ITPub博客

在供应链履约流程中，PC实操发货主要负责 “完成复查入库商品的数量、规格和质量，并核对证书和防伪扣的正确性，确保商品无问题后，对订单内的商品进行打包、打印黏贴物流面单，并交接给3PL配送”。 作为配送前的最后一道屏障，需要确保供应链从生产入库到出库的环节的质量符合预期，最终将包裹交付到物流供应商，配送给消费者。

目录 一、背景 二、图片拉伸优化 1. 本地图拉伸 2. .9图拉伸 3. 网络图FIT_CENTER拉伸 4. 网络图CENTER_CROP拉伸 三、本地相册加载优化 四、动图缓存、闪烁优化 五、未来展望 六、总结

对于一个前端工程师而言，每天都在面对的较多的需求场景就是调用后端的接口，但是因为众所周知的原因，前端目前已经有无数种调用接口的方式，例如：之前有基于 XHR、Axios、Fetch 进行封装的工具，大家都试图在统一接口的调用方式，但是他们看起来最后都需要再进行改造。于是，我们试图在 B 站开发一套能够综合上述工具之长处，并结合 B 站事实需要的工具， 推出一个具有统一错误处理、减少代码冗余、抹平风格差异、降低文档负担、优化代码提示等功能的统一请求库。

目录 一、背景 二、建设“四化”体系 三、机制的目标与框架 四、流程与规范 五、方法与工具 六、聚焦“关键词” 七、总结

布线系统作为大型数据中心的关键基础设施之一，如何利用数字化管理工具提高其交付及运维管理效率，也是我们一直在思考的问题和探索实践的方向。

目录 一、概述 二、问题是什么？ 1. DTO中声明了类型模糊的字段 2. DTO中赋值了非标集合类型数据 三、为什么会有这个问题？ 1. 对端(另一个进程)不存在的类型 2. 无法通过反射实例化的类型 四、怎么处理这个问题？ 1. 调整序列化方案 2. 包容它、迁就它 2.1 标准库工具类 2.2 lang3库工具类 2.3 guava库工具类 五、总结

特定数据域的数据治理最近成为各个行业的焦点。

NameNode的性能优化已经告一段落了，第一步和第二部的拆锁已经在我们的生产集群上稳定运行了一段时间，整体性能提升明显，整体RPC Queue Time相比于拆锁之前有数量级的下降，当前已经可以支持绝大多数应用场景，包括之前的描述的任务日志聚合和Flink CheckPoint 路径等场景，在接下来计划中，我们也正在考虑是否将BlockPool层锁做进一步细粒度拆分，进一步提升NameNode的性能。

云技术是未来技术新趋势，所以需要重点掌握云技术，下面我就全面的详解云技术及技术体系

最近团队内部在RocketMQ的业务实践上有一些心得，想给大家分享一下，首先转转这边是有架构团队自研的ZZMQ的，所以我们自然而然的用的ZZMQ，考虑到受众人群，开篇会先讲开源版本的一些基础知识，然后从顺序消息和事务消息2个炽手可热的话题上逐渐转入到与ZZMQ的比较，希望可以帮助到大家绕过"坑"。

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。

账号登录系统，作为游戏发行平台最重要的应用之一，在当前的发行平台的应用架构中，主要承载的是用户的账号注册、登录、实名、防沉迷、隐私合规、风控等职责。合规作为企业经营的生命线，同时，账号登录作为在线链路转化的第一站，因此账号登录系统的稳定性，一直面临极高的要求。

1.背景 1.1 现状 1.2 数据量统计 1.3 慢查询情况 2.设计目标 2.1 解决数据量问题 2.2 解决读写性能 3.方案选择 3.1 db存储方案选型 3.2 慢查询优化方案 4.方案实践 4.1 方案实践步骤 4.2 切换底层数据存储步骤 4.3 接入ES 5.总结与成果

Matroska是一种开放标准、功能强大的多媒体封装格式，可容纳多种不同类型的视频、音频及字幕流，其常见的文件扩展名为.mkv、.mka等。与应用广泛的MP4相比，Matroska更加灵活开放，可以同时容纳多个字幕，甚至可以包含章节、标签等信息，成为了许多用户的偏爱。B站Web投稿页上传的所有视频中，封装格式为Matroska的视频占比超过2%，是除MP4以外占比最高的格式。

Matroska是一种开放标准、功能强大的多媒体封装格式，可容纳多种不同类型的视频、音频及字幕流，其常见的文件扩展名为.mkv、.mka等。与应用广泛的MP4相比，Matroska更加灵活开放，可以同时容纳多个字幕，甚至可以包含章节、标签等信息，成为了许多用户的偏爱。B站Web投稿页上传的所有视频中，封装格式为Matroska的视频占比超过2%，是除MP4以外占比最高的格式。

一、背景 二、问题排查纪录 1. 常规手段排查 2. 发现怀疑点 3. 排查怀疑点 4. 排查native耗时 5. 定位到DEBUG_JAVA_DEBUGGABLE 6. 定位到DeoptimizeBootImage 7. 原因分析 8. 验证是系统问题 9. 反馈问题 三、临时解决 四、最后

目录 一、什么是注意力机制 二、Transformer架构设计 三、 理解Transformer中的Token 1. 将文本拆分成token 1.1 基于单词的分词器 1.2 基于字符的标记器 1.3 基于子词的标记器 2. 向量、矩阵、张量 2.1 向量(Vector) 2.2 矩阵(Matrix) 2.3 张量(Tensor) 3. 将token转换成向量 4. 将向量转换成嵌入 四、理解Transformer的编解码器 五、理解Token在编码器中的流转 1. 对Token进行位置编码 2. 自注意力机制 2.1 计算注意力值 2.2 多头注意力机制 3. 残差网

在当今数字娱乐时代，弹幕已经成为直播平台上不可或缺的互动元素之一。

一直以来，体验都是得物技术部的关键词之一，对于前端开发而言，提高用户体验更是一项至关重要的工作。 本文从本次交易后台性能优化实践出发，同时介绍应用整体架构和设计，希望可以给参与网站性能建设的同学提供一定的学习和参考价值。

Flink SQL在业务使用中有较多的双流join场景，当左右流的流量都较大，Join的等待时间即使为1小时，Flink Keyed State（Flink State分Operator State和Keyed State，后文所有State均代表后者）的存储大小也很容易达到TB级（内部默认使用的是RocksDBStateBackend）。