关于 易流GP _ 【玻璃钢化粪池 www.hfcsccj.cn】 的搜索结果,共205
c****2 2018-07-10
个性推荐(一)
为了解决这个难题,个性推荐系统(Recommender System)应运而生。 个性推荐系统是信息过滤系统(Information Filtering System)的子集,它可以用在很多领域,如电影、音乐、电商和 Feed 推荐等。个性推荐系统通过分析、挖掘用户行为,发现用户的个性需求与兴趣特点,将用户可能感兴趣的信息或商品推荐给用户。与搜索引擎不同,个性推荐系统不需要用户准确地描述出自己的需求,而是根据用户的历史行为进行建模,主动提供满足用户兴趣和需求的信息。 1994年明尼苏达大学推出的GroupLens系统[1]一般被认为是个性推荐系统成为一个相对独立的研究方向的标志。该系统首次提出了基于协同过滤来完成推荐任务的思想,此后,基于该模型的协同过滤推荐引领了个性推荐系统十几年的发展方向。 传统的个性推荐系统方法主要有: 协同过滤推荐(Collaborative Filtering Recommendation):该方法是应用最广泛的技术之一,需要收集和分析用户的历史行为、活动和偏好。
s****5 2018-07-10
个性推荐(二)
总结 本章介绍了传统的个性推荐系统方法和YouTube的深度神经网络个性推荐系统,并以电影推荐为例,使用PaddlePaddle训练了一个个性推荐神经网络模型。个性推荐系统几乎涵盖了电商系统、社交网络、广告推荐、搜索引擎等领域的方方面面,而在图像处理、自然语言处理等领域已经发挥重要作用的深度学习技术,也将会在个性推荐系统领域大放异彩。 参考文献 P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work, CSCW 1994. pp.175-186. Sarwar, Badrul, et al. "Item-based collaborative filtering recommendation algorithms."
p****d 2018-07-11
单机房故障自愈--运维的春天
自愈方案通过抽象、规范处理程实现单机房故障自愈的自动,即将止损过程划分为统一的感知、决策、执行三个阶段;同时通过运维知识库解决基础数据、基础设施差异问题;通过策略框架支持智能异常检测、策略编排、量调度问题,同时支持用户自定义策略需求。实现单机房故障自愈的标准、智能。 在单机房故障自愈--黎明之战提到的百度网络与业务架构情况,我们将整体量调度止损架构拆分为3层:接入层、服务层、依赖层。 针对这3层的监控感知、止损决策与故障止损方式的不同,将止损自动决策拆分为外网止损自动决策与内网止损自动决策。 外网止损自动决策:覆盖接入层。基于外网、内网监控信号;触发外网止损决策器进行止损决策;执行DNS量调度止损。 内网止损自动决策:覆盖服务层、依赖层。基于内网监控、基础监控、业务监控提供的故障信号;触发内网止损决策器进行止损决策;执行量调度、主备切换、弹性降级等止损操作。 单机房故障自愈的常见问题和解决方案 传统的量调度自动止损方案存在如下问题: 1容量风险控制能力不足 【问题描述】 传统量调度的模式有两种:固定比例模式与容量保护模式。
疏****月 2018-07-09
一键上线Archer | 百度持续部署的瑞士军刀
在手工运维时代,运维人员需要花费大量精力进行此类重复性工作,且于出错。从公布的数据显示,Google 70%的生产事故由上线变更触发,如何减少变更过程中人为误操作,提供一个灵活、稳定的部署系统是运维平台研发人员所亟需解决的问题。 基本介绍 在运维自动的大潮下,百度运维管理平台Noah发布了一键上线部署系统——Archer。Archer致力于提供一套产品线全过程的可迁移发布解决方案,实现一键完成机器初始、服务部署、添加模块监控、添加CT任务、动态数据文件的分发等全过程的自动操作。在操作方面,Archer提供了命令行工具作为发起一次上线的操作入口,这种设计模式也决定了其于集成的特点。在DevOps水线作业中,Archer可以作为一个环节结合进整条测试发布水线中。另外,Archer也可作为上层服务托管平台的底层工具链,为PaaS平台提供稳定的底层部署服务。
