## Apache RocketMQ 事务消息 王强 (辽天) 阿里巴巴 中间件技术专家 ## QCon 全球软件开发大会 北京·2019 更多技术干货分享，北京站精彩继续 提前参与，还能享受更多优惠 识别二维码 查看了解更多 2019.qconbeijing.com  - 高性能，分布式 · 高并发 消息堆积 • Apache顶级项目 info ## TABLE OF CONTENTS 大纲 • Apache RocketMQ 简介 • Apache RocketMQ 存储设计 • 事务消息的演进与Apache RocketMQ的实现 • Cloud Native时代下消息系统的挑战 ## 存储文件 ![Image](/uploads/documents/9/6/a/9/96a9be3b5555064ad55c206c1cd53fac/p11_1

## 使用gRPC go实现 基于Topic的高效消息订阅发布模型  姓名：___ 张凯 中国电子云  gRPC go 介绍 01 gRPC 四种通信模式及落地场景 02 根据 proto 生成 go 桩代码 03 订阅者动态注册 04 发布者消息推送 05 现场案例演示 06 ## gRPC go介绍 ## gRPC是什么？ 1. 什么是gRPC？gRPC go与gRPC的关系是什么？ 2. gRPC与HTTP相比优势是什么？能否使用HTTP平替gRPC的实现？ {} } // 定义一个Response Person的消息类型 message Person { required string name = 1; required int32 id = 2; optional string email = 3; } // 定义一个Request GetPersonRequest的消息类型 message GetPersonRequest

## 电商消息系统架构演进 李历岷 阿里巴巴-淘宝高级技术专家 ## SPEAKER INTRODUCE ## 李历岷 淘宝高级技术专家 ## - 当前： 电商消息核心系统架构以及Team Leader ## 阿里： • 主导电商内容平台架构以及构建招选搭投一体化内容导购 - 阿里巴巴第四届中间件ServiceMesh性能挑战赛冠军 - 基于Facebook–GraphQL规范打造数据聚合产品TQL TABLE OF CONTENTS 大纲 电商消息业务场景 电商消息系统架构 电商消息核心技术和挑战 电商消息全链路稳定性保障 电商消息系统未来展望 • Q&A  ## 电商消息业务场景 场景：社交互动、生意沟通、交易提醒、优惠通知、品牌资讯 95公益周，以你之名助力公益！ ## 电商消息业务场景 社交互动 淘友 电商 客服交易 亲情关系 线下导购 游戏互动 专属客服 轻店铺 业务特点 业务形态 · 多端同步 · 多样场景 业务定制 临时沟通 ## 业务场景 帮买/代付 分享回流 游戏邀请 小二咨询 达人沟通 场景多 单聊 私密群 淘友群 家庭群 小黑群 淘 战队群 规模大 群聊 公共群 淘客群

## 全民双十一 基于容器服务的大促备战  李斌 阿里云容器服务  ## 我是谁

# Java 应用与开发 异常处理 王晓东 wangxiaodong@ouc.edu.cn 中国海洋大学 October 30, 2018  ![Image](/uploads/documents/7/b/6/e/7b6e89c6 异常的概念和分类 2. 深入理解 Java 异常处理机制 异常的概念及分类 ## 大纲 异常的概念及分类 Java 异常处理机制 ## C++ 中的异常处理 ## 《The C++ Programming Language》 一个库的作者可以检测出发生了运行时错误，但一般不知道怎样去处理它们（因为和用户具体的应用有关）； 另一方面，库的用户知道怎样处理这些错误，但却无法检查它们何时发生（如果能 检测，就可以再用户的代码里处理了，不用留给库去发现）。 ## 提供异常处理机制的基本思想 让一个函数在发现了自己无法处理的错误时抛出（throw）一个异常，然后它的（直接或者间接）调用者能够处理这个问题。 ## 《C++ primer》 将问题检测和问题处理相分离。 (Exceptions let us separate problem detection from problem resolution

# 基于amqp实现的golang消息队列 MaxQ 2017-07-01 张培培 饿了么－基础框架组 ## 内容 1. 队列 2. IPC消息队列 3. AMQP协议 4. MaxQ架构模型 5. MaxQ相关特性 6. 使用场景和案例 ### 1. 队列  跟消息队列相比，有哪些共性？ • 生产者消费者 • 通信方式 • 存储方式 • 堆积能力 消息可靠性 • 生产消费关系 • Pull/Push ### 2. IPC消息队列  跟消息队列相比，有哪些共性？ ### 集群中各Node通过grpc通信，publish、delivery、ack转发，HA消息同步 3. zookeeper存储元数据保证元数据一致性，Master queue选举 4. 集群管理维护所有 MaxQ 集群 ### 5. MaxQ相关特性 1. 消息可靠性 2. 容错性 3. 扩展性 4. 高并发 ## 消息可靠性 ![Image](/uploads/documents/6/b/0/

