截至 2023 年底，字节跳动内部微服务的数量超过了 30 万，而且这个数字还在快速的增长当中，每个季度仍然会新增上万个微服务。伴随着海量的微服务，微服务过微带来的编解码、序列化、网络和服务治理开销过大问题也愈加凸显，在一些性能敏感、QPS 大的的服务上急需优化，于是极致的微服务合并方案合并编译应运而生。 目前公司内采用合并编译方式合并的服务超过 300 万 core，取得的 CPU Quota 收益超过 40 万 core，接口时延根据包大小有 2-15 ms 不等的优化。
本文系火山引擎多云多活技术拆解系列文章的第三篇，将基于火山引擎的技术实践和客户服务经验，介绍如何在多云环境中实现高效、精准的流量调度，保障业务持续稳定。
在数字化时代，数据已成为企业最宝贵的资产之一。然而，随着数据量的爆炸性增长，如何高效地找到并使用这些数据，成为了企业面临的一个重大挑战。火山引擎DataLeap团队通过创新性地将大模型技术应用于数据资产管理平台，开发出了名为“找数助手”的工具，旨在解决这一问题。
当 AI 与音乐这一充满魅力的艺术形式相遇，精彩就此开启。字节跳动豆包大模型团队全新推出了 Seed-Music，助力人们在音乐创作领域探索更多可能性。 Seed-Music 是一个具备灵活控制能力的音乐生成模型家族。它巧妙地将语言模型与扩散模型的优势相结合，并融入作曲工作流之中，适用于小白、专业人士的不同音乐创作场景。 本文将深入解读 Seed-Music 的技术能力，揭示其在音乐生成和编辑方面的突出表现。此外，Seed-Music 官网详细展示了十种音乐创作任务的 demo。
本文将介绍基于 Apache Calcite 的多引擎指标管理的技术原理与最佳实践，包括指标管理的常见方式、指标管理的最佳实践、指标管理的实现原理以及指标管理在字节跳动未来的一些规划。 重点阐述【指标管理】在业内常见的解决方案，与字节内部使用的一套 SQL 两种语法多引擎指标管理方案的异同，并解读具体实现方案。
近年来 Spark 已经成为离线大数据处理引擎的事实标准，广泛用于数据仓库、数据湖、机器学习等领域。在字节跳动内部每天运行百万级别的 Spark 离线作业，Shuffle 量高达 500PB，CPU 资源需求达到千万级别。随着业务的快速发展，用户对计算资源的需求越来越大，除了增加物理资源之外，如何提高线上 Spark 作业的资源使用效率也是我们亟需解决的问题。
