首页 文章 精选 留言 我的

精选列表

搜索[ JDK 25],共10000篇文章
优秀的个人博客,低调大师

VLOOK 25!上新链接地图/锚点检查/交互体验提升,实用好用的 Markdown 主题插件

VLOOK™是针对Typora(跨平台 Markdown 编辑器)的主题包和增强插件(针对导出的 HTML 文件),旨在与众 Markdown 粉共创 Markdown 的自动化排版 2.0,在保持 Markdown 简洁性的基础上,让编辑、阅读 Markdown 文档更实用,也更愉悦。 VLOOK™属于开源软件(遵从MIT License),也是OSCHINA 开源中国推荐的国产开源产品、Typora 的首个增强插件。 VLOOK™ 的所有特性清单,详见快速入坑 →一键了解(备用链接) 🎉 — What's NEW — 🎉 🎉 链接地图、外链锚点检查 自动生成当前文档的外链地图,快速查阅和访问 对于外链中的锚点,支持一键进行有效性检查…详细 🎉 继续上次的阅读 可以记住每个文档的最后一次阅读位置,方便下次访问时快速定位…详细 🎉 引用块小标题 Plus 支持小标题的上一行添加图片,丰富排版样式 除首行加粗外,增加首行高亮方式启用引用块的「小标题」样式 对带小标题的引用块、折叠的引用块自动生成锚点,支持通过内外部文档间的锚点跳转…详细 🎉 正文宽度适配 使用大屏显示器(宽度大于1440px)浏览文档时,可以选择将正文区域以「固定宽度」,或「适应宽度」进行显示 ♻️ — What's IMPROVED — ♻️ ♻️ 针对 Typora 的定向优化 适配 Typora 1.9.x 的 ```math 公式样式 对使用了 Typora 图片缩放功能的文档进行兼容性提示 ♻️ 「字体主题、颜色主题」支持记忆 任一文档设置了不同的字体主题、颜色主题后,对于同一域名下的所有文档后续访问都生效 完善「颜色主题」的自动适配(跟随系统)特性 ⚠️— What's CHANGED —⚠️ 链接内容识别移除以下类型:Markdown文档、文档资源、归档资源 移除徽章的「强调」样式 移除调校参数stsbar 🧯— What's FIXED — 🧯 修复一些其他问题

优秀的个人博客,低调大师

25万台服务器存在高危漏洞,利用工具可以直接控制服务器

超过247000台Microsoft Exchange服务器尚未针对CVE-2020-0688授权后远程代码执行(RCE)漏洞进行修补,该漏洞会影响受支持的所有Exchange服务器版本。 CVE-2020-0688 RCE漏洞存在于Exchange控制面板(ECP)组件中(在默认配置中启用),它使潜在攻击者能够使用任何有效的电子邮件凭据远程接管易受攻击的Exchange服务器。 作为2020年2月补丁的一部分,微软在周二发布了这个安全问题,并将其标记为“更有可能被利用”的可利用性指数评估,这表明该漏洞是攻击者的一个有吸引力的目标。 网络安全公司Rapid7在3月4日开发的Metasploit渗透测试框架中添加了一个MS-Exchange-RCE模块,此前GitHub上出现了一些概念验证漏洞。 一周后,CISA和NSA都敦促组织尽快针对CVE-2020-0688漏洞修补服务器,因为多个APT组织已经在野外积极利用它。 超过61%的易受攻击的服务器未修补 Rapid7之前发布了一份关于易受攻击、试图利用CVE-2020-0688漏洞攻击的Exchange服务器数量的更新报告,Rapid7再次利用其Sonar项目互联网范围内的调查工具进行了另一次人员调查。 而且,数字几乎和以前一样严峻,61.10%(总共405873台服务器中有247986台)的易受攻击的服务器(即Exchange 2010、2013、2016和2019)仍处于未修补状态,并面临持续的攻击。 该公司的研究人员发现,在近138000台Exchange 2016服务器和约25000台Exchange 2019服务器中,87%的服务器和约25000台Exchange 2019服务器中的77%受到CVE-2020-0688攻击,大约54000台Exchange 2010服务器“六年内没有更新过” Rapid7还发现了16577个可通过互联网访问的exchange2007服务器,这是一个不受支持的Exchange版本,它没有收到针对CVE-2020-0688攻击的安全更新。 针对CVE-2020-0688修补Exchange服务器 Rapid7 Labs高级经理Tom Sellers解释说:“Exchange管理员和infosec团队需要进行两项重要工作:验证更新的部署和检查是否有妥协迹象。” 通过检查Windows事件和IIS日志中的部分编码有效负载(包括“无效的viewstate”文本或针对/ecp(通常是/ecp)下的路径的请求的“Invalid viewstate”文本或“uu viewstate”和“uuViewStateGenerator”字符串),可以很容易地发现攻击Exchange服务器时使用的受损帐户/默认.aspx). 正如微软所说,目前没有针对CVE-2020-0688漏洞的缓解措施,唯一的选择就是在攻击者发现服务器之前修补服务器,并完全破坏服务器所在的整个网络——除非管理员有时间并愿意重设所有帐户的密码,使以前被盗的凭证变得毫无价值。 下表中列出了指向修补易受攻击的Microsoft Exchange Server版本所需安装的安全更新的直接下载链接以及相关的知识库文章: 【责任编辑: 赵宁宁 TEL:(010)68476606】

