带给你“一份应用需求定义，到处交付” 的 云原生应用交付体验 Photo 王国东(骁奕) 技术专家 阿里云 张健川(聪言) 技术专家 阿里云 王国东(骁奕) One Definition, Deliver Anywhere 交付同学的烦恼 !"#$A 我们还是个创业公司运维 经验少，产品所有依赖的中 间件服务资源都想⽤阿⾥公 共云上的 %&#$B 我们⾃⼰的商业经营数据

上分别提供了交易履约、运营、 广告、营销等一系列功能，且经常有外投 H5 的场景（如外卖学院、商家社区、营销 活动等）。在这种多形态的业务场景下，如何保障多端体验的一致性，以及如何提升 多端迭代的效率，一直是商家端产研关注的重点。 1.1.1 保障多端体验一致性 由于端能力的不同，导致了业务在 App 和 Web 上存在较大的表现差异，例如：App 上自带动画转场，而在 Web 中的实现成本却较高，往往也就降级舍弃了这部分功能。 中的实现成本却较高，往往也就降级舍弃了这部分功能。 此外，即使我们可利用公司内部的 Roo、MTDUI 等多端 UI 组件库来尽量抹平各端 的 UI 差异，但由于组件库在各端的实现不尽相同，很难做到完美的一致性体验。 1.1.2 提升多端迭代效率 由于各端技术体系的不同，涉及多端的需求往往需要不同的开发、测试团队各自完成 开发、联调、测试、上线等流程，占用资源巨大，在各团队不可并行支持的情况下， 前端 < 版，旨在进一步实现一份代码、多端 运行的愿景。目前，Flutter Web 已被正式合入 Master，期间经过无数工程师的努 力，Flutter Web 已能提供与 Flutter Natvie 较统一的交互行为和视觉体验。 Flutter Native VS Flutter Web 如上图可知，Flutter Web 与 Flutter Native 的整体架构相似，二者共用 Frame- work 层（绿色部分），提供了包括动画、手势、基础

或有损害的事物。 我们不应该专注于个体的活动，而应该关注系统中的浪费来源以及可以从经验上证明导致开发人员对“生产力” 感知产生影响的条件。新的工具，比如 DX DevEx 360，通过关注开发者体验而不是一些虚假的产出衡量标准解 决了这个问题。然而，许多领导人仍然以模糊的、定性的方式衡量开发者的“生产力”。我们怀疑，这种兴趣的 复苏至少有一部分原因是受到了人工智能辅助软件开发的影响，这不可避免地引发了一个问题：它是否产生了 赖项更新 PR，即使它们在间接依赖项中包含主要版本 更新，也应该自动合并。 6. 针对 FAIR 数据的数据产品思维 试验 数据产品思维重视将数据消费者视为客户，确保他们在数据价值链中的无缝体验。这包括易用的数据发现、理 解、信任、访问和消费。“产品思维”不是一个新概念，过去我们在运维中施用了这一概念，建立了运维产品和 微服务。它伴随着构建长期的跨功能的团队在组织中拥有并分享他们的数据，通过结合数据和产品思维，我们 会改善基于大语言模型的编码助手的输出质量。 13. 追踪健康债务状况 试验 通过将健康度评级与其他服务级目标（SLO）同等对待，并据此确定增强的优先级，而不是仅仅关注跟踪技术 债务，我们不断体验到团队对其生态系统的改进。通过有效分配资源来解决与健康状况相关的最有影响的问题， 团队和组织可以降低长期维护成本，更高效地发展产品。这种方法还能加强技术和非技术利益相关者之间的沟 通，促进对系统

⼦子⽬目录缺乏⽀支持 TS 体验不不同 我们希望引⼊入 TypeScript 原⽣生的体验 TS ├── src │ ├── app.ts │ ├── app.js │ ├── app.d.ts │ └── app.js.map 体验不不同 Egg 解决的是 BFF 场景，⽽而淘宝有不不少全栈场景 js/ts ⽬目录混合 TS 体验不不同 Egg 解决的是 BFF BFF 场景，⽽而淘宝有不不少全栈场景 class ⽤用法，⽆无法多继承 TS 杂糅的 app/ctx 合并机制 体验不不同 Egg 解决的是 BFF 场景，⽽而淘宝有不不少全栈场景 TS 第⼀一代设计 第⼀一代设计 TS 解决复杂度问题 尝试引⼊入 IoC 解决复杂业务的问题 TS 配置 很早就开始使⽤用 ioc 注⼊入的⽅方式，苦于 js ⼀一 直没有很好的实践产品。 α对象 β对象 Ω对象 IoC容器器 TS 解决体验问题 尝试让⽤用户体感⼀一致，不不再考虑写法 服务层写法⼀一致，体验⼀一致 TS 体验上的问题 1、写法上的不不⼀一致 - Class / Function 2、多实现上的不不⼀一致 - ⽆无法⽅方便便的继承 3、代码洁癖上的问题 - 编译⽬目录分离 TS 体验 为了了良好的使⽤用 IoC，我们将整个 Midway 修改为了了