s****d 2018-07-11
亿元级云用户分析
3.1 IaaS计算 IaaS计算,交付给客户的是CPU+内存+本地盘+本地网+IDC电力,产品形式可以是虚拟机、裸金属、容器,或者预装了数据库-大数据-队列等服务的模板云主机,决定资源成本的是硬件和电力的价格,以及内部浪费程度。销售铁三角对硬件资源的包装,完成资源成本分析、交付服务展示和付款周期核算;在硬件资源交付时,云厂商的优势长处是大规模交付和成本控制,至于短处么——家家有本难念的经。 3.2 CDN和带宽 CDN和带宽不同于服务器硬件,其原始资源是相对稀缺死板的广域网带宽,其交付的资源是持续不断的服务,所以资源部署比较慎重但客户动成本较低。制约客户全量迁移的是厂商的承载能力,而挖角和反挖时刻都在细水长。CDN和带宽首先考察的是企业内功,有没有廉价海量资源;再考验销售内部协调能力,能不能把好资源好价格抢到手里;而盯客户的套路和百万级销售类似,工作力度加大三五倍而已。 3.3数据存储 数据存储是很难年均摊营收上亿的,但定个1000万的小目标是能实现的;如果有1000万的非冷备存储,那很容带来数倍数十倍的计算和带宽消费。
M****H 2018-07-11
故障定位场景下的数据可视实践
常见的多维度分析包括如下几种场景: 单维度取值对比分析:针对同一个维度的不同取值进行对比分析,例如确定量下跌出现在哪个省份。 多维度关联分析:分析两个甚至更多维度互相作用后数据的分析,例如如何确定一个下跌是机房级别还是模块级别。 维度下钻分析:一些维度包含多个层级,例如省份、城市等相关联维度的逐层下钻定位。 我们针对这些场景,设计了相应的解决方案。 单维度取值对比分析 维度取值对比分析是一种最常见的细分维度定位方式。对于同一个维度下取值数量较少的情况,可以通过多维度趋势图和饼图等可视方式进行快速的分析,查看不同维度取值的取值状态,以及占整体比例情况。而对于维度取值数量多,且不同取值数量级差距较大情况(例如分省份的量下跌判定),使用饼图或趋势图很容量较小省份的信息隐藏掉。这种场景下,我们可以通过维度取值自动展开功能,分别查看每个省份的状态。 多个维度关联分析 细分维度的故障所带来的表象可能会在多个维度均有表现,比如服务整体的访问拒绝上升,我们会发现分机房的拒绝量上升,也看到分模块的拒绝上升。
w****0 2018-07-11
单机房故障自愈-黎明之战
3.服务不满足N+1冗余 描述:任意单个机房故障时,其余机房剩余容量不足以承担该机房切出的量。 问题:量调度导致其余机房服务过载,造成多个机房服务故障,造成更大范围的影响。 要求:容量建设需要对于每个逻辑服务单元都要有明确的容量数据,并具备N+1冗余,即任意机房故障情况下,其余机房均可承载这部分量,同时需要保证服务变时及时更新数据和扩容服务,避免容量数据退。同时对于量的变趋势,也需要有提前的预估,为重大事件量高峰预留足够容量(如节日、运营、假期)。 4.服务关联强耦合 描述:上下游服务使用固定IP或固定机器名进行直接连接。 问题:单机房故障发生时,关联的上下游之间无法进行快速的量调度止损。 要求:线上服务关联不允许使用固定IP或机器名链接,需使用具备量调度能力的上下游连接方式以实现上下游依赖解耦,下游服务发生单机房故障,可以快速调整路由比例实现止损。 单机房容灾能力--盲测验收 完成以上四点单机房容灾能力建设后,业务线就具备了通过量调度进行止损单机房故障的基本条件。
TOP