关于 红灯区在哪里有叫妹子 78792796-微V号阳泉城区按摩一条 的搜索结果,共1595
h****e 2018-07-10
程序:我从来?
干货概览 计算机程序或者服务的层次上,我们来试着分析前面提到的几个问题。 问题 1.我是谁? 服务什么,服务包含了些实例,服务规模、部署情况、实例运行状况如何? 2.我从来? 服务的上游些,不同的上游流量如何分配? 3.我往去? 服务的下游些,不同的下游流量如何分配? 面对这样的问题,我们的答案是什么呢? 百度的运维实践中,我们只需“BNS”就可以获得想要的答案。 BNS(Baidu Naming Service,百度名字服务)是百度云智能运维团队研发的套分布式的名字服务系统,是百度云Noah智能运维产品中的个重要基础服务系统。它为每个服务赋予个独无二的名字,根据这个名字,我们就可以获取到这个服务的相关信息 ,这些信息包括:服务机器上部署信息(机器IP,部署路径,服务配置,端口信息),服务的实例运行状况等其他重要信息。简单来讲,它提供了个服务名到资源信息的个映射关系。
布****五 2018-07-10
如何执行命令
面临的困难 命令行的三要素,也是如何执行命令行面对的三个问题,如前文所述,对于单机环境来说,这三个问题前人的努力下已经被很好的解决。可是如果要几十万台机器上每天执行几十亿命令,同时保证时效性,保证执行成功率,保证结果正确收集,保证7*24小时稳定运行,就不是件简单的事情了。所谓远行无轻担,量大易也难,构建这样的执行系统的过程中要面临诸多困难,此处举几个突出的例如下: 信息存储问题:为了支持水平扩展,需要高效的内存数据库作为缓存。为了做到执行命令的可追溯、可统计,需要对执行过的命令信息持久化。日均几十亿的热数据,年均上万亿的冷数据,需要仔细选择存储方案。 任务调度问题:为了达到任意多台服务器上执行命令的要求,需要确定何时分发命令、何时回收结果以及怎么样的并发度批量下发。 消息传输问题:为了保证命令高效正确送达目标服务器,需要构建个可靠的命令传输网络,使命令信息准确送达的前提下保障传输的可靠与高效,毕竟百度的几十万台服务器分布世界各地。 代理执行问题:为了更好的处理权限、单机并发等单机执行问题,需要目标机构建执行代理,以应对单机的复杂执行环境。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
只要符合件,都可以被列为感知。 Level3 和 Level4 定义的细分任务,把输入输出具体化。 障碍物检测,包括人、车、石头、树木等。上图是点云输出,下图是图像感知示例。Level3 检测结果障碍物,对于 Level4 来说,不仅知道这是车,而且可以将其大车、小车分类,因为大车和小车的开车方式不样。不同的车,做出的决策规划不样。你可以超小车,但无法超大车。 我们需要个很细的障碍物分类,这根据输入的不同划分,点云分类和障碍物中的分类。著名例绿的识别,你需要判断交通的颜色。障碍物检测分类,我们得出障碍物信息,这样利于我们做后续决策。 我们要知道每个障碍物可能运行的轨迹,它会不会超车、插入车道或者无故变线,这需要障碍物跟踪。障碍物跟踪是很重要的模块。我们要运用障碍物,也对场景的分析,我们点云也用到这个。 我们图像级别会做类似的分割,目的是我们做场景建模和语义化的描述。我们很多任务,每个任务输入是多源的,包括激光雷达、图像等。如果要用 Apollo 搭建感知系统,如何选择传感器、传感器配置?希望它做什么任务。
思****来 2018-07-11
重磅:构建AIOps的MNIST
,我们给出了种基于自动异常检测的辅助标注方法:标注开始前,自动分析疑似异常间,高亮提醒标注人员关注,减少检查正常数据耗费的精力;标注过程中,提供异常间对比功能,协助标注人员认识异常,避免判断标准的漂移,减少标注数据前后矛盾的情况。 时序数据标注工具 我们着手研发了款时序数据异常标注工具,辅助标注人员更快更准确地进行时序数据标注,为正常数据建模和异常检测评估提供足量准确的标注数据集。 当前的标注工具以个Web的形式呈现,提供数据上传、标注、下载功能,辅助标注的主要算法逻辑由Python实现,可以方便地借助相关科学计算模组进行修改。 可视化和标注功能 般的时序数据标注工具都会提供些基本的可视化和标注功能,包括通过拖动、快捷钮等方式设置x轴和y轴的显示间以控制曲线的缩放,通过拖动等方式标注异常数据等。除了这些基本的功能之外,我们针对标注场景作了专门的优化。 Y轴间自动计算 时少数异常数据的值与正常值相比差别巨大,可能数量级的差别。直接展示这些数据会导致整曲线被压扁变平,掩盖曲线上其他的波动。这时用户往往需要先手工设置曲线的y轴间才能开始正常标注。
Z****E 2018-07-09
产品迭代的最后
变更面临的问题 其实我们对变更的需求并不复杂,作为迭代的最后,我们只关注两点: 操作过程足够快捷(效率) 变更结果符合预期(安全) 但是,定规模企业的生产环境中,用户往往要面对比单台机器手工上线更加复杂的状况,这些状况下上述两点要求通常难以满足: 大批量机器的操作步骤繁琐,较依赖人的经验,变更操作效率低下; 由于缺少可靠的检查机制,变更效果无法保证,甚至引发线上较大异常。 我们百度各核心产品的大规模变更实践中积累了丰富的经验,发现通过自动化部署可以效提升变更效率,变更过程中严格执行分级发布流程可以确保检查机制得到执行,并且能够效限制异常影响范围,加速异常恢复。两者基础之上,融入AIOps智能变更策略,可以进步降低管理成本,提升检查效果。下面将从三个方面详细介绍我们的解决方案。 我们的解决方案 1自动化部署 自动化部署包含变更策略和批量机器执行能力两部分。具体来说,用户通过UI/API配置整个变更过程的执行策略,例如先执行A地域机器的变更,再执行B地域机器的变更;执行失败的机器超过10台就自动中止等。
TOP