在数据处理和分析的领域，提升查询效率始终是一项关键挑战。对于 OLAP 来说，性能的关键需求在于能支持实时分析，应对复杂查询，提供快速响应，并具备良好的可扩展性。这些方面，对于满足高效、准确的数据分析需求至关重要。 火山引擎正式发布《云原生数据仓库ByteHouse性能白皮书》，白皮书通过使用 SSB 100G、TPC-H 100G、TPC-DS 100G 数据集进行性能测试，展示出 ByteHouse 在查询效率方面的显著成果，并详细介绍ByteHouse在实时数仓、复杂查询等八大应用场景的高性能应用表现。 作为一款OLAP引擎，伴随字节跳动各业务的发展，ByteHouse已经过数百个应用场景和数万用户锤炼，在2022年3月，部署规模已超过1万8000台，最大的集群规模在 2400 余个节点，管理总数据量超过700PB，并逐步在外部金融、泛互等场景应用和推广。为了更好支持字节内外部大规模数据和复杂场景应用，性能一直以来是ByteHouse重点打磨的产品基本功。
软件里的要素不是凭空出现的，都是源于实际的业务。本文从软件设计本源到建模案例系统的介绍了作者对于建模的思维和思考。
本文是一次优秀的反哺开源社区贡献实践，腾讯工程师在日常工作中基于对开源库 qs 的使用，发现了其在某些业务场景下存在的瓶颈问题。通过对测试数据的复现，debug 定位了真正的问题原因，并基于对问题的分析提出了一个稳定提升 5 倍性能的调优方案。 本次调优方案在他发起 pull request 后，仅耗时 34 小时便被开源库作者合入主线并发布新版本，成为截至目前唯一的性能优化更新。他是怎么做到的，一起来看看吧！
B站的下行CDN旧架构如下图所示，可以看到边缘CDN节点与中心调度服务有紧密协作，简单说是先由调度服务进行流量调度(负责均衡的调度到每个网关组件节点），再由回源组件进行集群内的回源收敛，最终到对应的回源节点进行回源。随着业务体量的增加，这种模式所带来的风险也不断的被暴露出来。
Golang基于多线程、协程实现，与生俱来适合异步编程，当我们遇到那种需要批量处理且耗时的操作时，传统的线性执行就显得吃力，这时就会想到异步并行处理。下面介绍一些异步编程方式和技巧。
AI 时代，技术呈指数级发展，我们越来越关注，如何持续学习提升，跟上时代的步伐。 刚好借着世界读书日的契机，我们邀请了阿里内部的技术大牛们，分享他们在 AI 时代持续学习的过程中，推荐的一些内容。 这其中的每一本书，都带有推荐者深刻的感悟与独到的见解。在这个春意正浓的季节，期待与你重逢在阅读的旅程中。
