在上一篇《十年前的微信消息收发架构长啥样？》（点击标题可阅读）的文章中，有用户提到想了解自己每次微信红包只能抽中 0.01 元的反向手气最佳是怎么在技术上实现的，于是就有了本篇文章的诞生。 其实，微信红包最初在产品设计上有过很多思路，最初曾以多档次、按比例分配的方式，但最后大家试用下来发现还是随机才好玩。那种看到有人抢到 100 块，有人 0.01 元的快乐无以言喻。 最初的随机算法中，领取越早获得大额红包几率越高，为了避免抢红包变成一个拼手速的游戏，后来的随机算法也对随机范围区间进行了一定调整。 本文中，我们将介绍主流的红包算法，相信聪明的你一定能从中窥见微信红包技术实现的一些奥秘～
2016年，山西大学科学技术史研究所的厚宇德教授对杨振宁先生做了一个访谈。期间，杨先生比较系统地讲了自己对科学与哲学的关系的一些看法，他的观点是本文讨论人工智能与哲学关系的一个起点。 杨先生认为，在19世纪时，科学仍然被当作自然哲学，并被认为从哲学脱胎而来。即使到了19世纪末，马赫（Ernst Mach）等科学家依然认为物理学和哲学密不可分。而在相对论和量子力学建立之后，哲学对物理学的影响就变得越来越小，甚至量子力学的观念开始反过来影响哲学家对“何为实在”的理解。
曾看过很多并发模型相关的文章，但是这些文章大部分只讲了并发模型的实现原理，并没有给出具体的示例代码，看完总觉得对并发模型这个知识点是一知半解，不得要领。为了掌握高并发模型，我这里抛砖引玉，实现了20种常见的并发模型，并对每种并发模型进行了性能压测和分析。由于本人水平有限，文章中难免有一些不准确或者纰漏的地方，欢迎大家批评指正。
性能分析和优化是所有软件开发人员必备的技能，也是后台大佬们口中津津乐道的话题。 Golang 作为一门“现代化”的语言，原生就包含了强大的性能分析工具 pprof 和 trace。pprof 工具常用于分析资源的使用情况，可以采集程序运行时的多种不同类型的数据（例如 CPU 占用、内存消耗和协程数量等），并对数据进行分析聚合生成的报告。trace 工具则关注程序运行时的事件（例如协程状态切换，GC 的开始和结束、系统调用等等），常用于分析延迟、阻塞和调度等问题。掌握了这两个工具就足以满足大部分 Golang 程序的性能分析需求。 本文将从使用方法、原理和实践三个方面分别介绍 pprof 和 trace 工具。读完本文后，相信你也可以更全面地掌握 pprof 和 trace。废话少说，让我们开始！
Service 作为 K8s 中的一等公民，其承载了核心容器网络的访问管理能力，包括： 暴露/访问一组 Pod 的能力 Pod 访问集群内、集群外服务 集群外客户端访问集群内 Pod 的服务 无论是作为应用的开发者还是使用者，一般都需要先经过 Service 才会访问到真正的目标 Pod。因此熟悉 Service 网络管理机制将会使我们更加深入理解 K8s 的容器编排原理，以期更好的服务各类业务。
数字技术已经成为我们日常生活的一部分，并越来越多地在我们的工作场所和人际关系中扮演中介的角色，甚至取代它们。当代科技发展日新月异,物联网、社交媒体无处不在，人工智能程序通过与人类互动来学习，辅助和陪伴机器人也渐趋普及，电脑游戏不仅具有娱乐性，还可以承载特定目的，如产生社会影响。此外,机器人顾问和数字永生技术等概念也逐渐出现，为人类生活带来全新体验。……这些新兴科技在短期内就能给社会带来深远影响。它们有可能重塑就业格局、颠覆他人声誉、改变城市面貌、重构人际关系网络(不仅是职场,也包括家人朋友等亲密圈子)，甚至让人们在逝世后也能留下数字化的永久印记。科技正以前所未有的方式影响和改变着我们的生活。 与“智能”机器日益增长的互动不仅仅是从工业革命开始的社会转型的又一步。虽然新兴信息技术确实能够解放人类，使他们免于重复性繁琐工作，为他们提供了更多时间去从事创造性和享受性的活动。但这些新兴技术与过去有着本质区别，它们开始触及人类独有的领域，如决策判断、情感体验、人际关系等，这可能会破坏人类的价值体系，并决定我们的社会和生活方式。
Prometheus 受启发于 Google 的 Borgmon 监控系统，从 2012 年开始由前 Google 工程师在 Soundcloud 以开源软件的形式进行研发，并且于 2015 年对外发布早期版本。2016年5月继 Kubernetes 之后成为第二个正式加入 CNCF 基金会的项目，2018年8月9日，云原生计算基金会（CNCF）宣布开放源代码监控工具 Prometheus 已从孵化状态进入毕业状态，标志着 Prometheus 已经具备稳定性和成熟度，而且得到了市场的认可，已经成为了云原生中指标监控的事实标准。目前在 GitHub 已有超过 53.1k star。 然而在实际的使用场景中，我们会经常发现 Prometheus 存在指标值不准的“怪现象”，这么完美的主流监控方案，为何会存在这样的问题，究竟是 Bug 还是 Feature？本文将通过典型案例详细拆解、探讨其背后的设计原理。
本文将从四个维度，深入剖析 Pulsar 在多可用区高可用领域的容灾策略。首先，我们将从整体架构的角度切入，洞察其设计之精髓；其次，我们将探寻 Pulsar 在云原生领域的努力；再者，我们将聚焦 Pulsar 在高可用方面的设计，展现其稳健可靠的特性；最后，我们延申拓展 Pulsar 在跨地区同步方面的未来规划。
每一次技术浪潮来临时，媒体上总是充斥着耸人听闻的悲观论调——新技术将抢走人们的饭碗。讽刺的是，警告人们失业反而给鼓吹者创造了就业机会，他们或是出书演讲，或是视频直播。历史一再证明，技术进步对就业的影响总体是积极的。奥地利学派米塞斯（1952）指出：“省力机器造成技术性失业，不仅被理论检验证明是一个谬论，而且被这个事实所反驳——人类的全部历史恰恰是引进越来越多省力机器的历史。……人们并没有因为发明了一些新机器而被剥夺工作。”诺贝尔经济学奖得主皮萨里德斯（2018）指出：“技术变革都会使就业带来结构性调整，但从来没有导致失业率上升。” 技术变革不利于就业，是普遍的先入之见。因为人们能够直观感受到那些有替代风险的工作，却难以识别尚未出现的岗位。因此，面对汹涌而来的智能化浪潮，许多人感到焦虑和不安。
