2020年悄然而至

2019年默默告别

值此元旦之际，要特别感谢陪伴我们的读者朋友们。因为你们的关注，我们才更有动力；因为你们的每一句评论，我们才更精益求精。

截至目前，美团技术团队共发布377篇技术文章，2019年发布55篇，其中不少文章深受读者喜爱。一起回顾其中最受欢迎的十篇文章，看看有没有哪篇你之前错过啦，点击标题可以浏览全文哦。

1. Java字节码增强探秘

对于开发人员，了解字节码可以更准确、直观地理解Java语言中更深层次的东西，比如通过字节码，可以很直观地看到Volatile关键字如何在字节码上生效。另外，字节码增强技术在Spring AOP、各种ORM框架、热部署中的应用屡见不鲜，深入理解其原理对于我们来说大有裨益。

本文重点着眼于字节码增强技术，从字节码开始逐层向上，由JVM字节码操作集合到Java中操作字节码的框架，再到我们熟悉的各类框架原理及应用，也都会一一进行介绍。

2. Leaf：美团分布式ID生成服务开源

Leaf是美团基础研发平台推出的一个分布式ID生成服务，具备高可靠、低延迟、全局唯一等特点，目前已经广泛应用于美团金融、美团外卖、美团酒旅等多个部门。Leaf项目已开源，详见：https://github.com/Meituan-Dianping/Leaf。

3. 美团点评Kubernetes集群管理实践

美团点评许多业务都具有“高峰”和“低谷”特征，比如节假日或者促销活动，流量还会在短时间内出现爆发式的增长。这对集群中心的资源弹性和可用性有非常高的要求，同时也会使系统在支撑业务流量时的复杂度和成本支出呈现指数级增长。所以就迫切需要利用有限的资源最大化地提升集群的吞吐能力，以保障用户体验。

本文将介绍美团点评Kubernetes集群管理与使用实践，包括美团点评集群管理与调度系统介绍、Kubernetes管理与实践、Kubernetes优化与改造以及资源管理与优化等。

4. 降低软件复杂性的一般原则和方法

用一句话概括《A Philosophy of Software Design》的观点，就是软件设计的核心在于降低复杂性。本篇文章也是围绕“降低复杂性”阐述，很多重要结论来源于John Ousterhout，并且做了一些相关话题的延伸，补充了一些实例，希望引发大家对软件设计的思考。

5. 美团大规模微服务通信框架及治理体系OCTO核心组件开源

微服务通信框架及治理平台OCTO作为美团基础架构设施的重要组成部分，目前已广泛应用于公司技术线，稳定承载上万应用、日均支撑千亿级的调用。业务基于OCTO提供的标准化技术方案，能够轻松实现服务注册/发现、负载均衡、容错处理、降级熔断、灰度发布、调用数据可视化等服务治理功能。

现在我们将OCTO的核心组件OCTO-RPC、OCTO-NS、OCTO-Portal开源，欢迎大家使用和共建。

6. Jupyter在美团民宿的应用实践

做算法的同学对于Kaggle应该都不陌生，除了举办算法挑战赛以外，它还提供了一个学习、练习数据分析和算法开发的平台。但对于大型互联网公司来说，数据量巨大且非常机密，无法用Kaggle Kernels处理分析业务数据。

本文我们将分享美团民宿团队是如何搭建自己的「Kaggle Kernels」—— 一个平台化的Jupyter，接入了大数据和分布式计算集群，用于业务数据分析和算法开发。希望能为有同样需求的读者带来一些启发。

7. 美团BERT的探索和实践

他山之石，可以攻玉。美团点评NLP团队一直紧跟业界前沿技术，开展了基于美团点评业务数据的预训练研究工作，训练了更适配美团点评业务场景的MT-BERT模型，通过微调将MT-BERT落地到多个业务场景中，并取得了不错的业务效果。

8. 全链路压测自动化实践

境内度假是一个低频、与节假日典型相关的业务，流量在节假日较平日会上涨五到十几倍，会给生产系统带来非常大的风险。经过多次实践总结，我们意识到全链路压测在整个系统稳定性建设中占有核心重要的位置，也是最有效的方案。为解决压测过程中人力成本高、多个团队重复工作、压测安全不可控，风险高等痛点，我们提出了全链路压测自动化的设想。

9. 研发团队资源成本优化实践

工程师主要关注的是技术层面的目标，而研发团队管理者会把实现项目成果和业务需求作为核心目标。一般情况下，如果要满足更多的技术指标如并发量和复杂度等，或者满足峰值业务的压力，最直接有效的方法就是投入更多的资源。然而，从全局来看，如果资源成本缺乏优化，最终会出现“边际效用递减”现象——技术能力的提升和资源的增幅并不匹配，甚至资源的膨胀速度会超过技术能力的提升，从而使技术项目本身的ROI大打折扣。

10. XGBoost缺失值引发的问题及其深度分析

XGBoost模型作为机器学习中的一大“杀器”，被广泛应用于数据科学竞赛和工业领域，XGBoost官方也提供了可运行于各种平台和环境的对应代码，如适用于Spark分布式训练的XGBoost on Spark。然而，在XGBoost on Spark的官方实现中，却存在一个因XGBoost缺失值和Spark稀疏表示机制而带来的不稳定问题。