神龙神龙你擦亮眼,阿里巴巴要“上天”!

条漫设计 | 付费下载自稿定设计

条漫文案/正文 | 胡巍巍

PPT | 阿里云王志坤

出品 | CSDN(ID:CSDNnews)

神龙在双11大促的表现

性能普遍提升2-3成,RT大幅下降,业务丝般顺滑——这是神龙在2019双11大促的概括性表现。

2019年双11期间,神龙”扇动两翼“,充分发挥出两大优势。第一大优势,神龙实现了虚拟化卸载,以高负载压力下某电商应用为例,凭靠神龙,该应用实现30%的QPS上升、以及96.3%的RT下降。第二大优势,神龙实现了物理网络、存储和计算的完全解耦,从而避免资源争抢。

神龙因何而诞生?

故事的起源,要从弹性计算开始。

2014年开始,阿里在双11大促中,开始使用公共云,即把大促的峰值流量,引入到公共云来承载,这种方式就叫弹性计算。

这里不得不提阿里云的云原生改造改造。几年前的阿里云,已经完成基于云的云原生改造。但这些改造,共同发挥效率时,开销会非常大。

2016年,现任阿里巴巴集团CTO张建锋(花名行癫),在当年的内部技术复盘会上说,如果要使用公有云,那么云计算的性能损耗能否成为零?

当时技术团队有点打嘀咕,因为他们感觉以当时的技术而言,云一定是有性能损耗的。军令如山,收到任务的技术团队,还是做出了行癫想要的。

今天阿里用的公有云,不仅没有虚拟化性能损耗,而且适应性更好。这其中,用到的“神器”便是阿里巴巴自研的神龙云服务器架构(以下简称“神龙”)。

神龙,是阿里云在过去两年间,一直面向的一个场景,也是阿里自研的软硬融合虚拟化的一个体系。

阿里云认为,在纯软件技术方面,行业已经把能做的技术,都做到极致了,但却仍会遇到很多挑战。

因此他们选择以软硬融合的方式来做神龙。截至目前,神龙已经发展到第三代。

神龙一代:虚拟机的体验,物理机的性能

2016年底,神龙开始立项。2017年10月,第一代神龙服务器发布。神龙一代,用一句英文来描述,它就是One Card for Everything,它还是裸金属虚拟化的先行者。

它不仅能提供类虚拟机管理接口,还能像管理虚机一样管理物理机,其具备的自研神龙芯片,可实现超高速IO,并能提供虚拟机存储和网络接口。

此外,神龙一代还拥有芯片加速的IO引擎,可以无缝接入VPC网络、EBS存储,还支持从镜像启动,并能实现快速交付。

一言以蔽之,神龙一代拥有超越物理机的性能和虚拟机的体验。

神龙二代:技术融合、资源并池

在研发第二代神龙时,技术团队已经对于某些产品形态,完成了从0到1的转变。

神龙的新目标,是让拿到的每一份资源,都没有任何性能损耗。

第二代神龙,发布于2018年9月,它是融合虚拟化的践行者,它具备技术融合和资源并池的功能,一套软硬件,就可以实现三种服务:即裸金属服务器、虚拟机服务和容器服务。

归纳来说,神龙二代,有三大优势。

第一,超轻薄,它的内存小于1MB/VM,CPU小于0.1%;

第二,超平稳,几乎零抖动,计算平稳性达到99.9999%,这几乎接近物理机的调度延迟;

第三,超平滑,神龙二代可以兼容原有KVM架构,并实现虚拟机互迁移。

神龙三代:性能极致,安全增强

2018年神龙二代发布之后,阿里云越来越显著地感受到互联网的变革、以及云原生时代的到来。

云原生时代到来以后,整个云端资源交付界面,都已发生变化。在云原生时代,你可能会用EVS来管理资源。

过去,你可能还得申请一个两核、四核、甚至八核的VM。今天,你只需拥有一个子机、一台母金属,上面就会呈现出你的KVS和上百个容器。

这时,所有的资源,都由你自己掌控。但是,这也给神龙,提出了更高挑战。

2018年下半年,在研发神龙三代时,阿里团队在整个底层IO层面,把所有的东西全部压缩,同时给硬件做了更多提升,这使得IO的合理性和稳定性更好。

2019年9月,暌违一年,神龙三代终于发布。

迭代三次的神龙,已经能让芯片实现IO引擎,还可实现硬件级QoS管理,并拥有增强型融合网络,也能实现2x50GbE双上联网络。此外,其还拥有增强型硬件列队。

每一寸时光,都不会白费

人种的是什么,收的就是什么。

今天的神龙,已经被定义为面向云原生时代的弹性产品。 

回望过去三年,这或许是一段备受煎熬的雕刻时光。

一位位程序员,就像工匠一样,拿起小锤一笔笔刻画着神龙的鳞片。

也因此,双11的追光灯,注定会打在他们身上。

人生短短几十年,打工也好,创业也好,总得有能拿出手的作品。

这个作品,可能是你曾开发的软件、参与的项目、拿下的单子......

总之,生而为人,你得创造点什么。

 

  • 3
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CSDN资讯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值