進行調度了。 透過這種機制，Kubernetes 實現了叢集的擴展。 4.3.3 Pod 動態擴展和縮放 在實際營運系統中，我們經常會遇到某個服務需要擴展的情境，也可能會遇到由於 資源緊張或工作負載降低而需要減少服務實例數的情形。此時可以利用命令 kubectl scale rc 來完成這些任務。以 redis-slave RC 為例，已定義的最初抄本數量為 2，透 過執行下面的命令將

机器重复且快速地执行，从而将人类从简单枯燥的重复劳动工作中解脱出来。但是对于需 要较高智能水平的任务，如人脸识别、聊天机器人、自动驾驶等任务，很难设计明确的逻 辑规则，传统的编程方式显得力不从心，而人工智能(Artificial Intelligence，简称 AI)是有 望解决此问题的关键技术。 随着深度学习算法的崛起，人工智能在部分任务上取得了类人甚至超人的智力水平， 如在围棋上 AlphaGo 智能程序已经击败人类最强围棋专家之一柯洁，在 游戏上 OpenAI Five 智能程序击败世界冠军队伍 OG，同时人脸识别、智能语音、机器翻译等一项 项实用的技术已经进入到人们的日常生活中。现在我们的生活处处被人工智能所环绕，尽 管目前能达到的智能水平离通用人工智能(Artificial General Intelligence，简称 AGI)还有一 段距离，我们仍坚定地相信人工智能时代已经来临。 机器学习是人工智能的一个重要研究领域，而深度学习则是近几年最为火热的一类人 这一概念最早出 现在 1956 年召开的达特茅斯会议上。这是一项极具挑战性的任务，人类目前尚无法对人脑 的工作机制有全面、科学的认知，希望能制造达到人脑水平的智能机器无疑是难于上青 天。即使如此，在某个方面呈现出类似、接近甚至超越人类智能水平的机器被证明是可行 的。 怎么实现人工智能是一个非常广袤的问题。人工智能的发展主要经历了三个阶段，每 个阶段都代表了人们从不同的角度尝试实现人工智能的探索足迹。早期，人们试图通过总

从厂商层面来看，运营商强势增长引领新一轮市场发展。财报 数据显示，2022 年电信运营商云计算市场增长迅猛，天翼云、移动 云、联通云分别营收 579 亿元、503 亿元和 361 亿元，增速均超 100%， 远超行业平均水平。据中国信息通信研究院调查统计2，阿里云、天 翼云、移动云、华为云、腾讯云、联通云占据中国公有云 IaaS 市场 份额前六3；公有云 PaaS 方面，阿里云、华为云、腾讯云、天翼云、 百度云处于领先地位。 营才能充分发挥安全效能。 （四）行业上云用云呈阶梯状分布，中小企业成影响上 云进程关键 从行业应用来看，我国云计算应用已从互联网拓展至政务、金 融、电信、工业、交通、能源等传统行业，但各行业应用水平参差 不齐，应用深度呈现阶梯状分布。 第一梯队行业上云用云处于成熟期，已从全面上云过渡到深度 用云，如政务、金融、电信等行业。上云已经成为各地政府、金融 机构和电信运营商数字化转型的必选项。整体来看，我国第一梯队 色用云需求，承担好“链长”职责，不断赋能行业数智升级。 中小企业是上云用云的主力军，SaaS 服务模式成为其上云首选。 中小企业是我国数量最大、最具活力的企业群体，在促进经济增长、 保障就业等方面发挥重要作用。提升数字化发展水平是提高中小企 业竞争力的重要举措之一。在政策指引下，中小企业上云意识和积 极性显著提升，上云进度不断加快，应用程度不断加深。当前，SaaS 服务模式成为中小企业上云用云的主要选择。一方面，SaaS

