不少人曾问于某，到底是 dubbogo 还是 dubbo-go 才是正确拼写，个人通常的回答是，两个都对。 于雨 2016 年 3 月在位于上海张江的 张衡路与华佗路 交叉口的 盛大研发中心 工作时，公司大部分项目使用了 Java 技术栈，其中相当数量的服务使用了已经无人维护的 Dubbo v2.5.4-snapshot。公司老板陈大年【内部称呼 年总】觉得云原生时代来了，让大家用 Go 语言改造公司的 Java 项目。于是公司新项目纷纷使用 Go 进行构建，但面临一个很重要的问题：Go 语言服务与 Java 服务之间如何进行通信？
近年来，Rust 语言以内存安全、高可靠性、零抽象等能力获得大量开发者关注，而这些特性恰好是内核编程中所需要的，所以我们看下如何用rust来写Linux内核模块。
Apache APISIX 在这两年已经受到了国内很多知名企业的信赖，并纷纷开始在实际生产环境中应用 APISIX。在这个过程中也包揽了很多不同行业的企业用户，比如金融行业的众安保险和安信证券，国产头部车企的吉利和小鹏汽车。其实在国产手机领域中，也有一些头部企业用户在使用，比如 vivo。 vivo 是从去年年中开始在业务生产中正式使用 APISIX 来替换之前传统的 NGINX。目前 APISIX 在 vivo 业务架构的实践和场景支持上都表现得十分出色： 高可用性：上线至今没有出现重大故障，系统可用性超过 99.99%； 高性能：承载较大线上流量，服务于较多业务。线上目前转发流量接近百万级 QPS，目前仍处于持续增长的过程中； 功能丰富：基本覆盖了常见的 NGINX 代理场景，50% 的业务已经迁移到 APISIX 集群； 支撑了云原生的建设和发展：有效支撑和推动了公司容器化进展，支撑容器平台的物理机器已有万级规模，40% 的业务已经从物理机虚拟机迁移到容器平台。
本文是《OKR 之剑》系列之理念第 3 篇。 很多公司引入OKR无疾而终，归其原因，我们认为主要是理解出现了偏差。没有理解其理念倡导的东西，只是把OKR当工具或者给OKR套上KPI的枷锁，OKR执行就不可能顺利。本文，就我们对于OKR理念的理解和分析，和市面上一些变味的OKR实操，和大家探讨一下OKR理念，并初步介绍一下我们通过氛围来宣扬OKR理念的主要思路。
本文是《OKR 之剑》系列之理念第 4 篇。 如果大家在理念上已经达成一致，准备开始施行OKR。可能会面临工具选择及运作形式确立的问题。为帮助大家选择合适的工具，确立适当的运作方式，本文以我们实际工作中的经验为基础，向大家介绍如何以最小的负担引入OKR并使其能循序渐进的被执行。
数据库运维面临着大规模数据库实例难以有效运维、数据库难以做好资源弹性伸缩以及个人隐私数据安全难以保障这三个方面的挑战。对此，vivo给出了自身的应对方案。 首先，vivo自研了数据库运维平台DaaS来支撑数据库运维工作。在规模覆盖、效率提升、故障告警处理等层面均衡发力，保障了数据的稳定性，以工单自助，故障自愈为核心，实现了数据库的高效运维。 其次，在数据库资源弹性管理层面，vivo重视资源成本优化。围绕资源分配、资源弹性伸缩、资源隔离分别给出了智能化解决方案，并通过套餐自动优化，进一步降低了管理成本。 最后，基于个人隐私数据，平台也提供了对业务几乎无影响的MySQL的透明加密方案，来减轻因为隐私数据加密带来的研发和运维工作量。
混排层负责将多个异构队列的结果如广告、游戏、自然量等进行融合，需要在上下游和业务多重限制下取得最优解，相对复杂和难以控制。本文主要从业务、模型等角度介绍了vivo广告策略团队在信息流和应用商店混排上的一些探索和思考。
去哪儿旅行APP作为我们用户流量的主要入口，其运行性能和用户体验的好坏，直接影响着用户操作的费力度，最终可能影响收益。 因此我们一直很关注 App 上的用户体验，提高 App 性能，使得用户在访问页面时，更流畅，更稳定，更便捷，从而提高业务转化率。 用户体验优化，首先要解决定义测量的问题。使用科学的衡量手段，评价 App 性能现状，以数据为导向，分析提升空间、并使用合理的技术方案进行改善。 起初，这种测量体系由多个团队各自维护，形式多样，也没有统一的评价标准，且不具有可持续性。因此，需要建立一个统一、客观、可靠、并且可持续的可视化测量平台来解决前面的问题，于是 QDD（Qunar Develop Digital）数字化平台应运而生，QDD 平台中的用户体验模型由：流畅度、稳定性、能耗等多个指标来组成，并针对去哪儿旅行 APP 内各个页面按照这些指标进行测量。（《用户体验数字化平台落地》可了解QDD的详情介绍） 基于 QDD 测量结果，我们发现与用户预订相关的核心页面在流畅度、稳定性、能耗等方面均有提升空间，于是开启了 App 的优化之路。 本文主要从核心的流畅度指标来展开，把我们的优化
作为云平台用户，我们都希望购买的服务器物尽其用，能够达到最大利用率。然而要达到理论上的节点负载目标是很难的，计算节点总是存在一些装箱碎片和低负载导致的闲置资源。下图展示了某个生产系统的 CPU 资源现状，从图中可以看出，浪费主要来自以下几个方面： 业务需求与节点可调度资源很难完全匹配，因此在每个节点上都可能剩余一些碎片资源无法被分配出去。 业务通常为了绝对稳定，会申请超出自身需求的资源，这会导致业务锁定了资源但事实上未能有效利用。 资源用量存在波峰波谷，很多在线业务都是有着规律性的服务高峰和低峰的，如通常白天负载较高，资源用量较大，而夜间在线访问降低，资源用量也会跌入低谷。
