凌云时刻

从运维和SRE角度看监控分析平台建设

运维和SRE团队，承载着重要的职责，其工作内容复杂而广泛，从应用部署、性能和可用性监控、告警、值班，到容量规划、业务支撑等都有涉及，随着云原生、容器化和微服务的快速发展，迭代节奏愈发加快，对于运维和SRE也提出了更多的挑战。

• 国内运维和SRE团队面临常见困境

• 监控分析平台需要解决的数据问题

• 构建监控分析平台方案选择

• 监控分析平台的挑战

• 实际场景模拟

• 云上一体化服务选择

????????????点击查看全文

从操作系统层面分析Java IO演进之路

本文从操作系统实际调用角度（以CentOS Linux release 7.5操作系统为示例），力求追根溯源看IO的每一步操作到底发生了什么。

关于如何查看系统调用，Linux可以使用 strace 来查看任何软件的系统调动（这是个很好的分析学习方法）：strace -ff -o ./out java TestJava

···  ···

????????????点击查看全文

阿里云实时数据加工服务的设计及实践

本次分享主要介绍阿里云超大规模下实时数据加工服务的应用场景、架构设计、性能优化等全方位技术设计，以及多个最佳实践方案。

优秀程序员都有一个共同的习惯，打日志！一方面，日志可以供自身使用，比如排查程序错误、跟踪数据链路等等；另一方面，日志还可以供数据分析师等其他人使用。

通常，各个数据分析师的关注点不同，对原始日志的格式和内容需求往往不同。针对上述场景，根据数据分析师的不同需求，修改打印日志的程序代码，线上运行环境可靠性风险高，程序员工作量大。为保证日志的一致性，所有线上机器均需升级到最新程序，实时性较差。

···  ···

????????????点击查看全文

机器学习落地的五个阶段

一直以来都有一种声音：机器学习是不是值得？

机器学习落地难，一个模型的训练通常要跨越数个季度，人力物力的投入和其后的运营维护成本巨大，出现过很多质疑的声音。

如今，科学与技术都来到了一个新时代，面对这一问题也可以重新思考。在工程的角度上，我结合自身工作经历，将机器学习落地方法总结为以下几个阶段：

• 传统方式

• 专家模型

• 半自动建模

• 半自动训练

• 主动学习

????????????点击查看全文

可能是阿里最古老的流程引擎：PMC的架构与设计分享

现在很多做流程工作或者调研流程引擎的人可能都已经没有听说过 PMC 了，但它在早期阿里工作流中确实是⼀个重要的角色。

有一个说法是当时阿里内外刚刚准备做自己的第一个工作流系统，Activiti 在那时也才刚出来不久，然后内外的早期开发者们经过调研，决定自研一个流程引擎，这样改起来更加方便。

若干年之后，阿里的业务越来越广泛，很多 toB 业务兴起，流程中有很多 toB 系统的重要组件，大家不想从零开始做，于是借鉴起步更早的阿里内外的经验，将 PMC 的代码 copy 一份部署便开始了自己的业务。目前我所知道的就包括钉钉审批、政务等等，经过这些年的发展，这几份 copy 代码应该都有了不少的区别，不过整体架构上应该都是差不多的。

如今，流程引擎的选择已经越来越多了，Activiti,Flowable, Camunda 或者帝奇的 SmartEngine，他们都比 PMC 更加开放，也拥有更加优秀的设计，或者更加遵守 BPMN 规范，基本上也不会有人再去 copy PMC 的代码了。不过，学习 PMC 的设计依旧能带给我们⼀些流程方面的启发。

···  ···

????????????点击查看全文

你可能还想看

1. 凌云一周看点 | 什么是云原生数据库；因云而生的云原生网络；大型团队如何从0到1自建SRE体系；空间数据模型之从CAD到BIM

2. 凌云一周看点 | 混合云多Region架构；云上用户定制化网络；边缘云全站加速；什么是操作系统的云原生

END

每日收获前沿技术与科技洞见

投稿及合作请联系邮箱:lingyunshike@163.com