本科和硕士毕业于北京大学计算机系  负责大规模 Kubernetes 系统的构建和优化  KubeBrain/ KubeGateway/ KubeZoo 等多个项目的发起人 • 背景介绍 • 设计思路 • 性能优化 • 落地效果 • 未来演进 背景 • Kubernetes 规模增大 10 倍以上  公司业务快速发展  存储、大数据、机器学习等场景云原生化 • 新场景对 Kubernetes etcd 参数 按照对象拆分 etcd 设计新的元信息存储 … 如何解决存储瓶颈？ KubeBrain 1. 大脑 2. 谐音科比 Kobe Bryant • 背景介绍 • 设计思路 • 性能优化 • 落地效果 • 未来演进 K8s 元信息存储的需求 (1)  读 • 单 Key 读，提供线性一致性 • Range 扫描读，支持快照读，支持分页  写 • RingBuffer 中获取 增量事件，达到 最终一致性 逻辑层 – 选主 逻辑层 – TSO 接入层 接入层 客户端 客户端 K8s 元信息存储的需求 • 背景介绍 • 设计思路 • 性能优化 • 落地效果 • 未来演进 性能优化 写优化 - 1 降低锁粒度 存储引擎替换 表锁 -> 行锁，增大了写的并发 写优化 - 2 单点写 -> 多点写 multi

探索性建模：比赛前期，首先进行问题理解，包括评估指标与数据表理解，然后进行 基础的模型搭建，并线上提交验证一致性。在一致性验证过程中往往需要多次提交， 找到同线上指标一致的评估方式。探索性建模的核心目标是要找到迭代思路与方法， 所以需要对问题做多方面探索，在探索中找到正确的方向。 一般在非时序问题，采用 N-fold 方法构造多个验证集，并可以灵活变换生成种子， 得到不同的集合。而在时序问题，一般会采用滑窗方式，构造同线上提交时间一致的 结比赛中通用的建模方案，结合工业界方案介绍其与比赛的联系。希望文章中的一些 算法比赛相关经验能够帮助算法爱好者更好地参与竞赛，能为大家提供一些思路，启 迪更多的工程师与研究员在实际工作中取得更优结果。未来，我们团队将持续关注国 际算法竞赛，积极进行比赛思路与工业方案结合的尝试，同时也欢迎大家加入我们团 队，文末附有招聘信息，期待你的邮件。 算法 < 63 作者简介 胡可、兴元、明健、坚强，均来自美团广告平台质量预估团队。 度等功能。 7. 总结 本文介绍了美团搜索与 NLP 团队在图神经网络框架建设方面的实践经验，包括 GNN 模型归纳抽象、基本框架、性能优化，以及上层工具等方面的思考和关键设计。框架 的设计思路来源于业务落地所遇到的实际问题，例如针对大规模图的优化、多人协作 中的流程管理等；同时也吸收借鉴了学术界的最新研究进展，例如动态图的计算范式 等。除了技术层面的优化，框架的建设也得益于工程团队和算法团队的紧密配合，基

��现�我们������� alarm() 的�����实现� 17 29 ������������������� O 思路一 ���������抽象类������来��继承��抽象类的 �类��������� 但是有的门并不一定需要具备报警功能。 ����� O 思路二 ���������接口������������的类���实 现��接口�的 open() � close()�也许这个类根本就不具备 open() 和 close() 这两个功能，比如火灾报警器。����� 18 29 ������������������� O 思路一 ���������抽象类������来��继承��抽象类的 �类���������但是有的门并不一定需要具备报警功能。 ����� O 思路二 ���������接口������������的类���实 现��接口�的 open() � close()�也许这个类根本就不具备 open() 和 close() 这两个功能，比如火灾报警器。����� 18 29 ������������������� O 思路一 ���������抽象类������来��继承��抽象类的 �类���������但是有的门并不一定需要具备报警功能。 ����� O 思路二 ���������接口������������的类���实 现��接口�的 open() � close()� 也许这个类根本就不具备

端都是使用公司统一提供的 SDK，在 API 设计 上具有天然的一致性，因此我们完全有能力在 Plugin Interface 层对齐所有接口，上 层业务逻辑只需按需做些兼容处理即可。埋点库 Web 端扩展的整体设计思路如下： ● 在业务项目的 web/index.html 文件中直接引入 Script 脚本并且进行初始化 （注意：引入 Script 的位置，需要放在 main.dart.js 前面）。 编译流程进行干预的难度。 三、整体设计 如前文所述，为了实现逻辑、渲染跨平台，Flutter 的架构设计及编译流程都具有一 定的复杂性。但由于各平台（Android、iOS、Web）的具体实现是解耦的，因此我 们的思路是定位各模块（Dart-SDK、Framework、Flutter_Web_SDK、flutter_ tools）的 Web 平台实现并寻求优化，整体设计图如下所示： 图 6 整体设计 ● 功能的支持。为此，我们提供了对这些长尾功能的定制能力（这些功能默认不开启， 但业务可配置），将未被启用长尾的功能进行裁剪。 通过上述分析可得，我们的思路就是对 Dead Code 进行二次剔除，以及对这些长 尾功能做裁剪。基于这样的思路，我们深入 Dart-SDK、Framework 和 Flutter_ Web_SDK 各个击破，最终将 JS Bundle 产物体积由 1.2M 精简至

