随着公司业务快速发展，数据库中数据量猛增，访问性能变慢。关系型数据库本身比较容易成为系统瓶颈、单机存储容量、连接数、处理能力有限。当单表的数据量达到1000W或100G以后，由于查询纬度较多，即使添加从库、优化索引，做很多操作时性能仍下降严重。 方案一：通过提升硬件来提高数据处理能力，比如增加存储容量、CPU等，这种方案成本较高，并且瓶颈在数据库服务本身，通过提高硬件得到的提升有限; 方案二：分库分表，使得单一数据库、单一数据表的数据量变小，从而达到提升数据库性能的目的。
本次跟大家分享的是哈啰出行精准营销场景的算法与实践，包括以下几大部分： 精准营销的背景和价值 精准营销框架 精准营销算法能力 未来方向
搜索平台的公共集群，由于业务众多，对业务的es查询语法缺少约束，导致问题频发。业务可能写了一个巨大的查询直接把集群打挂掉，但是我们平台人力投入有限，也不可能一条条去审核业务的es查询语法，只能通过后置的手段去保证整个集群的稳定性，通过slowlog分析等，下图中cpu已经100%了。
逛逛是哈啰APP推出的内容社区，旨在为用户提供优质的生活攻略。本次分享以逛逛为例，介绍一下逛逛业务的推荐升级之路。
k8s原生调度器默认资源平衡是根据Node节点的空闲request来实现的，但是我们配置Pod request预设值时基本是虚拟机的思想，会比实际程序使用值偏大并且和实际偏差较大，造成Node的request已分配比和资源实际利用率(水位)偏差较大，如下图所示。如果集群规模较大或集群运行时间较长，每个节点中request分配虽然接近，但是节点间资源水位相差很大。负载很高的主机其上的业务存在运行不稳定，同时负载很低的主机资源被大量浪费，哈啰自研的基于水位平衡的调度器主要就是为了解决这个问题。
我们团队基于Elasticsearch开发了一款将数据从数据库实时同步至Elasticsearch的工具——搜索平台，其实现方式主要是通过flink将数据库中已有的存量数据导入Elasticsearch，并订阅数据表的binlog，将实时改动也同步至Elasticsearch。