优秀的个人博客,低调大师

4月25日云栖精选夜读:嘘,别声张!阿里研究员的书单被我“偷”来了

虽然今年的世界读书日过去了,每个人读书的步伐却是不应该停止的。想看书却不知道找什么书看?不想看烂书却没有好的推荐书单?阿里研究员书单帮你解决以上问题! 云秘书技能 三大通用核心套件帮你构建智能运维体系 作者: 云栖小秘书 嘘,别声张!阿里研究员的书单被我“偷”来了 作者: 身行 网络架构、基础设施、账号、应用,四大安全措施加固企业云安全 作者: 云栖小秘书 IT干货 Docker改名啦?什么是 Project Moby 作者: 易立 发表在: 阿里云容器服务(Docker) 巧用Terraform和Packer开源工具完成云上自动运维 作者: 云栖小秘书 磁盘:最容易被忽略的性能洼地 作者: 博文视点 Docker容器云在金融行业的应用 作者: shev Docker CTO Solomon说的LinuxKit到底是什么? 作者: 志敏 发表在: 阿里云容器服务(Docker) 美文回顾 阿里B2B研发管理难题如何应对?打造强有力的技术中台 作者: 云效平台 发表在: 阿里云效平台 云计算网络基础架构的实践和演进——打造云计算网络基石 作者: 【云行】 卷积神经网络实战(可视化部分)——使用keras识别猫咪 作者: 【方向】 微服务架构如何实现网站服务垂直化拆分 作者: 【云行】 甩掉运维黑锅,容灾部署如何破? 作者: domaintest Cmdb、Saltstack、Web化,莉莉丝游戏云上运维心得分享 作者: 【云行】 如何选择合适的数据库,让游戏更高效可用 作者: 【云行】 DockerCon 2017 Day2: 安全、生态、敏捷-Docker企业应用的全方位升级 作者: 志敏 发表在: 阿里云容器服务 往期精选回顾 4月24日云栖精选夜读:AI不可怕,就怕AI会画画——这里有一种你还不知道的‘图’灵测试…

优秀的个人博客,低调大师

技术思考问题25:阶跃星辰开放Step-5-Preview权重,企业部署投产前有哪些问题?

