关于 用了慢性毒药后的感受【V信;799.196.362】阎 的搜索结果,共1748
若****客 2018-07-10
IT架构本质--我五点
业务应不可靠,如果该应能快速重建也不阻塞其他应,月级偶发内存泄漏和意外崩溃都是可以接。 支撑服务不可靠,对于大部分业务,预估一年都不丢一次数据,SLA能到99.95%就可以。 操作系统故障崩溃,现在商系统内核都很稳定,一般故障都出在硬件驱动兼容上,或者有些照本宣科傻瓜乱改默认参数。 网络不稳定,内网通技术方案很成熟,少提复杂需求内网就能很稳定,我们最烦是单条网线处于半死不活状态;IDC外网SLA默认就是3个9,所以我说支撑服务能到99.95%就已经很可靠。 硬件不稳定,大部分架构师根本不懂硬件,只要不出硬件批次故障,架构师就可以将单点硬件和系统、服务绑在一起做可靠设计。 人力误操作,我们招不到不出故障人,我自己达不到不出错标准。只要员工没有恶意破坏,出大范围故障就是群集健壮设计不到位,别让操作工给技术总监和架构师顶包。 监控和备份是运维职责,但架构师需要帮忙确认目正确,别备份半天废数据,监控只看telnet80。 结束语 架构之术繁琐,架构之道浅显 本文讲是架构工作“道”,对与架构之“术”并不提及。
y****i 2018-07-11
做容器云最佳
前言 我一直瞧不上容器厂商企宣话述,连带着看轻容器技术;但容器技术是有价值,容器编排技术更是一片大好发展方向。 我很讨厌这些电线杆小广告宣传方式:可以实现弹伸缩、自动化运维、持续交付、微服务、秒级部署、高强度容灾、多版本控制等功能,从而改善和解决复杂IT应场景。事实上是使者自己设计维护可以弹伸缩、自动运维、容灾冗余程序,无论是物理机、虚拟机还是容器(进程),本来能弹服务还是能弹,没容灾服务还是在赌命。 合格架构和运维都瞧不上这些废话,因为十年前我们裸机就能实现这些功能。但世上没有那么多合格架构师,云计算要解决就是缺人问题。最早云主机也是类似夸张无赖宣传,我第一眼看云主机也觉得是个噱头,这些遗至今还在误导客户。本文是为说清容器能力特,我们该如何好容器编排系统。 容器基础特 容器和虚拟机都属于IaaS云范畴,按申请资源量付费,不关注客户业务逻辑和访问频率。容器只是隔离出一个进程,而虚拟机是模拟一整套操作系统,这是双方本质区别。
y****n 2018-07-09
Apollo 自动驾驶知技术分享
我们在图像级别会做类似分割,目是我们做场景建模和语义化描述。我们有很多任务,每个任务输入是多源,包括激光雷达、图像等。如果要 Apollo 搭建知系统,如何选择传器、传器配置?希望它做什么任务。 这是三种基本传效果对比,LiDAR 是激光雷达,Radar 是汽车通毫米波雷达,Camera 是摄像头。绿色代表做得好,黄色代表做得普通,红色代表做得差。最,说明三种传器融合效果是最好。 那么 ,知系统开放模块怎么做? 点云知。开放 LiDAR 点云检测,可以判断点云里每个点是否为障碍物,障碍物类型是什么。 知框架。是深度学习,它可以做到精准检测和识别。而深度学习非常耗费计算量。需要依靠搭建车载智能系统,来支撑深度学习模型,以达到毫秒级知。 高精地图。先以当前激光雷达作为坐标系核心,把地图中点投到坐标系里。然建立快速表格,根据距离扩大坐标区域。之对俯视图进行网格化,网格化参数可以在 Apollo 进行配置。最输送给障碍物检测。 障碍物检测。分为特征抽取、点云检测、点云聚类、处理、闭包提取。
不****主 2018-07-09
高精地图
