go语⾔言并发编程实践 以360消息推送系统为例 如何应对的？ go语⾔言在基础服务开发领域的优势？ 我遭遇了哪些挑战？ ⺫⽬目录 具有go特⾊色的运维 在⾼高并发，通信交互复杂，重业务逻辑的分布式系统中， Go语⾔言优势体现在：开发体验好 、⼀一定量级下服务稳定 、性能满⾜足 需要 ⼀一定量级下服务稳定： 50+内部产品，万款开发平台app 线上单机最⾼高160w⻓长连接 （24核 E5-2630 @ 2.30GHz 64G内存 ） qps在2~5w（取决于协议版本，业务逻辑，接⼊入端⺴⽹网络状况） 测试环境，可以通过300w⻓长连接压测（⺴⽹网络,连接稳定,⽆无带宽限制,实际可以更⾼高 ,决定于⼲⼴广播时候业务内存开销的cpu消耗带来的⼼心跳或者业务延时能否接受） 以360消息推送系统为例 ⾼高并发、通信交互复杂 � �/ ����/ ���� Admin���� ���������� �������� ������� ���push������ ������ 消息系统规模架构：重业务逻辑 ⾼高并发、通信交互复杂 Dispatcher Service Room Service Proxy Service Register Service Saver Service

Right Reserved 什么是RTB与DSP 专业DSP解决⽅方案 © ⼲⼴广州舜⻜飞信息科技有限公司 All Right ReservedAll Right Reserved • ⾼高并发量请求处理（峰值QPS 20万） • 每天上百亿竞价请求 • 每个竞价请求要在100毫秒内响应（包含⺴⽹网络延迟） • 复杂的出价算法与逻辑 DSP竞价系统的挑战 专业DSP解决⽅方案 ReservedAll Right Reserved • 内存占⽤用过⼤大时，可以切分为多个实例，减少单个实例 的内存占⽤用，减少BgSave和重启时Load数据的时间 • ⼀一致性要求不是⾮非常⾼高的业务，可以把⾃自动的BgSave 关闭，在凌晨或者空闲时候⼿手动调⽤用BgSave Redis运维 专业DSP解决⽅方案 © ⼲⼴广州舜⻜飞信息科技有限公司 All Right ReservedAll ⼲⼴广州舜⻜飞信息科技有限公司 All Right ReservedAll Right Reserved • 数据存在Redis中 • 占⽤用内存⼤大，达到2T内存 • 内存成本⾼高 • Redis没有集群，维护成本⾼高（嗯，当时是还没的） CookieMapping 第⼀一版 专业DSP解决⽅方案 © ⼲⼴广州舜⻜飞信息科技有限公司 All Right ReservedAll Right

的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。 複雜度是個數學概念，對於初學者可能比較抽象，學習難度相對較高。從這個角度看，複雜度分析可能不太 適合作為最先介紹的內容。然而，當我們討論某個資料結構或演算法的特點時，難以避免要分析其執行速度 和空間使用情況。 綜上所述，建議你在深入學習資料結構與演算法之 所不同。 表 2‑1 迭代與遞迴特點對比 第 2 章 複雜度分析 www.hello‑algo.com 27 迭代 遞迴 實現方 式 迴圈結構 函式呼叫自身 時間效 率 效率通常較高，無函式呼叫開銷 每次函式呼叫都會產生開銷 記憶體 使用 通常使用固定大小的記憶體空間 累積函式呼叫可能使用大量的堆疊幀空間 適用問 題 適用於簡單迴圈任務，程式碼直觀、可讀 性好 適

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() 在运行过程中会同时存在 ? 个未返回的 recur() ，从而占用 ?(?) 的栈帧空间。 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() 在运行过程中会同时存在 ? 个未返回的 recur() ，从而占用 ?(?) 的栈帧空间。 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

打造用户自助服务的监控平台 Ø 适应内部的三级网络架构 背景 云管区 公共服务区 可用区 目录 Ø 团队介绍 Ø 背景 Ø 系统定位 Ø argus是什么 Ø 为什么选用Go Ø argus的前身 Ø argus的现状 Ø argus的未来 系统定位 Ø 保证基础监控，提供监控通道 Ø 要求高可用、高可扩展 Ø 分离用户、平台管理员 角色 Ø 建设用户自助平台（看性能、配告警、收告警） Ø 背景 Ø 系统定位 Ø argus是什么 Ø 为什么选用Go Ø argus的前身 Ø argus的现状 Ø argus的未来 为什么选用Go Ø 自带goroutine，容易实现高并发程序 Ø 标准库功能键全 Ø 方便引用第三次库 Ø 为工程化设计的语言 Ø Interface的设计 Ø 自带profile工具 Ø 自带单元测试框架 目录 Ø 团队介绍 Ø 背景 gitlab 问题&目标 Ø 问题 Ø 没有异地容灾 Ø 跨区域上报数据，会产生大量专线流量 Ø 隔离性不好 Ø 目标 Ø 异地容灾、高可用 Ø 节省专线带宽 Ø 支持三级网络架构 Ø 支持按照租户进行隔离 Ø 运维入口统一 argus的架构 可用区 云管区（主备） 公共服务区 云管区（深圳、上海、廊坊） agent gateway proxy transfer meta

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。对 于此类情况，我们时常难以仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分 析仍然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() 在运行过程中会同时存在 ? 个未返回的 recur() ，从而占用 ?(?) 的栈帧空间。 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

作的数量的统计”，这样以来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur(n int) { if n == 1 { return } recur(n - 1) } 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

我们按照说明书一步步操作，就能组装出精美的积木模型。 1. 初识算法 hello‑algo.com 11 Figure 1‑5. 拼装积木 两者的详细对应关系如下表所示。 数据结构与算法 LEGO 乐高 输入数据 未拼装的积木 数据结构 积木组织形式，包括形状、大小、连接方式等 算法 把积木拼成目标形态的一系列操作步骤 输出数据 积木模型 值得注意的是，数据结构与算法独立于编程语言。正因如此，本书得以提供多种编程语言的实现。 而数据结构是计算机中组织和存储数据的 方式。 1. 初识算法 hello‑algo.com 12 ‧ 数据结构与算法紧密相连。数据结构是算法的基石，而算法则是发挥数据结构作用的舞台。 ‧ 乐高积木对应于数据，积木形状和连接方式代表数据结构，拼装积木的步骤则对应算法。 13 2. 复杂度 2.1. 算法效率评估 2.1.1. 算法评价维度 从总体上看，算法设计追求以下两个层面的目标： 的运行时间的统计”简化为“计算操作的数量的统计”，这样的简化方法大大降低了估算难度。 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很大。同 样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在这些情况下， 我们很难仅凭时间复杂度判断算法效率高低。当然，尽管存在上述问题，复杂度分析仍然是评判算法效率最 有效且常用的方法。 2