# 拿到权重不等于拿到利润:Step 5 Preview 生产可用性反演 > 拿到权重只是入场券,生产账单才决定是否真的省钱。 ```text [读者] 正在评估开放权重模型落地的架构师与后端工程师 [痛点] 把下载成功当成生产可用,忽略算力、运维、评测和故障恢复成本 [现在读] 要用完整任务成本判断自建与托管,别被“免费权重”误导 [读完] 能建立反演思维,设计灰度、回退和成本验证方案 ``` ```text [旧方案] 看到开放权重,直接拉取并替换 API | v [新需求] 要接入客服、工具调用和生产流量 | v [冲突] 部署成功不等于效果、延迟、稳定性和成本达标 | v [后果] 人工接管率上升,账单失控,回退困难 ``` 我是老李,一个常把“能跑”当成“能上”的架构师。前阵子团队拿到 Step 5 Preview 的开放权重,第一反应是:终于可以把 API 账单降下来。Hugging Face 模型页提供了入口,BRIEF 也说明开发者可通过 vLLM 或 SGLang 部署兼容 OpenAI 接口的 API 服务,也可以使用 Transformers 离线推理,接入自己的数据、工具和系统。 但真正的问题不是“能不能下载”,而是“下载之后,谁为失败买单”。权重开放给了我们部署选择,却没有自动给出生产可用性。许可、硬件门槛、并发上限、上下文长度、工具调用行为、故障恢复责任,都必须逐项核验。需按当前官方文档核验。 如果只看单次调用价格,自建似乎更便宜;如果把算力利用率、运维、评测、人工接管和故障恢复都算进去,结论可能完全不同。那么,开放权重到底是降本工具,还是新的技术债? 我们应该先跑通 API,再算总账,还是先定义失败条件,再决定是否自建?如果选错,会不会出现“模型上线了,利润没上线,团队先被值班拖垮”? # 01、故事 团队的服务是一个客服助手,原来调用托管 API,按 token 付费。业务侧看到开放权重,提出一个很直接的目标:把月度推理成本降下来。任务是评估 Step 5 Preview 能否接管一部分客服问答,并保持工具调用、租户隔离和回退能力。 一开始的方案很顺:从 Hugging Face 拉权重,用 vLLM 启动 OpenAI 兼容接口,把现有 API 地址换掉。开发环境里,简单问答能返回,流式输出也能工作。团队甚至觉得,剩下的只是“调参”和“扩容”。 变化出现在真实流量接入之后。客服问题里有大量长上下文、模糊指代和多轮工具调用。托管 API 时期被隐藏的模板、限流、超时和回退逻辑,现在全部暴露出来。更麻烦的是,账单不再只是 GPU 小时,还包括值班、评测、日志、灰度环境和故障恢复。 这是一个典型的冲突:开放权重给了部署选择,但把生产责任也交回团队。如果只验证“下载成功”和“接口能通”,就会把失败条件留到线上才推演。 > 权重非交付 > 账单始计时 > 失败先推演 > 成功再保护 # 02、问题 旧方案失效的地方不在“模型不会回答”,而在“回答是否可运营”。托管 API 时代,团队习惯把限流、模型版本、故障切换交给供应商;换成开放权重后,这些能力需要自己补齐。业务影响很直接:客服响应延迟升高、人工接管增加、灰度无法快速回退。 技术表现可以拆成四类。第一,效果漂移:相同提示词在托管 API 与自建服务上输出不同,可能因为 chat template、系统消息或采样参数不一致。第二,延迟抖动:长上下文和并发请求下,P95 延迟可能远超预期,但平均值看起来正常。第三,成本失真:只算 GPU 小时,忽略算力利用率、空闲预留、评测环境和运维人力。第四,故障恢复:进程崩溃、显存不足、模型加载失败时,是否有自动降级到托管 API 的路径。 可验证的完成标准不是“服务能启动”,而是:用真实客服问题建立效果与延迟基线;对照自建与托管的算力、运维和失败成本;验证许可、租户隔离并设置灰度回退;持续跟踪单位有效解决成本、P95 延迟和人工接管率。这些标准必须能在上线前被检查,而不是上线后靠感觉判断。 > 旧法已失效 > 新责落回身 > 基线先建立 > 回退再开门 # 03、原理 反演思维的定义很朴素:先推演失败条件,再倒推成功所需的保护。大多数人做技术选型时正向推演:开放权重免费,自建能省钱,所以应该自建。反演思维问的是:在什么条件下,这个项目会失败?然后把这些失败条件变成保护措施。 