摄像机、激光雷达、雷达探测物体能力,在超过一定距离都会到限制。在恶劣天气条件下或在夜间,传器识别障碍物能力可能会到进一步限制。另外当车辆遇到障碍物时,传器无法透过障碍物来确定障碍物物体。这时,就需要借助高精地图帮助。 即使传器尚未检测到交通号灯,高精地图也可以将交通号灯位置提供给软件栈其余部分,帮助车辆做下一个决策。 另一个好处在于,高精地图可帮助传器缩小检测范围,如高精地图可能会告知我们在特定位置寻找停车标志,传器就可以集中在该位置检测停车标志,被称为兴趣区域ROI。ROI可帮助我们提高检测精确度和速度,并节约计算资源。 高精地图于规划 正如定位和知依赖高精地图那样,规划也是如此。高精地图可帮助车辆找到合适行车空间,还可以帮助规划器确定不同路线选择,来帮助预测模块预测道路上其他车辆将来位置。 如高精地图可帮助车辆识别车道确切中心线,这样车辆可以尽可能地靠近中心行驶。在具有低速限制、人行横道或减速带区域,高精地图可以使车辆能够提前查看并预先减速。如果前方有障碍物,车辆可能需要变道,可帮助车辆缩小选择范围,以便选择最佳方案。
c****2 2018-07-10
化推荐(一)
优点是简单直接,不需要依据其他户对商品评价,而是通过商品属进行商品相似度度量,从而推荐给户所兴趣商品相似商品;缺点是对于没有任何行为户同样存在冷启动问题。 组合推荐[5](Hybrid Recommendation):运不同输入和技术共同进行推荐,以弥补各自推荐技术缺点。 近些年来,深度学习在很多领域都取得巨大成功。学术界和工业界都在尝试将深度学习应于个化推荐系统领域中。深度学习具有优秀自动提取特征能力,能够学习多层次抽象特征表示,并对异质或跨域内容息进行学习,可以一定程度上处理个化推荐系统冷启动问题[6]。本教程主要介绍个化推荐深度学习模型,以及如何使PaddlePaddle实现模型。 效果展示 我们使包含息、电影息与电影评分数据集作为个化推荐场景。当我们训练好模型,只需要输入对应户ID和电影ID,就可以得出一个匹配分数(范围[0,5],分数越高视为兴趣越大),然根据所有电影推荐得分排序,推荐给户可能兴趣电影。
Z****E 2018-07-09
产品迭代一公里
具体落地点在以下两个方面: 智能模板生成:分析变更对象属特点并自动填充 智能变更检查:关联异常检测,及早发现并输出干预命令 其具体实现思路为: 智能模板生成:使运维知识库充分收集变更目标对象,然基于这些对象属特点自动生成变更模板,例如变更对象最小可度可以于生成变更失败容忍度; 智能变更检查:我们已经有成熟智能监控方案,可以全方位监控目标服务状态并及时汇报异常。通过订阅变更目标服务监控,可以实现变更过程中实时检查,从而及时发现变更引起异常,进而自动执行干预命令。 如何应上述解决方案? 上面介绍变更面临主要问题以及我们对应解决方案,为能够让更多外部户也能体验到百度高效安全变更能力,我们将在百度云上提供百度智能变更产品。届时购买百度云服务户,即可使该产品完成业务功能日常迭代。百度智能变更产品目前在紧锣密鼓地推进中,预计很快就会与大家见面。 总结 发布变更作为产品迭代一公里,其执行效率和执行结果将直接影响功能迭代效果。当把目光投向实际生产环境,我们发现,在很多企业中变更执行效果并不能得到保障。
h****l 2018-07-09
大数据时代下隐私保护(二)
• 偏斜攻击(Skewness Attack):假如我们要保证在同一类型数据中出现“艾 滋病阳”和出现“艾滋病阴概率是相同,我们虽然保证diversity,但是 我们泄露隐私可能会变大。因为l-diversity 并没有考虑敏总体分布。 l-diversity 没有考虑敏语义,比如说下面例子,我们通过李雷 息从公开数据中关联到两条息,通过这两条息我们能得出两个结论。第一,李雷 工资相对较低;第二,李雷喜欢买电子电器相关产品。 t-closeness 上面最一个问题就引出t-closeness 概念,t-closeness 是为保证在相同quasi-identifier 类型组中,敏分布情况与整个数据息分布情况接近(close),不超过阈值t。 如果刚才那个数据保证t-closeness 属,那么通过李雷息查询出来结果 中,工资分布就和整体分布类似,进而很难推断出李雷工资高低。
