UI自动化测试能够在一定程度上确保产品质量，尤其在降本提效的大背景下，其重要性愈发凸显。理想情况下，UI自动化测试不仅能够能帮我们规避不少线上问题，又能加快产品上线速度。然而现实却往往相去甚远，在多数情况下，编写测试脚本的工作量很大，且由于应用程序的频繁迭代，这些脚本很快就会过时。此外，网络数据的多变也常常导致测试结果不稳定，从而影响测试的可信度。 基于这些挑战，我们开发了一套UI自动化测试平台- AutoMotion，旨在降低UI自动化测试的使用门槛、提升易用性。该平台不但能便捷地生成用例，且借助最新的大型语言模型，该平台也具备了用例自愈能力，能够智能适应界面的合理变动，并自动修正测试脚本；同时，通过构造数据沙箱来隔离和控制测试数据，使平台能够确保测试的一致性和可重复性。 本文将对AutoMotion平台的设计理念、核心功能以及实现原理进行介绍，希望能与大家一同交流进步。
在广告检索系统中，增量索引（实时索引）是一类常见的技术，用于使广告信息的变更及时生效。其中一种主要的思路即由检索系统消费广告更新数据流，实时更新内存索引，对此行业中已有很多优秀方案实现。然而，对与如何构建出“广告更新数据”，却鲜有提及。 本文将针对如何构建出完整、可靠、可维护的“广告更新数据流”进行展开叙述。
自从我站从2020年逐步灰度自研P2P开始, 在直播下行带宽方面取得巨大的成功,带宽成本每年节省数亿。与此同时, 由于直播下行同时存在FLV和HLS两种直播协议,在回源带宽上也产生了双份费用,在2022年整个行业也处在下行阶段,为了进一步降本增效, 我们从回源成本出发,设计了一套新的流媒体协议,以应对当前多种下行协议分发的难题。
随着微服务和容器化技术的迅速发展，传统的基于SDK和服务框架的微服务架构在面对多元化的技术和逐步增多的服务数量时弊端逐渐显现，为了解决这些问题，service mesh作为新一代的微服务框架逐渐展露头角。这种架构模式可以将其视为微服务时代的TCP/IP协议，通过将网络通信层下沉，来屏蔽分布式系统带来的复杂性。因此各大厂纷纷向这种微服务架构模式升级，用该种模式解决东西向流量（server-server）和南北向流量（client-server）问题，期望可以让开发者回归业务，更聚焦业务。但在软件开发中并没有银弹，从传统微服务模式升级到service mesh架构模式可谓困难重重。鉴于以上问题，结合集团现状，集团针对RPC流量的服务治理体系已经很成熟，但是缺少针对HTTP流量的统一治理体系，同时集团针对南北向流量处理的微服务治理框架也已经很成熟，因此团队直接聚焦于使用该种架构模式解决HTTP东西向流量的治理问题。考虑到实现成本与推广难度问题，在实现过程中团队并不想要重复造轮子，因此期望能够在兼容现有的架构情况下实现MESH化，同时，致力于在对业务零侵入的情况下，丰富现有的服务治理能力
2017年，《Attention Is All You Need》的一声惊雷，给世人带来了Transformer模型。2022年，以Transformer结构为核心的chatGPT，凭借其震惊世界的表现，掀起了“AI元年" 的序幕：从此，各方纷纷投入大模型领域，前赴后继，热情高涨。然而，随之而来地，大模型在软硬件基础设施、算法及数据集等多方面的挑战和困难也逐步显现；今天我们将从AI-Infra角度出发，带大家了解目前大模型在算力、存储、通信等多方面上硬件资源的挑战和瓶颈，并且提供相关指标的量化手段和选型指导。
商业侧的业务比较复杂，B端项目中含有大量常量类的类型判断，且因历史原因，很多常量值前端无法直接知其含义，这既不利于新人的上手，也不利于项目的维护。 在开发协作上，前后端的API沟通，大都通过配置swagger api来进行，要不就是口口相传或者通过写info文档来定义结构、入参及出参，这种协作方式不仅沟通成本高，且前端缺少能主动感知后端API变更的手段。 同时，为了提高项目的可维护性，组内推动前端项目TS工程化，在改造过程中，也会因为业务迭代，需要创建新的项目，而新项目TS工程化的过程，不仅需要自定义大量的类型，也需要定义后端API类型参数，如果全部通过手动敲，代价太大，不仅很容易出错，也会影响业务的开发效率。 因此，为了提升开发协作效率，增加前端主动感知API的能力，提升项目的可维护性和开发效率，开发实现了TS自动化生成工具。