反直觉判断:开放权重最大的价值不是省钱,而是把部署选择、数据边界和失败责任交回自己。省钱只是可能的结果,不是默认结果。另一个反直觉判断:下载成功不是里程碑,而是成本开始计时的起点。权重文件不会告诉你算力利用率、运维复杂度和故障恢复代价。 把这两个判断放到 Step 5 Preview 的场景里:vLLM 或 SGLang 可以部署兼容 OpenAI 接口的服务,Transformers 可以做离线推理。这提供了选择,但不等于生产可用。许可是否允许目标场景?硬件门槛是否匹配现有集群?租户隔离怎么做?评测集从哪里来?回退路径是否演练过?这些问题不解决,开放权重就会从“降本工具”变成“技术债放大器”。 因此,后续架构必须围绕失败条件设计:没有基线就不上线,没有回退就不放量,没有成本口径就不宣称省钱。 > 正向看省钱 > 反向看失败 > 权重是起点 > 账单是终点 # 04、架构 ```text [输入] 真实客服问题 | v [模块] 推理服务 + 网关 + 评测与观测 | v [数据/状态] 模型权重、租户配置、灰度策略、指标 | v [处理] 路由、限流、推理、工具调用、回退 | v [输出] 回答、延迟、成本、人工接管事件 ``` 边界上,这个架构只负责“可运营的推理服务”,不承诺模型效果一定优于托管 API。收益是部署选择、数据控制和潜在成本优化;代价是团队要承担运维、评测、限流和故障恢复。适用条件是团队已有观测体系、评测集和回退通道;如果没有,开放权重只会增加复杂度。 关键状态包括:模型版本、chat template、租户配额、灰度比例、回退开关。核心过程是:请求先经过网关做鉴权和限流,再按租户和灰度策略路由到自建或托管,推理结果写入观测,触发人工接管时记录原因。这样,失败条件才能被度量。 > 输入真问题 > 中间控路由 > 状态留证据 > 输出可回退 # 05、实战一次 未在当前环境实测,以下为预期结果。环境以 Linux + NVIDIA GPU 为例,依赖 vLLM。版本需按当前官方文档核验。先安装依赖: ```bash python -m venv .venv source .venv/bin/activate pip install --upgrade pip pip install vllm ``` 启动兼容 OpenAI 接口的服务。模型 ID 以 Hugging Face 页面为准,这里使用 stepfun-ai/Step-5-Preview,需按当前官方文档核验是否支持: ```bash vllm serve stepfun-ai/Step-5-Preview --served-model-name step-5-preview --trust-remote-code --port 8000 ``` 如果启动成功,预期会看到模型加载和 HTTP 服务监听。然后发送一个最小 Chat Completions 请求: ```bash curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{"model":"step-5-preview","messages":[{"role":"system","content":"你是客服助手,只回答订单相关问题。"},{"role":"user","content":"我的订单为什么还没发货?"}],"temperature":0.2,"max_tokens":256}' ``` 示例输出: ```json { "id": "chatcmpl-example", "object": "chat.completion", "choices": [ { "index": 0, "message": { "role": "assistant", "content": "请提供订单号,我会帮你查询物流状态。" }, "finish_reason": "stop" } ] } ``` 验证点:接口返回 200;能读到 choices[0].message.content;记录首 token 延迟和总延迟;保存请求与响应用于评测。V1 跑通后,先不要放量,因为它还没有真实客服基线、限流、租户隔离和回退。 > 先跑最小径 > 再留失败点 > 不把能通当 > 生产已就绪 # 06、排查 现象一:OpenAI 兼容接口返回 200,但相同客服问题在自建服务与托管 API 上回答差异明显。怀疑是 chat template 或系统消息处理不一致。检查 tokenizer 的 chat template、消息拼接方式和采样参数。证据来自请求日志:示例输出中,system 消息被合并进了 user 消息,角色边界消失: ```json { "messages": [ {"role": "user", "content": "你是客服助手。我的订单为什么还没发货?"} ] } ``` 根因是 vLLM 默认使用的 chat template 与托管 API 内部模板不同。修复是显式指定 chat template,或在网关层统一构造 prompt,并加入回归评测。**错误尝试:** 直接提高 temperature,希望回答更自然。为什么错误:问题在角色边界和模板,不在随机性;提高温度只会放大不稳定,无法修复格式差异。 现象二:长上下文请求增多后,P95 延迟飙升,人工接管率上升。怀疑是并发过高或算力不足。检查 GPU 利用率、请求队列长度、KV cache 占用和批处理参数。证据是监控中队列等待时间远大于推理时间,说明瓶颈在排队而非计算。根因是缺少限流和优先级,长请求挤占了短请求。修复是设置租户级限流、请求超时、优先级队列,并在超时后回退到托管 API。 > 现象先固化 > 怀疑再验证 > 证据定根因 > 修复留回归 # 07、优化 基于第 06 章证据,V2 的根因有两个:模板不统一,以及缺少限流与回退。修改一:在网关统一 chat template,记录模板版本,并用真实客服问题建立效果基线。原因是要让自建与托管在相同输入下可比。新行为是:每次请求携带模板版本,评测集自动回归。验证方案是离线对比同一批客服问题的回答、首 token 延迟和总延迟,不虚构线上提升数据。 修改二:加入租户级限流、超时和回退。原因是长请求会挤占资源,导致 P95 和人工接管率恶化。新行为是:超过并发或超时阈值时,自动降级到托管 API,并记录降级原因。验证方案是压测长上下文与短问题混合流量,观察降级率、P95 延迟和人工接管率是否可控。 修改三:建立成本口径。把 GPU 小时、空闲预留、评测环境、日志存储、值班人力都纳入,计算单位有效解决成本。原因是不完整的成本会误导自建决策。新行为是每周输出成本看板。验证方案是与托管 API 账单对照,逐项核验差异。 > 根因两条线 > 修改不拍脑 > 验证先离线 > 成本再对账 # 08、演进 ```text [同一输入] | +--[V1] 直接替换 API / 代价:模板漂移、无限流、无回退,账单与接管率失控 | +--[V2] 灰度 + 观测 + 回退 / 代价:复杂度上升,需要评测与运维投入 | [Trade-off] 得到部署选择与数据控制,失去开箱即用与部分责任转移,适用于有评测和运维能力的团队 ``` 正确性上,V2 通过统一模板和回归评测,减少输出漂移;稳定性上,限流、超时和回退让故障可控;复杂度上,V2 引入网关、观测和评测,运维成本高于 V1;成本上,V2 不一定比托管便宜,但能用单位有效解决成本判断;适用范围上,只有具备真实客服问题和回退通道的团队才适合放量。遗留问题是许可、硬件门槛和长上下文上限仍需按官方文档核验。 > 旧版求能跑 > 新版求能退 > 得失须对账 > 边界再放量 # 09、洞见 ## 9.1 权重不是交付物,账单才是 反直觉判断:开放权重不是成本终点,而是成本起点。下载成功只说明文件可得,生产可用还需要算力利用率、运维、评测和故障恢复。把下载当成交付,就会遗漏后续账单。 ## 9.2 省钱不是单价,而是单位有效解决成本 反直觉判断:单价最低的方案,往往不是总成本最低。如果自建后人工接管率上升、P95 延迟恶化、值班增加,省下的 token 费会被运维和失败成本吃掉。必须跟踪单位有效解决成本、P95 延迟和人工接管率。 ## 9.3 自建与托管不是二选一,是失败责任划分 自建获得部署选择和数据控制,托管保留开箱即用和责任转移。成熟方案是混合:主链路自建,异常时回退托管;或灰度自建,稳定后逐步放量。关键是明确谁为失败买单。 ## 9.4 灰度回退是模型上线的安全阀 没有回退的模型上线,等于把故障恢复押在推理服务不会崩。