大数据集成对于Hadoop措施的重要性 Hadoop的迅速崛起推动企业在如何抽取、管理、转换、存储和 分析大数据方面实现了范式转变。无论是要更深入的分析，还是 希望获得更出色的洞察、新产品、新服务以及更高的服务水平，都 可以通过这项技术一一实现，从而大幅降低成本并创造新的 收入。 依靠收集、移动、转换、清除、集成、治理、探索以及分析多种 不同来源的大量不同类型的数据来实现大数据与Hadoop项 目。 炒作、神 话、误导或矛盾信息来渗透市场。 为彻底切断这种误导，并开发适合您的Hadoop大数据项目的 采用计划，必须遵循最佳实践方法，充分考虑各种新兴技术、可 扩展性需求以及当前的资源和技能水平。面临的挑战：创建最佳 的大数据集成方法和架构，同时避免各种实施缺陷。 海量数据可扩展性：总体要求 如果您的大数据集成解决方案无法支持海量数据可扩展性， 那么很可能无法达到预期的效果。为发挥大数据措施的整体 数 据集成，所以企业必须确定如何优化整个企业的此类工作负载。 一个Hadoop与大数据集成的重要用例是将大型ETL工作负载 从企业数据仓库 (EDW) 卸载下来，以便降低成本并改善查询 服务水平协议 (SLA)。该用例会引发以下问题： • 企业是否应卸载EDW中的所有ETL工作负载？ • 是否应将所有大数据集成工作负载都推送到Hadoop？ • 在没有并行关系数据库管理系统 (RDBMS)

域五个方面 6 云原生安全 API 安全治理 由中国信息通信研究院牵头编写，适用于用帮助用云企业评估自身云原生平 台和应用的 API 安全防护能力水平，定位问题、指导能力建设，适用于规范 云服务商、安全企业提供的产品及服务的能力水平。 7 云原生应用保 护平台 （CNAPP）能 力要求 由中国信息通信研究院牵头编写，为了云原生应用保护平台（CNAPP）的 框架并对每个功能 未对传输数据进行加密设计而直接进行明文传输， 攻击者可通过网络嗅探等手段直接获取 API 的交互格式以及数据，通过对获取 的数据进行分析，并进行下一步的攻击。 权限设计不合理导致的攻击：权限设计不合理可能导致水平越权、垂直越权 和数据越权等攻击行为。水平越权，由于服务端在接收到客户端请求数据后进行 操作时没有判断数据的所属对象，致使用户 A 可以访问到属于同一角色的用户 B 的数据。 垂直越权，由于服务端没有设置权限控制或权限控制存在缺陷，导致恶意用 的分层防护，确保 API 的安 全性。 云原生安全威胁分析与能力建设白皮书 55 （1）运行时应用程序自保护 为形成软件应用系统的自我免疫力，增强其防御 0day 漏洞攻击和开源组件 漏洞攻击的水平。RASP 能够将防御逻辑注入到 Java 底层 API 和 Web 应用程 序中，实现防御手段与应用程序融为一体，实时分析和检测 Web 攻击，使应用 程序具备自我保护能力，有效弥补原来防护体系的不足。

群集资源需求、整合工作负载并关 闭不使用的服务器，从而减少整体耗电量。此功能节省的耗电量超过了用户从简单的服务器整合所达 到的水平，因此能够进一步节省成本。 VMware DPM 基于用户定义的策略对 VMware DRS 群集进行监控，并验证是否能以较低的耗电量 水平满足服务级别协议 (SLA)。当应用程序工作负载增加时，VMware DPM 将重新激活挂起的主机。 Microsoft 或 Citrix DRS 运行时相比）。他们愿意使用 VMware DRS 以较高的平均服务器利用率水平运行，因为他们将 VMware DRS 视为“安全网络”。如果在任何特定服务器上出现高峰，VMware DRS 将会在群集内进 行工作负载平衡，因此不会有任何虚拟机缺少资源。如果没有 DRS，为了提供额外的可用资源，客户 估计使用率水平至少要降低 25% - 30%。其直接后果是，需要增加 25% - 30% 的服务器硬件和软件

