繁地提及，编码能力也成为检验基础大模型能力的关键指标。 所以AI 编码到底发展到了什么阶段？它在企业落地会遇到哪些具体挑战？为什么它依然是投资人最看好的三大场景之一？“人类不再需要学习编程”的预言还有多远？ 我们请到了两位嘉宾来聊一聊这些话题。
我们激动地宣布，Nacos Python SDK——nacos-sdk-python1.0.0 稳定版正式发布啦！Nacos 从 0.8.0 版本开始就一直参与 Python 生态建设，努力作为 Python 生态中分布式微服务发现和配置管理的解决方案一直往前演进。目前随着 AI 领域的发展，Nacos 社区的 Python 开发者用户越来越多，因此这次我们迭代了 Python 的 GA 稳定版本，对不少历史问题做了修复以及易用性层面的各项兼容优化，帮助大家可以更好的在大模型时代落地自己的业务场景。
笔者最近对负责项目做了一些服务性能优化的工作，主要优化了项目中的一些不合理设计，例如：服务间使用 json 传输数据；监控上报处理逻辑在主流程中；重复数据每次都请求下游服务；多个耗时操作串行请求等。取得了 A 服务平均耗时跟 p99 耗时均下降 80% 、事件底层服务平均耗时下降 50% 的业务收益。 本文总结了在服务架构设计时，提升服务性能的 9 大常用办法，相信可以有效帮到你的日常工作。期待你的点赞转发收藏一键三连！
受内核调度控制周期（cfs_period）影响，容器的 CPU 利用率往往具有一定的欺骗性，下图展示了某容器一段时间的 CPU 使用情况（单位为0.01核），可以看到在 1s 级别的粒度下（图中紫色折线），容器的 CPU 用量较为稳定，平均在 2.5 核左右。根据经验，管理员会将 CPU Limit设置为 4 核。本以为这已经保留了充足的弹性空间，然而若我们将观察粒度放大到 100ms 级别（图中绿色折线），容器的 CPU 用量呈现出了严重的毛刺现象，峰值达到 4 核以上。此时容器会产生频繁的 CPU Throttle，进而导致应用性能下降、RT 抖动，但我们从常用的 CPU 利用率指标中竟然完全无法发现！
2024 年 7 月 2 日 10:04，我站机房 A 公网物理光缆中断，导致机房 A 公网无法访问。本文将从 DCDN 架构及多活治理的视角，分析本次故障中我们发现的问题和治理优化措施。
很多人都把人际交往看成一件麻烦事。对他们来说，社交是在他们要找工作、寻求职业建议、提升学历或想获取其他有用信息时才不得不做的一件事。在构思本书的过程中，我告诉了一些人我正在写这本书，几乎每个人都对我说了类似的话：“我讨厌社交，我喜欢任何能让我回避社交的东西。”当我在社交媒体上向朋友们询问他们最不喜欢人际交往的哪部分的时候，回复纷至沓来。