2023年12月发布 设计：张琪 ## LLM 技术报告 大语言模型（LLM）技术作为人工智能领域的一项重要创新在今年引起了广泛的关注。 LLM 是利用深度学习和大数据训练的人工智能系统，专门设计来理解、生成和回应自然语言。这些模型通过分析大量的文本数据来学习语言的结构和用法，从而能够执行各种语言相关任务。以 GPT 系列为代表，LLM 以其在自然语言处理领域的卓越表现，成为推动语言理解、生成和应用的引擎。 。 LLM 在多个领域都取得了令人瞩目的成就。在自然语言处理领域，GPT 系列模型在文本生成、问答系统和对话生成等任务中展现出色的性能。在知识图谱构建、智能助手开发等方面，LLM 技术也发挥了关键作用。此外，它还在代码生成、文本摘要、翻译等任务中展现了强大的通用性。 本报告从技术人视角出发，将深入探讨 LLM 技术的背景、基础设施、应用现状，以及相关的工具和平台。  ➢ 大模型训练平台与工具 ## LLM Agent

Oracle 白皮书 2011年1月 通过 Oracle 并行处理集成 Hadoop 数据 ## 引言 许多垂直行业都在关注文件系统中庞大的数据。这些数据中通常包含大量无关的明细信息，以及部分可用于趋势分析或丰富其他数据的精华信息。尽管这些数据存储在数据库之外，但一些客户仍然希望将其与数据库中的数据整合在一起以提取对业务用户有价值的信息。 本文详细介绍了如何从 Oracle 数据库访问存储在 动直接访问 HDFS 文件。FUSE（File System in Userspace）项目针对这种情况提供了解决方法。有多种 FUSE 驱动程序支持用户挂载 HDFS 存储，并将其作为常规文件系统处理。通过使用一个此类驱动程序，并在数据库实例上挂载 HDFS（如果是 RAC 数据库，则在其所有实例上挂载 HDFS），即可使用外部表基础架构轻松访问 HDFS 文件。  图 2. 利用表函数进行并行处理 由于表函数可以并行运行，Hadoop 流作业也可以不同程度地并行运行，并且后者不受 Oracle 查询协调器的控制，这种情况下，队列能提供负载平衡。 ## 利用表函数的示例 下面我们将以一个实际示例展示图

## 大容量redis存储方案--Pika 陈宗志 360基础架构组技术经理 ## 简介 ## • 13年入职360 基础架构组 – Bada – Pika – Zeppelin – Mario, Pink, slash, floyd • https://github.com/Qihoo360 ## 概要 - 存在问题 - 分析问题 - 解决问题 - Pika vs redis redis ## I ntroduction - Pika 是DBA 和 基础架构团队一起设计开发的大容量redis的解决方案 - 完全兼容redis 协议, 用户不需要修改任何代码进行迁移 ## Pika User • Redis实例数量：6000+个 • 日访问量：5000+亿 • Pika数据数量：1000+个 • 日访问量：1000+亿 • 覆盖率：80%以上业务线 • 单份数据体积：6 便捷运维设计的前提下通过持久化存储的方式解决 Redis 在大容量场景下的问题 ## Redis 问题 - 恢复时间长 - 一主多从, 主从切换代价大 - 缓冲区写满问题 - 成本问题 ## Redis 问题 ## • 恢复时间长 – 50G redis 回复时间70分钟 – 同时开启aof 和 rdb ## Redis 问题 ## • 一主多从, 主从切换代价大 ## – 主库挂掉后升级从库, 所有的从库全部重传数据

_attention_2",) 请注意，原 Qwen 仓库中的旧方法 chat() 现在已被 generate() 方法替代。这里使用了 apply_chat_template() 函数将消息转换为模型能够理解的格式。其中的 add_generation_prompt 参数用于在输入中添加生成提示，该提示指向 $ <\vert\mathtt{im\_start}\vert> 是一个易于使用的工具包，专门用于 4 比特量化模型。相较于 FP16，AutoAWQ 能够将模型的运行速度提升 3 倍，并将内存需求降低至原来的 1/3。AutoAWQ 实现了激活感知权重量化（AWQ）算法，可用于 LLM 的量化处理。在本文档中，我们将向您展示如何在 Transformers 框架下使用量化模型，以及如何对您自己的模型进行量化。 #### 1.7.1 如何在 Transformers 中使用 AWQ 量化模型 apply_chat_template(msg, tokenize=False, add_generation_prompt=False) data.append(text.strip()) 其中每个msg是一个典型的聊天消息，如下所示： [ {"role": "system", "content": "You are a helpful assistant