Bat_tmd_flag公司的技術架構
ref
腾讯：QUIC 协议在腾讯的实践和优化
阿里：使用标准的 ANSI SQL 驱动大数据流计算
华为：边缘计算 IoT 云服务应用实践
微博：AI 时代精准的个性化推荐
唯品会：统一检索平台的演进和探索
今日头条：大型直播互动系统的设计与实践
微众银行：金融业务中区块链技术架构解析
菜鸟网络：全球跨域 RPC 架构设计
网易严选：售后服务架构演变实践
eBay：QE 团队向工程效率团队转型的实践之路
Pinterest：大数据平台的过去与未来
前 Tesla 深度深度学习负责人：自动驾驶中的计算机视觉技术
https://www.infoq.cn/article/2018/04/battotmd
https://www.cnblogs.com/hacker-caomei/p/13741252.html
b: c++ php
a: java 阿里云：java c++ go
t: c++ go
j：java
t：go (python ）
m： java
d： go （php）
知乎：Go(python)
饿了么：Java（python）
1 阿里淘宝：（PHP->JAVA）
https://www.cnblogs.com/wchukai/p/4311195.html
https://www.cnblogs.com/52czm/p/11097156.html
https://blog.csdn.net/jayjaydream/article/details/94925945
https://studygolang.com/articles/14898
知乎：（Python->Go）
https://www.zhihu.com/question/314356555/answer/616838029
https://www.zhihu.com/question/314356555/answer/625772570
滴滴（php->Go）
https://blog.csdn.net/ra681t58cjxsgckj31/article/details/80177303
Youtube：(Python->c++)
之前的youtube：
https://blog.csdn.net/iteye_15498/article/details/81647877 Apache Python Linux(SuSe) MySQL psyco，一个动态的Python到C的编译器 lighttpd代替Apache做视频查看
现在的youtube：
https://zhuanlan.zhihu.com/p/22339441
YouTuber历尽千辛万苦，还是将代码分出来严格的Web前端和API层，API层严格划分出了服务模块，各层和模块间只能采用Protocol Buffer的RPC API交互。虽然由于各种不得已这个严格划分好了的Python codebase（居然）还是要整体发布，但是现在逐个模块重写，至少在技术上成了可能。
轰轰烈烈的 #YTFExit 运动开始了（YTFE = YouTube FrontEnd），运动还有一个契机：MySQL是真的撑不住了，就算技术上撑得住，Google SRE也不愿再为YouTube维护一套全Google唯一的巨型MySQL环境了。YouTube决定将所有存储迁移到Spanner, 并且重新设计表结构，那坨绕不开的数据访问Python代码横竖都是要重写的了。YouTube决定将API层的服务逐个用C++重写成独立部署的微服务，最大限度利用Google完善的C++ infrastructure, prefork什么的自然不会存在，性能的话，其实不管用什么语言只要把陈年代码推倒重写一次都能有显著提升，更别说是C++了。最后只剩下Web层还是Python, 而由于YouTube Web前端已经迁移到Polymer, 可以直接跟API层通信，需要服务器拼接Web页面的地方越来越少，剩下的Web层代码也越来越少，最终也将迁出Python体系。YouTube也将不再是一个Python项目了
https://www.youtube.com/watch?v=G-lGCC4KKok
https://www.youtube.com/watch?v=hnpzNAPiC0E
Timestamps 0:00 Introduction (Lisa Guo) 2:21 1. Scale out 5:11 1.1 Instagram Stack Overview 5:46 1.2 Storage vs Computing 6:29 1.3 Scale out: Storage 8:13 1.4 Scale out: Computing 8:52 1.5 Memcache + consistency issues 12:05 1.6 DB load problem 14:01 1.7 Memcache Lease 15:12 1.8 Results, Challenges, Opportunities 17:03 2. Scale up 17:57 2.1 Monitor (Collect Data) 20:07 2.2 Analyze (C-Profile) 23:06 2.3 Optimize 26:19 2.3a Memory Optimizations 29:06 2.3b Network Latency Optimizations 30:40 2.4 Challenges, Opportunities 31:36 3. Scale Dev Team 33:06 3.1 What We Want 33:30 3.2 Tao Infrastructure 34:33 3.3 Source Control 36:17 3.4 How to ship code with 1 master approach? 37:54 3.5 How often do we ship code? 40:03 Wrap-up 41:15 Q&A
- 上一篇 Effectivedebugging
- 下一篇 Rss閲讀