Apache Kafka是一个分布式流平台，作为互联网领域不可或缺的消息组件，在全球获得了广泛的应用。在使用过程中，Kafka一般被作为消息流转的核心枢纽，上下游系统通过Kafka实现异步，削峰填谷。在大数据处理和实时数据处理领域Kafka也是不可替代的组件。 Kafka使用非常广泛，在有些领域使用已经非常成熟，如日志收集，大数据处理，数据库等领域。Kafka跟上下游也有标准化的对接模块，如日志收集有Flume，Filebeat，Logstash，大数据处理有spark，flink等组件。同时在一些小众的领域则没有现成的工具可以直接对接，如对接某个小众的数据库，或者用户自己定制化的系统。这时一般的对接方法是自行开发Kafka生产消费程序对接。
开源大数据平台E-MapReduce（简称“EMR”）是云原生开源大数据平台，向客户提供简单易集成的Hadoop、Hive、Spark、Flink、Presto、ClickHouse、StarRocks、Delta、Hudi等开源大数据计算和存储引擎。本文旨在分享阿里云Prometheus对EMR平台大数据服务的监控实践。
2023 年春节，经历了三年的疫情后，我们终于在春天迎来了曙光。国人的出行热情空前高涨：回家看看父母亲；心心念念的旅行终于可以成行了。按照高德的估计，2023 年春节出行的峰值流量将比 2022 年同期和 2022 年十一都有相当大比例的增长。然而，就在不久前，受疫情的影响，系统的流量还在相对低位运行。 如何在短时间内快速完成春节出行的备战准备工作，保障系统在春节流量高峰下平稳运行，让民众出行所必需的导航等信息服务访问可以丝般顺滑，成为了摆在技术人员眼前的迫切事情。要在流量变化很大的情况下保障系统平稳运行，同时做到降本增效，怎么做到呢？ 过去几年，高德一直在坚定、持续地推进应用的 Serverless 化。经过深入的研究和选型，最终选择阿里云函数计算 FC 作为其应用的 Serverless 计算平台。过去的一年，更是取得了长足的进展。 高德在 Serverless 上的远见帮助他们以更加敏捷、经济的方式应对不确定性以及强劲复苏的春节出行：不用费心考虑流量变化带来的资源变化，无需提前按照峰值流量准备大量的计算资源，不用担心资源是否足够，经济成本大幅下降、研发和运维效率明显提升。
很久之前团队师兄向我推荐了《重构：改善既有代码的设计》这本书，粗略翻阅看到很多重构的细节技巧，但当时还处于未接触过工程代码，只关注代码功能，不太考虑后期维护的阶段，读起来觉得枯燥无味，几乎没有共鸣，一直没有细细阅读。在工作一年后，终于在师兄的督促下，利用一个月左右的早起时光读完了这本书，收获很多，感谢师兄的督促，感谢这本书陪伴我找回了阅读习惯。把这本书推荐给已经接触了工程代码、工作一年左右的新同学，相信有了一定的经验积累，再结合日常项目实践中遇到的问题，对这本书的内容会有很多自己的思考感悟。
在钉钉 Flutter 桌面端落地过程中，我们遇到了很多仅仅依赖 Flutter 官方文档无法解决的问题，例如：桌面端集成模式问题、内存泄露问题、卡顿问题、光标焦点异常问题等。由于无法直接通过官方文档得到答案，我们便尝试通过分析源码实现和设计文档来寻找解决办法。虽然最终大部分问题得以解决，但是在这过程中有两点一直困扰我们： Flutter 生态中桌面端相关资料极少。少部分官方公开资料也仅有比较宽泛的介绍，缺少详细方案设计信息；业界对 FlutterEngine 架构分析和讨论，大多也仅仅设计移动端，桌面端相关内容很少涉及； FlutterEngine 在移动端和桌面端 Embedder 层设计有较大差异，移动端相关资料/方案无法直接应用到桌面端。 因此我们便萌生了整理一份 Flutter 桌面端资料集的想法。一方面来作为 Flutter 桌面端设计的入门资料，降低大家上手学习桌面端引擎设计的门槛、提升效率；另外一方面也可作为工具手册，为后续我们可能逐步落地的桌面端引擎改造提供技术储备。 本文主要从宏观角度来介绍一下 FlutterEngine 桌面端设计，从发展历史、架构概述、与移
在本系列第一篇 《没有银弹，只有取舍 - Serverless Kubernetes 的思考与征程（一）》 中介绍了 Kubernetes 的复杂性以及现有Serverless Kubernetes云产品的解决之道。本文将针对 Serverless Container 技术的特殊性，分享其对 Kubernetes 的架构影响，以及阿里云在Serverless Kubernetes方面架构选择。
本文将针对Serverless Container技术的特殊性，分享其对Kubernetes的架构影响，以及阿里云在Serverless Kubernetes方面架构选择。
深度语义匹配在闲鱼搜索相关性计算中扮演重要角色，相关工作在文章[1]《闲鱼搜索相关性——体验与效率平衡的背后》中有简单的介绍。如题，本文介绍前段时间在深度匹配任务上的另一种尝试，通过检索和生成任务联合训练的方法提升相关性匹配的效果。 融合生成任务提示匹配主任务的思路并不新颖，而在BERT流行的今天，本文则参考[2]《鱼与熊掌兼得：融合检索和生成的SimBERT模型》，稍加改动，使用BERT为Backbone来重新实现类似的思路，模型暂且仍叫SimBert。
