应⽤系统: Servlet Service Dubbo- RPC JVM Middlewares: MyBatis Redis ElasticSearch Jetty 特点: ⽆侵⼊的实现⽅案 告警 告警项: 告警⽅式 通知⽅式 报告: 系统异常状况汇总 特点: 智能 通知分组 ⽇志分析 访问明细: 应⽤⽇志明细 Docker 报告: 应⽤⽇志搜索 错误⽇志定位 分布式⽇志查询 设备 浏览器 访问路径 性能明细 (Resource Timing & Navigation Timing API) 报告: ⻚⾯性能 Ajax性能 ⻚⾯错误 特点: ⽆埋点的实现⽅案 运⾏时拓扑 访问明细: TraceId SpanId 报告: 实时⽹络拓扑图 实时调⽤延迟展示 特点: 实时反应系统状况 运营决策 视⻆: 系统资源使⽤，系统健康度 报告: HTTP/gRPC 接⼝ - 使⽤ protobuf 定义 API - ⾃动⽣成 http 和 gRPC 接⼝ 和client 代码 - 可选⾃动发布 接⼝ 到 OpenAPI 未来的规划 - 轻量化服务注册发现 - ⽀持运⾏时插件，允许⽤户以 服务的⽅式拦截系统接⼝ - ⽀持UI的运⾏时扩展 开源新时代的挑战 第五部分 打造围绕开源的开发流程 - GitFlow or Github

extension Custom controller Network plugins Storage plugins 8 9 OAM & KubeVela OAM表单 简单开放 标准 可扩展 轻量化 新的复杂度-开发模式 for { actualState := GetResourceActualState(rsvc) expectState := GetResourceExpectState(rsvc) ServiceMesh-下一代分布式应用编程模式 • 应用运维可编程 • 多元化（云，工作负载，服务） • 平台 • 可观测是重中之重 • 智能化-AIOps • 一体化-扩展屏蔽基础设施 • 轻量化-下沉 • 自动化-端到端 Thanks

- 开发迭代： 如需开发介入，那么功能迭代的速度 - 可解释性： 理由是否能否说服玩家遵从建议 - 对用户价值： 提升玩家体验 / 吃鸡率的帮助有多大 推荐系统接入——系统架构 推荐系统: 向量化 方案探索——资源点推荐 针对具体场景开发 - 专利：《一种在游戏中离线挖掘、实时推荐资源点的方案》 - 大数据挖掘资源出现位置 - 左：配置文件 - 右：大数据挖掘 - 不足： -

演算法猶如美妙的交響樂，每一行程式碼都像韻律般流淌。 願這本書在你的腦海中輕輕響起，留下獨特而深刻的旋律。 第 0 章 前言 www.hello‑algo.com 2 0.1 關於本書 本專案旨在建立一本開源、免費、對新手友好的資料結構與演算法入門教程。 ‧ 全書採用動畫圖解，內容清晰易懂、學習曲線平滑，引導初學者探索資料結構與演算法的知識地圖。 ‧ 源程式碼可一鍵執行，幫助讀者在練習 圖 0‑4 克隆倉庫與下載程式碼 第三步：執行源程式碼。如圖 0‑5 所示，對於頂部標有檔案名稱的程式碼塊，我們可以在倉庫的 codes 檔案 夾內找到對應的源程式碼檔案。源程式碼檔案可一鍵執行，將幫助你節省不必要的除錯時間，讓你能夠專注 於學習內容。 圖 0‑5 程式碼塊與對應的源程式碼檔案 除了本地執行程式碼，網頁版還支持 Python 程式碼的視覺化執行（基於 pythontutor 第 1 章 初識演算法 www.hello‑algo.com 13 圖 1‑3 貨幣找零過程 在以上步驟中，我們每一步都採取當前看來最好的選擇（儘可能用大面額的貨幣），最終得到了可行的找零方 案。從資料結構與演算法的角度看，這種方法本質上是“貪婪”演算法。 小到烹飪一道菜，大到星際航行，幾乎所有問題的解決都離不開演算法。計算機的出現使得我們能夠透過程 式設計將資料結構儲存在記憶體中，同時編寫程式碼呼叫

元，剩余 1 − 1 = 0 元。 5. 完成找零，方案为 20 + 10 + 1 = 31 元。 在以上步骤中，我们每一步都采取当前看来最好的选择（尽可能用大面额的货币），最终得到了可行的找零方 案。从数据结构与算法的角度看，这种方法本质上是「贪心算法」。 1. 初识算法 hello‑algo.com 9 Figure 1‑3. 货币找零过程 小到烹饪一道菜，大到星际航行，几乎所有问题的解 上。换句话说，我们只能从第 ? − 1 阶或第 ? − 2 阶前往第 ? 阶。 由此便可得出一个重要推论：爬到第 ? − 1 阶的方案数加上爬到第 ? − 2 阶的方案数就等于爬到第 ? 阶的方 案数。公式如下： ??[?] = ??[? − 1] + ??[? − 2] 14. 动态规划 hello‑algo.com 277 这意味着在爬楼梯问题中，各个子问题之间不是相互独立的，原问题的解可以从子问题的解构建得来。 − 1] ，状态转移至 [? − 1, ? − ???[? − 1]] 。 上述的状态转移向我们揭示了本题的最优子结构：最大价值 ??[?, ?] 等于不放入物品 ? 和放入物品 ? 两种方 案中的价值更大的那一个。由此可推出状态转移方程： ??[?, ?] = max(??[? − 1, ?], ??[? − 1, ? − ???[? − 1]] + ???[? − 1]) 需要注意的是，若当前物品重量

