随着数据中心的飞速发展，高性能网络不断挑战着带宽与时延的极限，网卡带宽从过去的 10 Gb/s 、25 Gb/s 到如今的 100 Gb/s、200 Gb/s 再到下一代的 400Gb/s 网卡，其发展速度已经远大于 CPU 发展的速度。 为了满足高性能网络下的通信需求，阿里云不仅自研了高性能用户态协议栈 （Luna、Solar） ，也大规模使用了 RDMA 技术，以充分利用高性能网络。尤其是在存储和 AI 领域，RDMA 被广泛使用。相比于 Kernel TCP 提供的 Socket 接口，RDMA 的抽象更为复杂，为了更好的使用 RDMA，了解其工作原理和机制是必不可少的。 本文以 NVIDIA （原 Mellanox）的 RDMA 网卡为例，分析其工作原理和软硬件交互的机制。
程序员往往习惯于接到需求立马开始撸代码，原因无非是需求急任务重老板盯得紧。但在实际的开发场景中，我们往往会发现，写完代码，需求变了；人力多了，质量差了；业务代码，写起来没劲…… 在追崇多人协作的现代软件开发体系下，这些问题背后的前置解决方案，其实就是设计和建模。本文将带你深入软件开发的初始，了解写代码前要做的几件事。
本文介绍了HTTPDNS服务从中心迁移至边缘详细的落地过程。主要内容为： HTTPDNS下沉边缘实践遇到的挑战，包括服务放置、流量调度 HTTPDNS下沉边缘解决方案 从性能、成本出发，谈谈HTTPDNS下沉边缘后的收益
本文深入探讨了如何在Embedding空间中运用先进的时序异常检测技术，针对安全、反作弊等业务场景下的流量与用户行为进行精准监控。通过向量化处理和Embedding技术，将多维度的业务数据映射至高维空间，并基于此空间中的样本分布特征进行异常检测。实验验证了该方法在不同异常类型下的有效性，为快速定位和处理异常提供了有力支持。同时，文章还讨论了算法在实际应用中的调整与优化方向，展望了未来在异常检测领域的进一步应用与发展。
大模型浪潮席卷全球，在各行各业中的重要性愈发凸显，呈现出一股不可逆转的发展趋势。这一年本人所在业产技也在这一过程中持续探索和尝试AIGC。本文一方面是对AIGC实践的总结回顾，同时也是本人学习实践AIGC过程中一些笔记、心得分享。因个人能力限制，文章中可能存在一些理解或表述错误的地方，希望各位大佬能及时批评和指正。
Raft算法是一种分布式一致性算法，由Diego Ongaro和John Ousterhout在2013年提出。它主要用于分布式系统中，保证系统中的数据在多个节点间保持一致性。 Raft算法被广泛应用于众多分布式系统中，尤其是在需要强一致性保证的场景中，例如： 分布式存储系统：如ETCD、Consul等键值存储系统，它们利用Raft算法来保证数据的强一致性和高可用性。 分布式数据库：一些分布式数据库管理系统（DBMS），如CockroachDB等。 分布式锁服务：例如Google的Chubby以及微软的Azure Service Bus等。 得物的多个内部中间件也是使用Raft算法作为多分片一致性的保证。 长期以来，大部分开发者都是将Raft作为一个黑盒使用，只知道它能保证多分片的一致性，对其运行原理也停留在纸面。当面临Raft性能调优或者奇怪的Raft问题排障的时候则束手无策。 费曼说过：“What I cannot create, I do not understand。” 我们中国先贤也强调“知行合一，以致良知”。如果我们不能亲手编写一次Raft算法，对这个东西就不能算作理解。
本文首先介绍MySQL 5.7 DDL以及GH-OST的原理，然后从效率、空间占用、锁阻塞、binlog日志产生量、主备延时等方面，对比GH-OST和MySQL5.7 DDL的差异。
AI 编码，曾被认为是这波生成式AI中最先可能落地的场景。但因为不像聊天、搜索、自动驾驶那样“出圈”，AI编码的重要性正在被低估。 目前，有29%的大模型应用场景是让AI来辅助写代码。在一些先驱企业，一线研发人员使用AI编码辅助工具的占比超过了80%，全员配备的情况也并不少见。而在头部模型厂商上百页的技术报告里，“加大训练过程中代码权重”被更频繁地提及，编码能力也成为检验基础大模型能力的关键指标。 所以AI 编码到底发展到了什么阶段？它在企业落地会遇到哪些具体挑战？为什么它依然是投资人最看好的三大场景之一？“人类不再需要学习编程”的预言还有多远？ 我们请到了两位嘉宾来聊一聊这些话题。
我们激动地宣布，Nacos Python SDK——nacos-sdk-python1.0.0 稳定版正式发布啦！Nacos 从 0.8.0 版本开始就一直参与 Python 生态建设，努力作为 Python 生态中分布式微服务发现和配置管理的解决方案一直往前演进。目前随着 AI 领域的发展，Nacos 社区的 Python 开发者用户越来越多，因此这次我们迭代了 Python 的 GA 稳定版本，对不少历史问题做了修复以及易用性层面的各项兼容优化，帮助大家可以更好的在大模型时代落地自己的业务场景。