始的线性模型、 树模型，再到近两年的深度神经网络、BERT、DQN 等，并在实践中也取得了良好 的效果与产出。 本文将与大家探讨美团搜索与 NLP 部使用的统一在线预估框架 Augur 的设计思路、 效果、优势与不足，希望对大家有所帮助或者启发。 搜索优化问题，是个典型的 AI 应用问题，而 AI 应用问题首先是个系统问题。经历 近 10 年的技术积累和沉淀，美团搜索系统架构从传统检索引擎升级转变为 核心排序逻辑中，能够使用各类线性模型的预估，同时也可以借助公司的技术能力， 进行深度模型的预估。关于特征抽取的部分，我们也简单实现了一套规则，方便算法 同学可以自行实现一些简单的逻辑。 算法 < 5 3. 预估框架思路的改变 3.1 老框架的局限 旧架构中模型预估与业务逻辑耦合的方式，在预估文档数和特征数量不大的时候可以 提供较好的支持。但是，从 2018 年开始，搜索业务瓶颈开始到来，点评事业部开始 对 跟所有新系统的诞生故事一样，老系统一定会出现问题。原有架构在少特征以及小模 型下虽有优势，但业务耦合，无法横向扩展，也难以复用。针对需求和老框架的种种 问题，我们开始构建了新的高性能分布式模型预估框架 Augur，该框架指导思路是： ● 业务解耦，设定框架边界：只做特征抽取和模型预估，对预估结果的处理等业 务逻辑交给上层处理。 算法 < 7 ● 无状态，且可以做到分布式模型预估，无压力支持数千级别文档数的深度模型

元数据分片的方式管理inode和dentry的元数据。inode的分片依据是fsid + inodeid，dentry的分片依据是fsid + parentinodeid。借鉴curve块设备的设计思路，（补充copyset的设计文档在这 ），curvefs的元数据分片仍然按照的copyset的方式去管理。 curve块存储的topo信息由PhysicalPool、LogicalPool、Zon 。 有两种思路 思路一：client在创建inode的时候，先去mds去获取一个inodeid，然后根据这个inode id找到服务这个inode的分片。出于性能上的考虑的，client可以一次从mds获取一批inode，这批inode用完了之后，再去mds去申请。 思路二：client在创建inode的时候，自己选择一个分片，然后由这个分片自己分配一个inode。采用这种思路，在create pyset，就选定了服务的3个metaserver。至于均衡上，创建inode的时候，轮流在这个fs的copyset 上进行创建。这种方式肯定不如curve块设备的方案分配的那么均衡。 结论：采用思路二，由分片管理fs 3.2 copyset fs共用吗？ fs是否共用copyset，在实现上，只需要获取分片的时候把inodeid替换成fsid+inodeid的组合就行了。在获取inode和

向阳@云杉网络 2022-04-09 1. 可观测性数据平台的挑战 2. 解决数据孤岛：AutoTagging 3. 降低资源开销：MultistageCodec 4. 统一数据平台的落地思路及案例 构建统一的云原生应用可观测性数据平台 看云网更清晰 Simplify the growing complexity. 统一的可观测性数据平台 telegraf 看云网更清晰 Simplify 数据 孤岛 资源消耗 telegraf 1. 可观测性数据平台的挑战 2. 解决数据孤岛：AutoTagging 3. 降低资源开销：MultistageCodec 4. 统一数据平台的落地思路及案例 构建统一的云原生应用可观测性数据平台 看云网更清晰 Simplify the growing complexity. OpenTelemetry的方法 统一的上下文 以追踪为核心 CIDR IP地址 NATGW ALB … 1. 可观测性数据平台的挑战 2. 解决数据孤岛：AutoTagging 3. 降低资源开销：MultistageCodec 4. 统一数据平台的落地思路及案例 构建统一的云原生应用可观测性数据平台 看云网更清晰 Simplify the growing complexity. MultistageCodec：采集 ➔ 存储 ➔ 查询 DeepFlow

..........................................................................................1 1.3 调优思路................................................................................................... ... 9 MySQL 8.0.17 调优指南（openEuler 20.09） 目 录 2020-10-15 ii 1 调优概述 1.1 MySQL介绍 1.2 调优原则 1.3 调优思路 1.1 MySQL 介绍 MySQL是一个关系型数据库管理系统，由瑞典MySQL AB公司开发，目前属于Oracle 旗下产品。MySQL是最流行的关系型数据库管理系统之一，在Web应用方面，MySQL 要反馈到后续的代码开发中 去。 ● 性能调优不能以牺牲代码的可读性和可维护性为代价。 1.3 调优思路 性能优化首先要较为精准的定位问题，分析系统性能瓶颈，然后根据其性能指标以及 所处层级选择优化的方式方法。 下面介绍MySQL数据库具体的调优思路和分析过程，如图1所示。 调优分析思路如下： 1. 很多情况下压测流量并没有完全进入到服务端，在网络上可能就会出现由于各种 规格（带宽、最大

并做统计，找到各特征与核心 指标的关联，其中R1分析逻辑更加清晰严谨，而o3推理更加高效；  Kimi k1.5推理逻辑清晰但分析能力相对较弱， Claude 3.5 sonnet能够提供分析思路但没有明确结论。 结论 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 数据挖掘 1、读取即将上映的2025年电影数据集 Kimi k1.5  数据挖掘能力出色  快速读取文件数据，提取网址链接  长文本数据处理能力突出  爬虫数据采集存在代码错误问题  数据分析能力相对较弱 数据应用情况总结 新思路：优势互补，协同应用 Claude+DeepSeek 数据处理的“洗髓易筋” Claude 3.5 Sonnet 在文本提取 上较稳定，可用于数据清洗， DeepSeek R1 可确保数据完整性 常检测，Kimi k1.5 提供深度挖掘 的思路，助于更精准发现数据规律 Open AI+Kimi+Claude 数据呈现的“画龙点睛” Open AI o3mini 直接调用 DALLE 生成图表，Kimi k1.5 提 供 Python 代码支持，Claude 3.5 Sonnet 负责图表逻辑优化 数据采集 数据预处理 数据分析 可视化呈现 新思路：DeepSeek R1的数据应用