服务器·存储

最新文章

为了做好系统稳定性建设，首先需要明确什么是系统稳定性。通俗来说，系统稳定性指的是在经历外部干扰导致偏离原有平衡状态后，系统仍能在干扰消失后具备自主恢复到原来平衡状态的能力。这种能力体现了系统的韧性和恢复力。明确了稳定性的定义，下面将详细说明建设之初我所遇到的问题及挑战。

分享到：

Redis为什么使用哈希槽而不用一致性哈希？

今天我们聊个知识点为什么Redis使用哈希槽而不是一致性哈希。之前小许用图文并茂的方式用一期内容让大家快速了解了一致性哈希算法，看过的朋友应该还有印象，没看过的朋友可以点击这里看一遍《五分钟了解一致性哈希算法》。看明白这篇一致性哈希算法基础，会对本期内容有更好的认识和对比性。

分享到：

从SPC-1登顶看曙光存储，如何以实力重塑存储格局

近日，国际存储性能委员会（SPC）公布的SPC-1 V3基准测试最新成绩震动了存储行业。曙光存储集中式全闪FlashNexus以32控、超3000万IOPS的卓越性能刷新纪录，强势登顶全球榜首。为此，笔者有幸采访到了曙光存储的相关专家，深入剖析其背后的技术实力、市场战略以及对行业发展的深远影响。

分享到：

基于Flink的配置化实时反作弊系统

本文介绍了基于 Flink 的实时反作弊流式过滤系统，围绕架构设计、挑战应对及优化方案展开。通过特征计算和配置化管理，提升了系统的检测效率和稳定性。实践表明，该方案在提升数据处理时效性与反作弊效果方面均取得显著成效。未来，将进一步优化策略检测机制，提升检测精准度，并探索更智能的风险识别手段。

分享到：

别让老板知道！DeepSeek还能这样用在运维场景

DeepSeek作为一个现象级的技术热点在持续发酵，相关的资料很多，有介绍DeepSeek使用入门到精通、DeepSeek如何部署、DeepSeek的技术原理和实现是如何做到性价比最优等等。各行各业也争先恐后的宣布接入DeepSeek大模型，本文结合实际的运维工作中，如何借助DeepSeek来赋能实际的运维工作，有哪些运维场景进行了探讨。

分享到：

惊爆！DeepSeek一天狂赚几百万，545%成本利润率开始跨越盈利拐点

近日，DeepSeek的一则官方发文在AI领域引发广泛关注。文中透露，其DeepSeek-V3/R1通过大规模跨节点专家并行技术，实现了令人瞩目的成果——更大吞吐量和更低时延延迟。与此同时，DeepSeek公开的在线服务统计数据更是惊艳众人：（理论）成本利润率高达 545%。

分享到：

货拉拉大模型应用开发体系演进与实践

以 ChatGPT 为代表的生成式 AI 浪潮席卷全球，但企业落地过程中普遍面临“技术热、落地难”的困境。货拉拉基于自身在物流领域 AI 落地的深厚积累，打造了货拉拉的大模型应用一站式开发平台 -- 悟空平台。依托于悟空平台，货拉拉已在 14+ 个业务或部门，50+ 个真实业务场景，探索和落地大模型应用。

分享到：

一篇关于DeepSeek模型先进性的阅读理解

本文以DeepSeek模型为核心，探讨了其技术先进性、训练过程及行业影响。首先介绍DeepSeek的快速崛起及其对AI行业的颠覆作用。DeepSeek通过强化学习（RL）实现Time Scaling Law的新范式，突破了传统大模型依赖算力和数据的限制，展现了集成式创新的优势。

分享到：

百万级群聊的设计实践

本文介绍了服务端在搭建 Web 版的百万人级别的群聊系统时，遇到的技术挑战和解决思路，内容包括：通信方案选型、消息存储、消息有序性、消息可靠性、未读数统计。

分享到：

业务监控-京东物流Promise实践与探索

技术指标定义了服务可用率、性能TP99、调用量等技术指标。这些指标能够帮助开发人员深入了解系统的运行状态，及时发现并解决潜在问题。虽然技术指标正常是系统稳定性的一个重要参考，但并不能完全保证业务无异常。

分享到：

震撼！昇腾凭什么把DeepSeek效率“拉到满格”？

昇腾CANN团队敏锐捕捉到MLA架构的潜力，早在2024年5月DeepSeek-V2发布后，仅用2个月时间就完成适配优化，首发支持MLA融合算子，并实现与DeepSeek系列模型的原生适配。随着DeepSeek系列模型不断演进，昇腾持续深耕MLA推理预处理阶段的计算加速技术，探索出VV融合（多个Vector算子融合）及更底层的超级融合方式。

分享到：

得物小程序平台设计与实践

得物小程序平台致力于整合并管理微信、支付宝等渠道的得物数字资产，实现数字化管理。通过该平台，小程序和公众号等功能纳入公司工作流，以提升用户体验和管理效率。

分享到：

滴滴国际化落地实践经验分享

作为“技术债务治理”专题的收官之作，本文将深入剖析国际化外卖骑手侧H5项目（以下简称DH5）的治理实践。从技术债务的产生根源，到问题的拆解与分析，再到具体的解决方案及最终成果，我们将全方位总结DH5项目的治理经验，为类似场景下的项目治理提供参考与借鉴。

分享到：

百度网盘防雪崩架构实践

大模型在研发效能领域代码生成方面发挥了越来越大的作用，而大模型的预训练依赖大量的精标代码，这些精标数据必须是比较好的工程实践代码，这些比较好的工程实践代码，需要大量的技术沉淀，包括工程架构，代码架构等多纬度，涉及性能、可用性、扩展性、安全等方向，百度网盘有不少比较好的工程实践，本文主要是介绍百度网盘工程架构中的防雪崩架构。

分享到：