专访 | 蚂蚁金服冯柯:自研技术再难也要坚持做

点击蓝色字关注 "ITPUB" 一起玩耍哦~

“中兴事件”的持续爆发,让中国造基础软件的声音渐渐高涨,在这众多的声音中,笔者发现了一种与以往不同的声音,而且点赞支持的人还很多——“基础软件的国产化,如果是互联网公司来做才会成功。”

虽然,这个声音可能有些理想化,但是从中也看出大家对于互联网公司的技术和自研能力是很认可的。蚂蚁金服在2017年实现了所有核心业务100%去商业数据库,且双十一交易处理量峰值达到了25.6万笔/秒,这对数据库来说每秒需要同时运行4200万条SQL。如此巨大的量级恐怕连商业数据库都难以做到,但自研数据库OceanBase做到了。

2018年5月10日-12日,第九届中国数据库技术大会将在北京国际会议中心盛大开幕,届时,蚂蚁金服资深总监、OceanBase首席架构师冯柯将在会上带来《自研技术在蚂蚁金服的发展、实践与未来》的主题演讲,讲述蚂蚁金服在完成自身的业务挑战之下而进行的一系列技术创新和升级。

相信很多朋友都对蚂蚁金服的技术故事充满了好奇,也迫不及待的想要听到冯柯的演讲。别急,离大会召开还有一段时间,为了让大家先睹为快,我们与冯柯针对基于开源和自主研发如何选择、自研技术的难度与价值等热点话题做了一个简单的交流。


蚂蚁金服 冯柯

冯柯,2014年加入蚂蚁金服,入职前在数据库厂商神舟通用任CTO,拥有十五年数据库研发和产业化经验。目前在基础数据部(OceanBase团队)任架构师,参与OB 1.0的设计和研发工作,主要研究领域分布式关系数据库、数据存储、性能诊断和优化。

技术没有对错之分,开源 OR 自研均是业务驱动

此前,我们在选题采访众多一线专家时,听到了很多关于开源的不同声音,有人称,“开源不等于可控,创新过分依赖开源容易受制于人”,也有人说“很多厂商在开源框架上进行微创新,然后采用低价策略抢占市场,导致行业丧失做基础原创性技术创新的动力”……

凡此种种,我们看到有很多人对基于开源来做研发都抱着不太友好的态度。而冯柯认为技术的选择没有绝对的对或错。他把基于开源的研发比作开吉普车,把自研技术比作造高铁,如何选择,端看谁能真正解决业务问题。

OceanBase是蚂蚁金服完全自主研发的数据库,为什么在技术选择的时候会选择自研而不是基于开源开发?“很大的原因是这个分布式数据库是全新的技术挑战,现有的开源技术中能够借鉴复用的东西很少”,冯柯这样说道,“还有一个重要原因就是技术的理想主义,我们不想被现有的开源技术框架所束缚。”

“我深知自研技术有多难,但自研的价值值得我们这么做”

冯柯是一个扎根软件和互联网行业十五年的老兵,他见证了中国软件收入从1998年的325亿到2017年5.5万亿的增长,同时他也清楚的知道在最核心的CPU、操作系统和数据库上我们还并未取得商用意义上的重大突破。基础软件的自研技术有多难,冯柯再清楚不过了,但他仍坚定的认为自研技术的价值值得我们这么去做。

国内自研软件产品一路走来波折颇多,先是被盗版商用软件掠夺,后来又被开源生态套路。基于开源开发虽然能让技术水平快速提升,但同时也在一定程度上束缚了技术思维,而自研技术却可以给予我们基础创新的源动力。

以OceanBase为例,它的自研之路也不是一帆风顺。冯柯加入OceanBase团队做的第一件事就是诊断监控。OceanBase诊断监控功能刚上线的时候,有N个人去看监控,会得出各种不同的结论来。很多人会觉得沮丧,但冯柯却认为别人对你的批评最多的时候,其实是你进步最快的时候。凭借着对于自研技术的坚定信念,OceanBase挺过了最艰难的时候。现在,OceanBase不仅承担了蚂蚁金服“双十一”全部核心业务的重压,还在6家商业银行落地。

搞自研,传统厂商的大优势可能会是大包袱,而互联网企业可以轻装上阵

“中兴事件”更像是一场大浪淘沙,原本被淹没的国产基础软件的声音一下子被完全释放出来了,文章开头我们写了很多人都对互联网企业自研基础软件寄予厚望,为什么会出现这种情况?与传统的基础软件厂商相比,它们各有什么优势呢?

冯柯在入职蚂蚁金服之前,曾在传统数据库厂商神舟通用任CTO,两种类型企业都工作过的他自然是这个问题的最好回答者,“老牌数据库公司,有完整的生态系统,这是巨大优势,但大优势同时也是大包袱。”

过去国内做自研数据库,实际上是在走一条追赶、模仿商用数据库公司的发展道路。而现在做数据库在技术思路上就发生了转变,从集中式数据库技术形态到分布式技术形态。这一转变就让传统厂商的生态优势反倒可能成为包袱。传统厂商当年做数据库时,PC服务器可靠性非常差,也没有分布式架构,现在如果要创新自研就像是大车掉头,需要兼顾的方面很多,而互联网企业则可以轻装上阵。

写在最后

自研技术的难度众所周知,但蚂蚁金服在自主研发、自主创新这条路上从不怕挑战,从支付宝担保交易,到风险识别、智能客服,再到更基础的数据库、中间件等均有技术创新。

在即将到来的DTCC 2018大会上,除了冯柯会带来主题演讲,讲述自研分布式数据库背后的故事,蚂蚁金服的其它技术研发专家会带来更多分布式事务处理、大规模图计算、数据分析等领域的应用和案例分享,想要吸收更多技术干货的朋友,就亲自到DTCC 2018的大会现场来聆听吧!

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
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
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