灰度比例、租户隔离、超时降级和回退开关,必须在 V1 就设计,而不是等 P95 飙升后再补。反演思维要求先问“失败时怎么办”,再问“成功时省多少”。 > 洞见非口号 > 皆从证据来 > 先划失败线 > 再谈降本账 # 10、系统落地 原来有一个调用托管 API 的客服助手,接口简单,但成本随流量增长,数据边界受限于供应商。本篇新增三样东西:一是基于 Step 5 Preview 的 OpenAI 兼容推理服务,作为自建候选;二是网关层的模板统一、限流、租户隔离和回退;三是成本与效果看板,跟踪单位有效解决成本、P95 延迟和人工接管率。 现在能做什么?能用真实客服问题建立基线,对照自建与托管的算力、运维和失败成本,并在灰度中验证许可、租户隔离和回退。还缺什么?许可条款、硬件门槛、长上下文上限、并发上限和官方推荐配置,需按当前官方文档核验。下一步是把灰度从内部客服扩展到低风险租户,同时保持回退开关随时可用。 > 旧有托管链 > 新增自建路 > 先灰度低险 > 再扩租户群 # 11、小结 ```text Q1 → 开放权重是降本工具还是技术债?取决于完整任务成本是否验证 Q2 → 先跑通 API 还是先定义失败条件?先定义失败条件,再跑最小验证 Q3 → 选错会怎样?人工接管率上升、账单失控、回退困难 状态 → 形成 V1 推理服务与 V2 反演验证清单 ``` 本文没有证明自建一定省钱,也没有推定硬件门槛或许可。它给出的是一套反演流程:先推演失败条件,再倒推保护;用真实客服问题建立效果与延迟基线;对照自建与托管的算力、运维和失败成本;验证许可、租户隔离并设置灰度回退。最终判断标准不是“权重是否免费”,而是“单位有效解决成本是否下降,同时 P95 和人工接管率是否可控”。拿到权重,不等于拿到利润。 > 不证必省钱 > 只证可验证 > 基线加回退 > 再谈利润账 # 12、作业 ## 12.1 理解题:反演思维与正向优化的区别是什么? 参考答案:正向优化从“如何更便宜”出发,容易只看单价;反演思维先问“在什么条件下会失败”,例如效果漂移、P95 飙升、人工接管失控、许可不合规、回退缺失,再倒推需要的基线、限流、隔离和回退。区别在于先定义失败条件,再决定是否放大。 ## 12.2 实战题:用真实客服问题建立效果与延迟基线,写出最小步骤。 参考答案:收集一批真实客服问题,覆盖短问题、长上下文、工具调用和多租户;在托管 API 与自建服务上用相同 chat template 和采样参数请求;记录回答、首 token 延迟、总延迟和人工接管判断;建立回归集;每次模型或配置变更后重跑,对比单位有效解决成本、P95 延迟和人工接管率。 ## 12.3 排障题:接口返回 200 但回答质量波动,如何定位? 参考答案:先核对 chat template、系统消息、采样参数和模型版本;再对比托管 API 与自建服务的请求日志,确认消息拼接是否一致;然后检查 tokenizer 和提示词截断;最后用回归集验证。**错误尝试**是直接调 temperature,原因在于模板和角色边界不一致时,调参只会放大波动。 ## 12.4 架构判断题:自建开放权重一定比托管 API 省钱吗? 参考答案:不一定。开放权重提供部署选择,但完整任务成本包括算力利用率、空闲预留、运维、评测、日志、故障恢复和人工接管。只有单位有效解决成本下降,且 P95 延迟与人工接管率可控时,才能说省钱。许可、硬件门槛和官方能力需按当前官方文档核验。 > 题题有落点 > 答案不悬空 > 先证再结论 > 再谈架构功 # 13、思考 回到核心冲突:开放权重提供部署选择,但下载成功不等于生产可用。反演思维的价值,是把“先推演失败条件,再倒推成功所需的保护”变成工程流程。先用真实客服问题建立效果与延迟基线,再对照自建与托管的算力、运维和失败成本,最后验证许可、租户隔离并设置灰度回退。不推定硬件门槛或许可,只跟踪单位有效解决成本、P95 延迟和人工接管率。 一句话小结:拿到权重,不等于拿到利润。能复用的工程判断是:任何开放权重模型,都先问失败时谁买单,再问成功时省多少。没有回退,不放量;没有基线,不宣称降本;没有完整成本口径,不把下载成功当成生产可用。 > 一念辨边界 > 一证定根因 > 一改知取舍 > 一役见真章

