目前,携程大部分业务已经完成了微服务改造,基本架构如图。每一个微服务的实例都需要和注册中心进行通讯:服务端实例向注册中心注册自己的服务地址,客户端实例通过向注册中心查询得知服务端地址,从而完成远程调用。同时,客户端会订阅自己关心的服务端地址,当服务端发生变更时,客户端会收到变更消息,触发自己重新查询服务端地址。
Apache Spark是一个优秀的计算引擎,广泛应用于数据工程、机器学习等领域。向量化执行技术在不升级硬件的情况下,既可获得资源节省,又能加速作业执行。Gluten+Velox解决方案为Spark换上了向量化执行引擎,本文将阐述美团在这一方向的实践和思考。
《Google 软件工程》中有一句话:“代码是负债,而不是资产”。这里实际上有一个限定,在软件工程领域,代码的构建是要花费时间和人力成本的,代码本身没有价值,真正有价值的是代码所要解决的产品问题,这才是给用户和公司带来价值的东西。同样,读过 UMLChina《软件方法》的同学应该还记得里面有一个公式:利润=需求-设计,需求致力于解决提升销售的问题,设计致力于解决降低成本的问题,而我们的目标就是用更少的代码(成本)完成更多的需求(价值),提高组织的收益。 减少负债的手段很多,今天我们也并不是来讨论编码的艺术,我们的时间、精力有限,每天产出代码也是有限的,那如何让我们的代码所解决的产品问题最大化就显得至关重要,用我们的武功去最大化获得战功。假如需求是错的,那么哪怕为这个需求写一行代码都是浪费! 读到这里相信你也明白了,其实讲“做有价值的需求”就是讲如何做好四大工作流中业务建模和需求。以下内容是 UMLChina 相关课程结合刷脸就餐案例撰写,如有错误欢迎指正。
公众号之前翻译了一篇 Sysdig 的文章,Kubernetes 容量规划:如何合理设置集群资源介绍了如何设置合理的资源参数。虽然按照那篇文章设置可以有一定的帮助,但仍然可能存在风险。本文将详细说明这些风险,并介绍如何通过北极星指标对 POD 的规格进行调整,以达到时延和资源的完美平衡。
近日,数据库和数据工程领域的顶级学术会议之一 ICDE(IEEE International Conference on Data Engineering)在荷兰乌得勒支举行,字节跳动基础架构团队的论文《Resource Allocation with Service Affinity in Large-Scale Cloud Environments》成功入选。
微信考虑到小程序的体验和性能问题限制主包不能超过2M。哈啰微信小程序也随着业务线在主包中由简到复杂,体积越来越大,前期业务野蛮增长阶段npm库缺乏统一管理,第三方组件库本身工程复杂等问题导致包体积长期处于2M临界卡点,目前存在以下痛点: 阻塞各业务正常微信小程序端需求排期。 迭代需求需要人肉搜索包体积的增长点,推动增长业务线去优化对应的包体积,治标不治本。 缺乏微信端包体积统一管理平台来限制各业务包体积增长。 微信包体积太大导致加载时间长、体验差。 所以主要从包体积优化和长期控制包体积增长两个方面让微信包体积达到平衡状态,长期运行。
阿里拍卖是阿里巴巴旗下拍卖平台,覆盖房产、机动车、土地、债权等类目。召回策略作为推荐场景的第一环,决定了整个推荐系统的上限,目前包含了包括向量召回、I2I、LBS2I、C2I等多路召回。召回的核心目标是尽可能的返回用户所有可能会感兴趣的商品,给到后续粗排、精排、重排环节,最终曝光给用户。 与淘宝APP的普通商品不同,大资产商品有其独有的特点。唯一性:每件商品都是唯一的、单库存的,世界上没有两套一模一样的房子,导致对于单商品的学习难度较大;周期性:资产的预展周期通常为一个月左右,从资产上拍预展到结拍下架,时间很短,模型可能刚学习完这个商品,商品就要下架了;高价性:房子价格动辄几百上千万,土地价格动辄上亿,对于目标人群的筛选难度较高。 本文旨在分享多兴趣向量召回MIND和深度I2I召回模型PDN在阿里拍卖资产推荐场景的实践经验。内容包括模型的介绍,大资产场景的针对性优化,以及最终的效果分析,希望能对大家有所帮助和启发。