项目开源主页：https://github.com/alibaba/RocketMQ 11 队列集合。  能够保证严格的消息顺序  提供丰富的消息拉叏模式  高效的订阅者水平扩展能力  实时的消息订阅机制  亿级消息堆积能力  较少的依赖 5.2 RocketMQ 物理部署结构 Name Server集群 Broker Master1 com/alibaba/RocketMQ 24 如图所示，5 个队列可以部署在一台机器上，也可以分别部署在 5 台丌同的机器上，収送消息通过轮询队列的方式 収送，每个队列接收平均的消息量。通过增加机器，可以水平扩展队列容量。 另外也可以自定丿方式选择収往哪个队列。 7.9 订阅消息负载均衡 TOPIC_A Consumer1 Consumer2 7-6 订阅消息 Rebalance Rebalance 如图所示，如果有 5 个队列，2 个 consumer，那举第一个 Consumer 消费 3 个队列，第二 consumer 消费 2 个队列。 返样即可达到平均消费的目的，可以水平扩展 Consumer 来提高消费能力。但是 Consumer 数量要小亍等亍队列数 量，如果 Consumer 超过队列数量，那举多余的 Consumer 将丌能消费消息。 队列数量 Consumer

Kubernetes特性： 自动装箱：构建于容器之上，基于资源依赖和其他约束自动完成容器部署。 自我修复：容器故障后自动重启、节点故障后重新调度容器，以及容器自我修复机制。 水平扩展：通过简单明了实现水平扩展，基于CPU等资源负载率的自动水平扩展。 服务发现和负载均衡：实现内部负载均衡可以实现服务访问负载。 自动发布和回滚：可以自动实现版本的发布和回滚。 秘钥和配置管理：对于密码等信息，专门提供了Secert对象为其解耦。

com/google/jax 1.6. 深度学习的成功案例 35 是人工智能正在影响我们生活的最明显的迹象。 • 数字助理的一个关键要素是准确识别语音的能力。逐渐地，在某些应用中，此类系统的准确性已经提高 到与人类同等水平的程度 (Xiong et al., 2018)。 • 物体识别同样也取得了长足的进步。估计图片中的物体在2010年是一项相当具有挑战性的任务。 在ImageNet基准上，来自NEC实验室和伊利 约风险，可能会将每个申请人与一个向量相关联，其分量与其收入、工作年限、过往违约次数和其他因素相 对应。如果我们正在研究医院患者可能面临的心脏病发作风险，可能会用一个向量来表示每个患者，其分量 为最近的生命体征、胆固醇水平、每天运动时间等。在数学表示法中，向量通常记为粗体、小写的符号（例 如，x、y和z)）。 人们通过一维张量表示向量。一般来说，张量可以具有任意长度，取决于机器的内存限制。 x = torch.arange(4) × 40像素上变得具有挑战 性，而且在10 × 10像素下几乎是不可能的。换句话说，我们在很远的距离（从而降低分辨率）区分猫和狗的 能力可能会变为猜测。概率给了我们一种正式的途径来说明我们的确定性水平。如果我们完全肯定图像是一 只猫，我们说标签y是“猫”的概率，表示为P(y =“猫”)等于1。如果我们没有证据表明y =“猫”或y = “狗”，那么我们可以说这两种可能性是相等的，即P(y =“猫”)

o m e t h i n g a b o u t 关于 OpenResty 和 Lua 的思考 一个菜鸟的视角 02 关于 OpenResty 和 Lua 的思考 Lua 适合 “ 平均水平 ” 的大团队做大工程吗 •动态类型语言 •网关产品对 runtime error 容忍度比较低 •Lua 开发环境，特别是 OpenResty 相关的比较弱 •难招人，后端开发转 lua 成本高昂 primarily for embedded use in applications” Wikipedia - Lua 关于 OpenResty 和 Lua 的思考 Nginx 的设计给 “ 平均水平 ” 终端开发者带来的问题 •多进程模型 + 异步 •线上问题难以调试 •多进程间同步效率低 •以nginx-lua-prometheus为例 （https://github.com/kny