优秀的个人博客,低调大师

最佳实践 | 数据库迁云解决方案选型 & 流程全解析 | 11月25号栖夜读

点击订阅云栖夜读日刊,专业的技术干货,不容错过! 阿里专家原创好文 1.最佳实践 | 数据库迁云解决方案选型 & 流程全解析 Oracle是非常强大的综合数据库,但同时也存在一些劣势,比如由于采用集中式架构,无法很好地实现横向扩展,并且其稳定性依赖于硬件。出于架构升级、降低成本和云化等需求,越来越多的企业需要“去Oracle”。日前,阿里云数据库技术专家樊文凯在2019数据技术嘉年华大会上,为大家分享了Oracle数据库异构上云的最佳实践。阅读更多》》 2.2684亿销售额背后的阿里AI技术 大家好,我是林伟,我今天演讲的主题是《AI 突破无限可能—5 亿消费者的云上双 11》。我本人是做系统出身的,但在最近的一些会议上发现,越来越多做系统出身的人开始研究 AI。在 90 年代末的那波热潮里,我有幸在学校的人工智能实验室呆过,那时还在纠结模型效果,最后发现是自己想多了,那时做出来的东西还远远达不到可用的状态。在后来的一段时间内,AI 进入沉寂,最近几年又突然火爆,我在一些学校做交流的时候发现很多同学都在研究 AI 算法,但其实神经网络、遗传算法和模拟算法很多年前就已经出现,最近几年才爆发的最主要原因是数据和算力的提升。阅读更多》》 3.给 K8s API “做减法”:阿里巴巴云原生应用管理的挑战和实践 目前,阿里巴巴与蚂蚁金服内部运行了数十个超大规模的 K8s 集群,其中最大的集群约 1 万个机器节点,而其实这还不是能力上限。每个集群都会服务上万个应用。在阿里云 Kubernetes 服务(ACK)上,我们还维护了上万个用户的 K8s 集群,这个规模和其中的技术挑战在全世界也是首屈一指的。阅读更多》》 4.听说了吗?阿里双11作战室竟1根网线都没有 双11不光是购物狂欢节,更是对技术的一次“大考”,对于阿里巴巴企业内部运营的基础保障技术而言,亦是如此。回溯双11历史,这背后也经历过“小米加步枪”的阶段:作战室从随处是网线,交换机放地上的“一地狼藉”;到如今媲美5G的wifi网速,到现场却看不到一根网线;从当年使用商用AP(无线路由器),让光明顶双11当天断网一分钟,到全部使用阿里自研AP……阿里巴巴企业智能事业部工程师们提供的基础保障也在不断升级。阅读更多》》 5.高德服务单元化方案和架构实践 本文主要介绍了高德在服务单元化建设方面的一些实践经验,服务单元化建设面临很多共性问题,如请求路由、单元封闭、数据同步,有的有成熟方案可以借鉴和使用,但不同公司的业务不尽相同,要尽可能的结合业务特点,做相应的设计和处理。阅读更多》》 视频课程及PPT下载 1.3.1.1 JanusGraph —Distributed graph database with HBase视频地址:https://yq.aliyun.com/live/997PPT下载:https://yq.aliyun.com/download/2929云栖公开课专题页:https://yq.aliyun.com/activity/831 2.3.1.2 Graph图数据库基础介绍及场景视频地址:https://yq.aliyun.com/live/805PPT下载:https://yq.aliyun.com/download/3270云栖公开课专题页:https://yq.aliyun.com/activity/831 3.3.2.1 HTAP DB —System : ApsaraDB HBase Phoenix and Spark视频地址:https://yq.aliyun.com/live/1041PPT下载:https://yq.aliyun.com/download/3064云栖公开课专题页:https://yq.aliyun.com/activity/831 4.3.2.2 阿里云分析引擎Spark On多数据源介绍视频地址:https://yq.aliyun.com/live/1062PPT下载:https://yq.aliyun.com/download/3313云栖公开课专题页:https://yq.aliyun.com/activity/831 更多精彩直播 热门话题 1.在面对各种存储购买方案时,你是否会对购买何种方案感到纠结?(有奖话题) 你每年因为套餐的原因会造成多少的浪费呢? 你是否会因为业务需要而经常变更存储套餐? 对于存储产品的支付模式你是否有什么自己的建议以及期望呢? 点此进入回答赢取礼物 2.如果能在1分钟内训练出个AI模型,你想要做什么?(有奖话题) 之前你对智能视觉有了解吗?是通过什么渠道了解到的? 是否在你的业务中使用过类似智能视觉的AI技术?是用在什么场景中? 如果能在1分钟内训练出个AI模型,你想做什么? 点此进入回答赢取礼物 往期精彩回顾 程序设计的5个底层逻辑,决定你能走多快 | 11月22号栖夜读 更多干货内容 请关注云栖社区微信公众号!

资源下载

更多资源
Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring

Spring框架(Spring Framework)是由Rod Johnson于2002年提出的开源Java企业级应用框架,旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念,提供核心容器、应用上下文、数据访问集成等模块,支持整合Hibernate、Struts等第三方框架,其适用范围不仅限于服务器端开发,绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

用户登录
用户注册
修改密码
忘记密码