LLM-based GenBI从探索到实践

  • 1月 17, 2025

随着LLM-based Generative AI的火热，这个浪潮也席卷到了数据库领域。DB for AI和AI for DB的概念更多地进入了人们的视野。首先看DB for AI，数据库与ML training和inference的集成产品化已久，比如AWS RedShift和SageMaker的集成思想[1] move model to the data rather than vice versa；这两年基于向量检索 + LLM的RAG更让各大数据库全面拥抱AI。再看AI for DB，基于ML智能调优数据库的想法，很早就被Andy Pavlo提出，其推动的self-driving da[……]

继续阅读

从MySQL InnoDB物理文件格式深入理解索引

  • 1月 19, 2020

1. InnoDB物理文件的基本结构

InnoDB的物理文件有很多种，包括：
 
1）系统表空间（system tablespace）。文件以ibdata1、ibdata2等命名，包括元数据数据字典（表、列、索引等）、double write buffer、插入缓冲索引页（change buffer）、系统事务信息（sys_trx）、默认包含undo回滚段（rollback segment）。
2）用户表空间。innodb_file_per_table=true时，一个表对应一个独立的文件，文件以db_name/table_name.ibd命名。行存储在这类文件。另外还有5.7之后引[……]

继续阅读

从服务和存储角度看异地多活的高可用架构

  • 1月 18, 2020

1. 前言

互联网公司的分布式系统要对外提供可靠的服务，一般都会有一套高可用的架构，在CAP理论下，分区容忍性往往是不能舍弃的，所以对于系统可用性（Availability）、数据一致性（Consistency）的容忍程度，决定了能提供什么样的服务等级。简单的系统部署在单地域单机房，但是大型互联网公司，一般都不采用这样的单点架构，从同城双活到异地灾备，再到异地多活。Google在2015所发表的一篇论文《High-Availability at Massive Scale: Building Google’s Data Infrastructure for Ads》也介绍了类似的[……]

继续阅读

广告系统的平台架构与交互流程

  • 1月 17, 2020
商业化是互联网产品常用的流量变现手段，商业化平台（广告平台）其核心是围绕客户（商家、广告主等），用户（网民、用户产品使用者），平台三者展开的商业活动。在业界比较大的广告平台包括：百度凤巢，腾讯广点通，阿里妈妈，头条巨量等。
 
这些广告平台面向的业务领域大体相同，都在计算广告学的范畴内，不管是展示广告、效果广告、信息流广告，还是CPT、CPM、CPC模式，也不管是竞价RTB还是合约广告，其系统架构上必然有很多共性，本文就尝试抽象一种通用的广告系统架构，从工程角度阐述其模块构成，从模块交互流转角度介绍主业务流程。
 
下文提到的每一个模块都可以展开为一个超大的工程或者[……]

继续阅读

阿里云第一届PolarDB数据库性能大赛Java排名第一分享

  • 12月 20, 2018

参加天池大赛-阿里云第一届PolarDB数据库性能大赛，比赛以NVME Optane SSD为背景，在此之上开发单机存储引擎比拼性能，支持C++和Java语言。我的完赛成绩是Java语言排名第一，总排名20（共1653人参赛，队伍名称：neoremind），与C++第一差距在2.1%（<9s）。众所周知，类似的系统如果想榨干硬件，那么越贴近底层越好，Java存在一些天然的劣势，但是作为这么多年的资深JAVAer，还是想挑战一把。

本文是解题报告，源码地址https://github.com/neoremind/2018-polar-race，其中的架构设计是通用的，只是实现语言是Jav[……]

继续阅读

消息队列技术点梳理（思维导图版）

  • 3月 18, 2018
消息队列作为服务/应用之间的通信中间件，可以起到业务耦合、广播消息、保证最终一致性以及错峰流控（克服短板瓶颈）等作用。本文不打算详细深入讲解消息队列，而是体系化的梳理消息队列可能涉及的技术点，起到提纲挈领的作用，构造一个宏观的概念，使用思维导图梳理。
 
再介绍之前，先简短比较下RPC和消息队列。RPC大多属于请求-应答模式，也包括越来越多响应式范式，对于需要点对点交互、强事务保证和延迟敏感的服务/应用之间的通信，RPC是优于消息队列的。那么消息队列（下文也简称MQ，即Message Queue）可以看做是一种异步RPC，把一次RPC变为两次，进行内容转存，再在合适的时机投递出去[……]

继续阅读

Nesto – Hulu用户分析平台的OLAP引擎

  • 3月 17, 2018

本文主要介绍Hulu用户分析平台使用的OLAP引擎——Nesto（Nested Store），是一个提供近实时数据导入，嵌套结构、TB级数据量、秒级查询延迟的分布式OLAP解决方案，包括一个交互式查询引擎和数据处理基础设施。

 

1. 项目背景

Nesto起源于用户分析团队，业务上需要一个面向用户、分析型的产品，提供任意维度的Ad-Hoc交互式查询、导出数据，供运营、产品、第三方数据公司使用。
 
一个典型场景是：导出2018年1月看过《冰与火之歌》第7季第7集（S7E7）超过5次的新注册用户，包括用户名、email两个域，用于发送营销[……]