色彩空间（Color Space）是一种数学模型，用于描述和表示颜色的方式。不同的色彩空间有不同的用途和特点，可以用于不同的应用，如图像处理、计算机图形、印刷、摄影等领域。它一般用于描述设备的色彩能力，或者视频、图片的色彩范围。比如现在大部分人用的手机的屏幕，色彩空间大多为sRGB或者DCI-P3；网页上常见的图片或者视频内容，大多属于sRGB色彩空间；B站客户端播放的HDR视频，则处于BT.2020色彩空间。 目前B站UP主投稿视频是千变万化的，它们包含各种不同的色彩参数, 比如不同的色深，不同的色度采样坐标，不同的色彩空间，不同的亮度传递函数等等（如下图），而且每个用户观看这些视频的终端也不一样，这样就产生了各种各样的兼容性问题——很多时候用户的设备并不能完全正确显示UP主投稿的“原片”，而且老旧的设备或者浏览器也并不支持广色域或者HDR视频。为了考虑终端设备的兼容性和B站服务的完整性，我们会对用户投稿的不同色彩空间的视频进行统一处理。但是如何将各种不同色彩参数的视频进行准确地统一处理，同时又能保证视频的处理速度，这对于我们来说是一个巨大的挑战。
为了给用户提供更清晰的画质体验，B站自研的超分辨率算法已经在站内广泛应用，支持了如《赛马娘》、《流浪地球2》、《权力的游戏》、英雄联盟S赛赛事直播等知名番剧、电影电视剧以及重要游戏赛事直播的 4K 视频流生产。
想要开发一个具有视频合成功能的应用，从原理层面和应用层面都有一定的复杂度。原理上，视频合成需要应用使用各种算法对音视频数据进行编解码，并处理各类不同音视频格式的封装；应用上，视频合成流程较长，需要对多个输入文件进行并行处理，以实现视频滤镜、剪辑、拼接等功能，使用应用场景变得复杂。 视频合成应用的代表是各类视频剪辑软件，过去主要以原生应用的形式存在。近年来随着浏览器的接口和能力的不断开放，逐渐也有了Web端视频合成能力的解决思路和方案。 本文介绍的是一种基于FFmpeg + WebAssembly开发的视频合成能力，与社区既有的方案相比，此方案通过JSON来描述视频合成过程，可提高业务侧使用的便利性和灵活性，对应更多视频合成业务场景。 2023年上半年，基于AI进行内容创作的AIGC趋势来袭。笔者所在的团队负责B站的创作、投稿等业务，也在此期间参与了相关的AIGC创作工具类项目，并负责项目中的Web前端视频合成能力的开发。
随着图形图像渲染技术的快速发展，如何在移动端呈现出高质量的数字人渲染效果，是实时渲染领域最主流的技术研究方向之一。对于B站移动端App而言，如果使用主流的实时渲染引擎如Unreal/Unity等，都会带来100-130M左右的安装包体积增量，进而增加应用安装和版本更新的成本。 针对该问题，我们选择了更为灵活轻量的WebGL渲染方案，将包体增量大幅降低至1M以内，同时借助Web天然的开箱即用特性，加速了业务需求在移动端落地的整体节奏。经过对Web渲染能力的行业调研，我们最终从众多的Web3D渲染引擎中选择了Three.JS。Three.JS作为一款轻量级的JavaScript 3D渲染库，具备强大的图形能力和广泛的社区支持，在数字人渲染方向能够给予我们一定的基础能力支持。 但如果只是使用Three.JS自带的PBR（Physically-Based Rendering）渲染，在偏CG和写实方向的数字人渲染效果上，很难达到令人满意的品质感。为了能够进一步还原商业实时渲染引擎Unreal的人物效果，同时兼顾好WebGL在移动设备上的性能和发热问题，我们在人物皮肤，瞳孔，抗锯齿，半透明等方
