本文介绍了两种攻击者无需直接接触服务端即可攻击和影响用户行为的安全漏洞 —— Web缓存污染与请求走私。Web缓存污染旨在通过攻击者向缓存服务器投递恶意缓存内容，使得用户返回响应结果而触发安全风险。HTTP请求走私旨在基于前置服务器（CDN、反向代理等）与后置服务器对用户请求体的长度判断标准不一致的特性，构造能够被同一TCP连接中其它用户夹带部分恶意内容的攻击请求，从而篡改了受害者的请求与响应行为。两种漏洞均需要通过针对中间件的合理配置与业务接口的合理设计进行排查和防御。
在OKR落地的过程中，也许你的团队会遇到这样的困扰： OKR容易跟丢，时间一长就没人问了； 没有跟踪过程，信息不透明，团队内彼此不知道OKR的进展； OKR的形式重，任务多，是工作外额外的负担，大家"谈OKR色变"； 执行过程混乱，东一榔头西一棒槌，大家很心累。
“言治骨角者，既切之而复磋之；治玉石者，既琢之而复磨之，治之已精，而益求其精也。”古之骨器切后需反复磋之，玉器雕琢后仍需反复打磨，团队在引入OKR、制定OKR、执行OKR中，仍需持续优化，以求精益求精。
本文是《OKR 之剑》系列之实战第 5 篇。 我们的OKR执行如此顺利，离不开我们的“双轮驱动”。类似于亚马逊的“飞轮效应”，我们以氛围和业绩双轮来保障团队稳步发展。其中，氛围轮保证产出质量、数量，调动大家的积极性，驱动人，输出价值；业绩轮则保证业务持续、长久，做大蛋糕，拓展边界、防止内卷，驱动事，良性发展。本文，我们以氛围业绩双轮驱动为起点，带领大家了解一下我们是如何“以OKR之名行管理之实的”。
在软件开发过程中，团队协作效率的提高是我们共同关注的问题。为了解决这一问题，许多团队都开始使用智能化工具。Design2Code（简称D2C）工具是其中一种广受欢迎的选择。 在本文中，我们将分享D2C工具的核心算法方案设计和实现过程，以及一系列的解决方案。无论你是开发人员，还是设计师，本文都将为你提供有价值的信息。我们希望，通过阅读本文，能帮助你更好地了解D2C工具，并在实际工作中发挥出最大的价值。
在容器化部署成为主流的现在，降低集群中单个容器的资源需求的意义已经不只限于更少的硬件成本，同时也意味着整个集群更加轻量化，这通常会带来一系列其他优势：例如更短的恢复时间，更精确的资源控制和调度，和更快速的伸缩和部署等。但在另一方面，一味的追求压缩容器配置必然会严重影响应用在稳定性、响应耗时和吞吐量等方面的表现，所以轻量化的措施需要在多个性能维度上进行仔细的权衡取舍，以达到一个总体更优的结果。 作为携程计算量最大的接口之一，酒店查询服务一直承担着沉重的硬件成本压力，仅仅详情页集群就包含了千余台服务器实例和数十TB的Redis资源，因此对应用进行全面的轻量化有着很高的必要性和预期收益。在内存方向上，我们的主要目标是将单个容器的内存从32GB压缩到16GB，并在以下两个基本方向上进行了探索： 减少内存增长速度：压缩本地缓存，减少浮动内存的产生，并对线程，类库，参数和代码逻辑进行针对性的优化和调整。 提升内存管理效率：加强JVM等服务依赖的基础组件其本身的性能。 由于第一个方向需要根据应用的具体代码实现来分析和排查，普适性相对较差
闲鱼从2014年创立，到2022年已经走过了8个年头，闲鱼APP也随之逐渐复杂。在这其中，我们也面临着大型APP共性的一些通病，例如：团队规模变大带来的研发效能瓶颈的问题，大量历史代码带来的代码腐化问题等。从解决实际问题出发，闲鱼终端团队和质量团队一起协作在2022财年进行了CI能力体系化建设，并已经通过在单测，代码质量，自动化测试&回归等方面的建设，形成了一整套的能力沉淀。通过这些能力，我们成功在闲鱼终端研发场景下实现了代码质量的稳步的提升，并在部分仓库现了向类主干开发模式的切换。本文将分享整个能力建设的过程以及我们在其中的思考，希望能给大家带去一些借鉴。
2020年底iOS推出了新版widget之后引起了一些声浪，但仍然很多苹果用户并不了解widget，市场上也没有取得较大市场规模的widget案例。 2021年安卓厂商在用户体验战役上纷纷布局widget，华为、小米、OPPO、VIVO 分别做了操作系统级别的大幅升级并做了相关发布会。 2022年安卓厂商希望通过widget的体验来提供终端的独特价值，与苹果不同的是厂商提供了可以在端内调用、反向添加的能力，以促使开发者一起完善、建立生态。
随着CV算法在业务场景中使用越来越多，给我们带来了新的挑战，需要提升Python推理服务的性能以降低生产环境成本。为此我们深入去研究Python GPU推理服务的工作原理，推理模型优化的方法。最终通过两项关键的技术: 1.Python的GPU与CPU进程分离，2.使用TensorRT对模型进行加速，使得线上大部分模型服务QPS提升5-10倍左右，大量节约了线上GPU推理服务的成本。 针对上面的两项关键技术，我们还自研了相关框架与工具进行沉淀。包括基于Python的CPU与GPU进程自动隔离的推理服务框架，以及对推理模型进行转TensorRT优化的调试工具。 此外针对不同的推理服务性能瓶颈，我们还梳理了各种实战优化技巧，比如CPU与GPU分离，TensorRT开启半精度优化，同模型混合部署，GPU数据传输与推理并行等。 下面从理论，框架与工具，实战优化技巧三个方面介绍下推理服务性能优化的方法。
