标签是数据从业者日常高频使用的一个数据工具，在精细化运营、数据分析等多种场景中，标签的作用显著，通过对数据的特征化，可以帮助数据人员对用户、商品等信息进行整理、筛选以及洞察分析，提高对数据的使用效率。 在本篇内容中，我们将系统化为大家讲解标签和标签体系，从理解标签和标签体系的作用、标签的类别和应用场景，以及如何从0到1建立标签体系4个方面，并通过案例场景剖析，让大家更好理解标签的创建和使用。
传统的数据传输方式大多是利用一个链路、选择设备的默认网卡进行传输，使用这种方式实现实时音视频通话时，如果默认网络出现问题（如断网、弱网等），用户的通信就会发生中断或者卡顿，影响用户体验。 多链路传输，顾名思义，就是使用多个链路进行传输数据的一种技术。近年来，单设备上支持多个可用网卡的技术越来越普遍，比如我们的手机就同时支持无线网卡和 4G/5G 网卡，有些双卡手机还能同时支持两个 4G/5G 网卡。而多链路技术就是充分利用用户设备上的多个网络资源进行数据传输，当某一个网络出现问题时，其他可用网络可以继续不间断地传输数据，避免因单一网络问题导致通话中断或者卡顿，提升用户通话的可用性和流畅性。 目前，多链路传输技术已经在火山引擎 RTC 打磨基本成熟，并在抖音和飞书会议等业务场景落地，有效地降低了用户的通话卡顿率，提升了用户的体验。
DeepFlow 基于 eBPF 实现了零插桩（Zero Code）的云原生应用可观测性，能够在不改代码、不改启动参数、不重启进程的前提下实现分布式追踪。这是一种全新的技术手段，因此不少用户在选型和落地 DeepFlow 的过程中会对它的性能开销存在疑问。 到底 Agent 的运行会对业务造成什么样的影响？而 Agent 自身的资源开销又如何？这些问题我们在 SIGCOMM 2023 论文《Network-Centric Distributed Tracing with DeepFlow: Troubleshooting Your Microservices in Zero Code》中都有体系化的回答，论文将于九月份正式公开。 在此之前，为了尽快帮助大家扫清落地 eBPF 可观测性的最后障碍，最近我们也将 DeepFlow Agent 的自动化测试结果放到了线上 Demo 页面中[1]，本文将结合 Agent Daily Build 的测试数据，系统性的阐述我们的测试方法和测试结果，揭示 Agent 的业务影响和资源开销，帮助大家扫清落地 eBPF 可观测性的最后障碍。
我们新推出大淘宝技术年度特刊《长期主义，往往从一些小事开始——工程师成长总结专题》，专题收录多位工程师真诚的心路历程与经验思考，覆盖终端、服务端、数据算法、技术质量等7大技术领域，欢迎一起沟通交流。
作为广汽集团旗下的智慧出行平台，如祺出行上线四年时间，用户规模和订单量保持高速增长。在过去的2022年，如祺出行平台累计注册用户突破1800万，同比增长64%，年度订单总量超7000万，同比增长52%。 高速增长的用户规模和订单量，对技术平台提出更高要求。 随着专快车业务的快速增长，越来越多业务需求与业务主流程耦合，导致调用链过长，接口延迟增加了数倍，整体架构无论是性能还是扩展性，都存在很大的风险，遇到节假日高峰，随时都有崩溃的风险。 为了提升架构的稳定性，保障用户体验，如祺出行于2021年启动架构升级。其中，引入消息队列做异步化是整个分布式架构设计的核心手段之一。
如果你看过《星际穿越》，应该对这一幕印象深刻，女儿墨菲所处的房间，按照时间分为了无数个三维空间实体。三维空间加时间组合成四维空间，即时空。 时间轴对于人事核心系统，就像四维时空中的时间，是类似生命周期的概念。了解HR工作的同事应该知道，员工在企业的生命周期，从招聘、offer、实习、入职、转正、晋升、调动、离职、重复雇佣，有一套复杂的生命周期，并且组织本身也是在随时间发展的。 员工、部门、职位等组织结构的发展和变化情况，均需要按照时间顺序准确记录，需要追溯到任意历史一天或未来一天展示当时的数据，并在某个时间做对应的调整。这个被人事系统高度依赖的时间维度，就是时间轴。