O(N) • 内存队列与磁盘队列混⽤，时序性⽆法预估 • Topic -> Channel 消耗太⾼ • ⼤量Fin包导致系统调⽤/⼩数据包过多 • Producer 没有官⽅分布式解决⽅案 Q&A

直播平台很类似？ 建模：通过表象看本质 08 动态视图—规则 ➢ 动态视图：通过对象之间的交互来说明⽤例是如何被实现的 ➢ 问题：如何把实体转化为软件架构中的模块/系统 对象？ ➢ ⽅案：尽量去映射，采⽤相似的命名，减少理解 上的差异！ 建模：通过表象看本质 09 业务架构图 ➢ 分层架构：变与不变 ➢ 实现⽅式：单体架构 vs 微服务架构 实战：基于go-kit构建易拆分的单体应⽤

逻辑优化 ⽣产环境的优化 第⼆部分 ⾸先，是发现问题 API 压测 全链路压测 ⽣产环境被 ⾼峰流量打爆了 进 pprof 寻找(可能的) 故障原因 按照不同的情况 选择不同的⽅案 线上⼀定要开 pprof 如果有安全考虑 那也⼀定要有能通过配置开启的能⼒ CPU ⽤爆了？90%？ 内存⽤爆了？OOM? Goroutine ⽤爆了？80w? 线程数爆了？ 延迟太⾼？ 压测时关注哪些服务指标

31 元。 第 1 章 初识算法 hello‑algo.com 13 图 1‑3 货币找零过程 在以上步骤中，我们每一步都采取当前看来最好的选择（尽可能用大面额的货币），最终得到了可行的找零方 案。从数据结构与算法的角度看，这种方法本质上是“贪心”算法。 小到烹饪一道菜，大到星际航行，几乎所有问题的解决都离不开算法。计算机的出现使得我们能够通过编程 将数据结构存储在内存中，同时编写代码调用 上。换句话说，我们只能从第 ? − 1 阶或第 ? − 2 阶迈向第 ? 阶。 由此便可得出一个重要推论：爬到第 ? − 1 阶的方案数加上爬到第 ? − 2 阶的方案数就等于爬到第 ? 阶的方 案数。公式如下： ??[?] = ??[? − 1] + ??[? − 2] 这意味着在爬楼梯问题中，各个子问题之间存在递推关系，原问题的解可以由子问题的解构建得来。图 14‑2 展示了该递推关系。 例如零钱兑换问题，我们虽然能够容易地举出反例，对贪心选择性质进行证伪，但证实的难度较大。如果问： 满足什么条件的硬币组合可以使用贪心算法求解？我们往往只能凭借直觉或举例子来给出一个模棱两可的答 案，而难以给出严谨的数学证明。 Quote 有一篇论文给出了一个 ?(?3) 时间复杂度的算法，用于判断一个硬币组合能否使用贪心算法找出任 意金额的最优解。 Pearson, D. A polynomial‑time

第 1 章 初识算法 www.hello‑algo.com 13 图 1‑3 货币找零过程 在以上步骤中，我们每一步都采取当前看来最好的选择（尽可能用大面额的货币），最终得到了可行的找零方 案。从数据结构与算法的角度看，这种方法本质上是“贪心”算法。 小到烹饪一道菜，大到星际航行，几乎所有问题的解决都离不开算法。计算机的出现使得我们能够通过编程 将数据结构存储在内存中，同时编写代码调用 上。换句话说，我们只能从第 ? − 1 阶或第 ? − 2 阶迈向第 ? 阶。 由此便可得出一个重要推论：爬到第 ? − 1 阶的方案数加上爬到第 ? − 2 阶的方案数就等于爬到第 ? 阶的方 案数。公式如下： ??[?] = ??[? − 1] + ??[? − 2] 这意味着在爬楼梯问题中，各个子问题之间存在递推关系，原问题的解可以由子问题的解构建得来。图 14‑2 展示了该递推关系。 例如零钱兑换问题，我们虽然能够容易地举出反例，对贪心选择性质进行证伪，但证实的难度较大。如果问： 满足什么条件的硬币组合可以使用贪心算法求解？我们往往只能凭借直觉或举例子来给出一个模棱两可的答 案，而难以给出严谨的数学证明。 Quote 有一篇论文给出了一个 ?(?3) 时间复杂度的算法，用于判断一个硬币组合能否使用贪心算法找出任 意金额的最优解。 Pearson, D. A polynomial‑time