小****园 2018-07-10
让PB级云存储不再神秘
一个客户要下载自己2000万条fileinfo息,按5条息1k算,这2000万条 fileinfo息有4GB大,就算云存储能精确0.1秒查完,客户有能力0.1秒下载完这些息吗? 如果你觉得元数据服务压力还是大,那还可以让计费系统、读写代理都对查询结果做缓存,或者将数据库挂在成熟Proxy背做分库和调度。 我们数据库能低压力运行,就是设计时充分理解适应对象存储元数据这一简单需求。 3、灵活读写代理 读写代理是整个群集保持松耦合高关键点,这也离不开对场景深度理解。 首先说读写代理高可、负载均衡和高能,我们会在读写代理前面加几台Nginx,客户端到读写代理都是无状态连接。客户端可以通过LVS、单域名DNS轮询、多域名分散业务等方式将请求分散到多台Nginx,Nginx将请求交给任意读写代理都是能得到相同结果。单个读写代理服务崩溃SDK端会台重试,直接访问API户会以为是自己网重新刷新。这么灵活访问方式,有能问题多堆几台机器就好,20G带宽5万个链接很容易消化。 读写代理在访问客户时代表存储服务端,在群集内部扮演客户端。
金****洲 2018-07-09
百度安全实验室|机器学习对抗攻击报告
同时随着移动设备普及,以及移动设备对这 些新兴输入手段集成,使得这项技术被大多数人所亲身体验。而语音、图像识别 准确对机器理解并执行户指令有效至关重要。与此同时,这一环节也是最容 易被攻击者利,通过对数据源细微修改,达到知不到,而机器接该数据 做出错误续操作。并会导致计算设备被入侵,错误命令被执行,以及执行 连锁反应造成严重果。本文基于这个特定场景,首先简单介绍下白盒黑盒攻 击模型,然结合专家们研究成果,进一步介绍攻击场景,对抗数据构造攻击手段, 以及攻击效果。 1.1 攻击模型 和其他攻击不同,对抗攻击主要发生在构造对抗数据时候,之该对抗数 据就如正常数据一样输入机器学习模型并得到欺骗识别结果。在构造对抗数据过 程中,无论是图像识别系统还是语音识别系统,根据攻击者掌握机器学习模型多 少,可以分为如下两种情况: 白盒攻击 攻击者能够获知机器学习所使算法,以及算法所使参数。攻击者在产生对 抗攻击数据过程中能够与机器学习系统有所交互。
l****m 2018-07-10
词向量(一)
文章结构: 词向量 背景介绍 效果展示 模型概览 数据准备 编程实现 模型应 总结 参考文献 本教程源代码目录在book/word2vec,初次使请您参考Book文档使说明。 背景介绍 本章我们介绍词向量表征,也称为word embedding。词向量是自然语言处理中常见一个操作,是搜索引擎、广告系统、推荐系统等互联网服务背常见基础技术。 在这些互联网服务里,我们经常要比较两个词或者两段文本之间相关。为做这样比较,我们往往先要把词表示成计算机适合处理方式。最自然方式恐怕莫过于向量空间模型(vector space model)。 在这种方式里,每个词被表示成一个实数向量(one-hot vector),其长度为字典大小,每个维度对应一个字典里每个词,除这个词对应维度上值是1,其他元素都是0。 One-hot vector虽然自然,但是处有限。比如,在互联网广告系统里,如果户输入query是“母亲节”,而有一个广告关键词是“康乃馨”。
TOP