继续阅读

使用火焰图做性能分析

  • 9月 30, 2017

系统性能的评估维度可能很多，包括应用的吞吐量、响应时间、任务完成时间和资源利用率等。但是这些指标（metrics）仅仅是表象，一旦发现异常，如何从代码级别定位性能问题才是解决问题的关键，本文介绍了一种使用火焰图（Flame Graph）来做性能分析的方法，在实战中具备很高的可操作性和快速pinpoint问题的能力。

下面按照1. 发现问题，2. 分析问题，3. 解决问题三个章节展开，最后是4. Lesson Learned。

 

1. 发现问题

最近公司完成大数据集群的迁移，应用大多是Spark开发的，但是仍然存在一个老的每日运行的Hadoop任务突然发现指标异常，主要体现在[……]

继续阅读

浅谈从Google Mesa到百度PALO

  • 9月 22, 2017
最近在研究OLAP相关的技术，正好看到Google 2014年的论文《Mesa: Geo-Replicated, Near RealTime, Scalable Data Warehousing》，以及百度最近2017年开源的基于Mesa+Impala的实现系统PALO，本篇就尝试结合起来看下二者，主要是学习介绍性质的文章。
 

1. Mesa

Mesa是一个Google内部使用的数据仓库系统，从论文的标题可以抓住几个关键词：可实现跨DC复制的、近实时的、可扩展的。这几点算是Mesa的特色所在，同时和Mesa要解决的问题背景有很大关系，Mesa主要解决Google在线广告报表和[……]

继续阅读

JAVA并发编程实战笔记

  • 8月 17, 2017

第二次认真读了Doug Lea的Java Concurrency In Practice这本大作，记录笔记在此链接。

[……]

继续阅读

Easy-mapper – 一个灵活可扩展的高性能Bean mapping类库

  • 8月 8, 2016

1 背景

做Java开发都避免不了和各种Bean打交道，包括POJO、BO、VO、PO、DTO等，而Java的应用非常讲究分层的架构，因此就会存在对象在各个层次之间作为参数或者输出传递的过程，这里转换的工作往往非常繁琐。
 
这里举个例子，做过Java的都会深有体会，下面代码的set/get看起来不那么优雅 🙁
ElementConf ef = new ElementConf();
ef.setTplConfId(tplConfModel.getTplConfIdKey());
ef.setTemplateId(tplConfModel.getTemplateId[......]<p class="read-more"><a href="https://neoremind.com/2016/08/easy-mapper-%e4%b8%80%e4%b8%aa%e7%81%b5%e6%b4%bb%e5%8f%af%e6%89%a9%e5%b1%95%e7%9a%84%e9%ab%98%e6%80%a7%e8%83%bdbean-mapping%e7%b1%bb%e5%ba%93/">继续阅读</a></p>

从JVM说起到初探Scala应用实践

  • 8月 5, 2016

最近在公司组内分享了一次关于JVM、Scala以及Spark介绍性质浅析的议题，这种形式的分享可以鞭策自己主动、自驱的完成一些既定目标，还能和有经验的人士一起交流，共享与学习是每一个做技术的同胞都应该拥抱的价值观。

PPT见连接，请点此。

[……]

继续阅读

大塞车游戏活动的算法解

  • 7月 27, 2016

最近在公司组织的培训上，遇到了一个很有意思的算法题，这篇文章就借这个为题提供一个解。

解的代码用Java实现，并配有演示，已经放到了github上https://github.com/neoremind/big-traffic-jam-solver。
 
首先感谢李培英老师，《职业化研讨》这门课非常值得公司内的一线管理人员去学习。在讲到职业化内涵里的“规则意识”一节时，让大家做了一个简单的大塞车游戏，规则如下：
 
1、邀请10人以上的学员（注意是偶数，当然越多越好），列成两队，面对面的坐在椅子上。
2、中间叫做“鸿沟&rdq[……]

继续阅读

Flume+Kafka收集Docker容器内分布式日志应用实践

  • 5月 16, 2016

1 背景和问题

随着云计算、PaaS平台的普及，虚拟化、容器化等技术的应用，例如Docker等技术，越来越多的服务会部署在云端。通常，我们需要需要获取日志，来进行监控、分析、预测、统计等工作，但是云端的服务不是物理的固定资源，日志获取的难度增加了，以往可以SSH登陆的或者FTP获取的，现在可不那么容易获得，但这又是工程师迫切需要的，最典型的场景便是：上线过程中，一切都在GUI化的PaaS平台点点鼠标完成，但是我们需要结合tail -F、grep等命令来观察日志，判断是否上线成功。当然这是一种情况，完善的PaaS平台会为我们完成这个工作，但是还有非常多的ad-hoc的需求，PaaS平台无法满足[……]

继续阅读

使用Scala开发一个DSL来做远程调用

  • 4月 4, 2016

问题背景

最近在实施微服务化过程中，发现了一类潜在需求（这就是传说中开发者的敏锐嗅觉=_ =?）:

如何快速的来进行远程RPC调用，来进行测试、排查问题？

服务调用方式有两种形式，如下图所示。
第一种，传统的方式，服务provider提供SDK，服务consumer在构建环境中引入SDK依赖，并且配置IP:PORT，直连调用。
 
第二种，改进的方式，服务provider通过平台治理中心来生成SDK，实际就是将API的接口和签名、类定义信息进行统一的schema描述（可以使用proto）后，由平台负责生成SDK，服务consumer可以通过契约schema的方式、[……]

继续阅读