美团点评运营数据产品化应用与实践 154 ...................................................................... 美团服务体验平台对接业务数据的最佳实践-海盗中间件 167 ...................................................................... 美团点评智能支付核心交易系统的可用性实践 线上环境单机消息存储的数据对比： 未来规划 未来规划 技术栈升级 拥抱主流技术栈，降低学习和开发成本，使用开源社区主流技术工具（Spring、Mybatis等），建设 下一代开源产品。 产品体验 对产品、交互进行全新设计，提升用户体验。 开源社区建设 产品官网建设、组织技术交流。 更多语言 SDK 关于开源 关于开源 https://github.com/dianping/cat  自2014年开源以来，Github 点评移动端统一长连工作，欢迎同行进行技术交流。 招聘 招聘 目前我们团队负责美团点评长连基础设施的建设，支持美团酒旅、外卖、到店、打车、金融等几乎公司所 有业务的快速发展。加入我们，你可以亲身体验到千万级在线连接、日吞吐百亿请求的场景，你会直面互 联网高并发、高可用的挑战，有机会接触到 Netty 在长连领域的各个场景。我们诚邀有激情、有想法、 Netty堆外内存泄露排查盛宴 - 美团技术团队

、牵引版本持续演进。 openEuler 已支持 X86、ARM、SW64、RISC-V、LoongArch 多处理器架构，逐步扩展 PowerPC 等更多芯片架构支持， 持续完善多样性算力生态体验。 openEuler 社区面向场景化的 SIG 不断组建，推动 openEuler 应用边界从最初的服务器场景，逐步拓展到云计算、 边缘计算、嵌入式等更多场景。openEuler 正成为覆盖数 面向未来，社区将持续创新、社区共建、繁荣生态，夯实数字基座。 夯实云化基座 • 容器操作系统 KubeOS：云原生场景，实现 OS 容器化部署、运维，提供与业务容器一致的基于 K8S 的管理体验。 • 安全容器方案：iSulad+shimv2+StratoVirt 安全容器方案，相比传统 Docker+Qemu 方案，底噪和启动时间优化 40%。 • 双平面部署工具 eggo：ARM/X86 ARM64、x86_64 内存 为了获得更好的体验，建议不小于 4GB 硬盘 为了获得更好的体验，建议不小于 20GB 若需要在嵌入式环境上安装 openEuler 操作系统，则嵌入式硬件需要满足以下兼容性和最小硬件要求。 嵌入式 部件名称 最小硬件要求 架构 ARM64、ARM32 内存 为了获得更好的体验，建议不小于 512MB 硬盘 为了获得更好的体验，建议不小于 256MB 若需要在边缘设备环境上安装

版本，场景化竞争力特性增强，性能持续提升。 2023 年 9 月 30 日，发布 openEuler 23.09 创新版本，是基于 6.4 内核的创新版本（参见版本生命周期），提供更多新特性和功能， 给开发者和用户带来全新的体验，服务更多的领域和更多的用户。 2023 年 11 月 30 日，发布 openEuler 20.03 LTS SP4 版本，其作为 20.03 LTS 版本的增强扩展版本，面向服务器、云原生、 算和嵌入式场景，持续提供更多新特性和功能扩展，给开发者和用户带来全新的体验，服务更多的领域和更多的用户。 2024 年 5 月 30 日，发布 openEuler 24.03 LTS，基于 6.6 内核的长周期 LTS 版本（参见版本生命周期），面向服务器、云、 边缘计算、AI 和嵌入式场景，提供更多新特性和功能，给开发者和用户带来全新的体验，服务更多的领域和更多的用户。 openEuler 版本管理 、牵引版本持续演进。 openEuler 已支持 x86、Arm、SW64、RISC-V、LoongArch 多处理器架构，逐步扩展 PowerPC 等更多芯片架构支持，持续完 善多样性算力生态体验。 openEuler 社区面向场景化的 SIG 不断组建，推动 openEuler 应用边界从最初的服务器场景，逐步拓展到云计算、边缘计算、 嵌入式等更多场景。openEuler 正成为覆盖数

系统综合考虑各因素进行 订单分组，然后再指派给 合适的骑士 订单云端分组 整体最优分配 调度 系统 4.0 深度学习智能模式 • 出餐时间估算更准，缩短 骑士到店等待时间，节省 运力，提升用户等餐体验 出餐时间预估 深度学习智能 调度 系统 2.0 系统派单模式 • 系统综合考虑配送距离、 骑士运力、期望送达时间 等因素来自动派单 配送距离 期望送达时间 骑士运力 订单相似度 外卖订单智能调度要解决的核心问题 7 调度系统算法 1 2 3 4 5 路线规划 • 动态规划最优配送路线，且合理 并单，以最低的配送成本最大化 满足用户配送体验。 • 考虑用户期望时间的TSP问题 • 构建模型综合评估用户体验与配 送成本打分 • 采用动态规划和模拟退火算法等 算法，求得最优路线 1 8 时间预估 用户下单 开始配送 骑士到店 骑士取餐 到达用户 完成交付 商户接单 过滤数据 抽取基础特征 组合基础特征，构造组合特征 组合基础特征，构造组合特征 统计基础信息，构造统计特征 独热编码，构造稀疏特征 降维 决策模型 11 • 骑士体验 取餐距离、订单数量、订单组数 • 用户体验 订单剩余时间、骑士完成时间、 订单准时性 • 配送效率 等餐时间、空驶距离、空闲骑士、 商圈压力 距离的节省： 订单组与骑士打分： 根据商圈压力调整： 3 分配方案