- 博客(516)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 阿里云面试题：最大数
摘要： 本文讨论如何将一组非负整数重新排列组成最大的整数。初始错误解法通过直接比较数字字符串的字典序和前缀进行排序，但在处理类似[432,43243]的输入时失效。正确解法应比较两个数字不同拼接方式的结果：若str(a)+str(b) > str(b)+str(a)，则a应排在b前。通过自定义排序函数结合functools.cmp_to_key实现，并处理全零特殊情况（如返回"0"而非"000"）。最终将排序后的字符串拼接即为最大整数。
2025-08-17 14:18:47
185
原创 设计一个高可用、可拓展、监控报警系统，使用普罗米修斯和grafana，并给出go实现
本文介绍了基于Go的高可用微服务系统设计与监控方案。系统采用前后端分离架构，支持水平扩展，通过容器化部署实现高可用。重点展示了Go应用集成Prometheus监控的实践，包括自定义指标采集、暴露/metrics接口，以及Prometheus与Grafana的配置方法。同时提供了报警规则配置示例，支持多种通知方式。文章还补充了服务链路追踪(OpenTelemetry+Jaeger)和结构化日志的实现方案，完善了系统的可观测性。整体方案强调自动化部署、弹性伸缩和故障快速响应，适用于生产环境。
2025-07-29 12:45:20
324
原创 mysql 快速上手
MySQL快速上手指南摘要：本文介绍了MySQL数据库的基础操作和实用技巧，包括连接方式、SQL函数（查询/操作/定义）、数据拼接与格式化、高级查询（子查询/连接/分组）、事务处理、索引优化和常用数据类型。重点讲解了字符串拼接、条件判断、日期处理等实用功能，以及批量操作、性能优化等技巧。适合初学者快速掌握MySQL核心功能，为后续学习存储过程、触发器等高级特性打下基础。
2025-07-27 18:38:34
107
原创 golang实现一个定时引擎，功能包括按照corntab的时间任务实时增加、修改、删除定时任务
本文介绍了一个基于Go语言的轻量级Cron定时任务引擎实现。该引擎使用标准库time和第三方库cron/v3构建，支持秒级精度的定时任务调度。核心功能包括： 任务管理：通过Task结构体封装任务信息，提供增删改查操作 并发安全：使用读写锁(sync.RWMutex)保证多线程安全 动态调度：支持运行时修改任务参数而不中断服务 生命周期控制：提供Start/Stop方法管理引擎运行状态 示例代码演示了如何创建任务(如每5秒执行)、更新任务频率和删除任务。系统设计考虑了扩展性，建议了任务持久化、执行监控、分布式
2025-07-26 16:20:02
92
原创 golang实现一个规则引擎，功能包括实时增加、修改、删除规则
本文介绍了一个用Go实现的轻量级规则引擎，核心功能包括：1) 支持实时增删改规则；2) 基于条件函数评估触发动作；3) 使用读写锁保证并发安全。引擎采用map存储规则，通过Data类型传递上下文数据，并提供了规则执行的基本流程。文章还提出了扩展方向（如优先级、持久化）和优化建议（索引、并行执行）。示例代码展示了温度监控场景的应用，演示了规则管理全流程。该实现简洁高效，适合需要灵活规则管理的应用场景。
2025-07-26 16:16:51
79
原创 广告业务中A/B实验分桶方法比较：UID VS DID
广告业务实验分桶策略分析 在广告业务实验中，用户ID分桶和设备ID分桶各具特点：用户ID分桶适合长期价值评估和跨设备行为分析，能避免实验污染但隐私风险较高；设备ID分桶则更适配短期设备端效果测试，隐私友好但存在多设备行为割裂问题。对于游客模式，设备ID分桶通常是更优选择，因其能保证匿名性并快速获取短期行为数据，尽管需解决设备ID稳定性等问题。实际应用中，建议根据实验目标（长期/短期）、隐私要求和业务场景灵活选择，或采用混合分桶策略。合规处理ID（如哈希加密）和数据关联设计是关键实施要点。
2025-07-26 16:01:04
93
原创 广告业务中使用用户id分桶和使用设备id分桶实验，哪个更优
摘要：广告业务A/B测试中，用户ID分桶和设备ID分桶各有利弊。用户ID分桶能避免跨设备污染，保证用户级指标准确性，但依赖登录状态；设备ID分桶覆盖全量流量但存在跨设备问题。最佳实践建议：以注册用户为主的业务优先用户ID分桶，匿名流量场景使用设备ID分桶，或采用混合模式。广告业务尤其应关注用户唯一性，推荐优先用户ID分桶，必要时补充设备ID方案以确保实验准确性。（149字）
2025-07-26 15:54:33
73
原创 Raft 协议 Paxos协议 和zk协议的特点和异同
本文对比了三种分布式一致性协议：Paxos、Raft和Zab（Zookeeper）。Paxos是经典算法，理论完备但实现复杂；Raft简化了Paxos，引入明确Leader角色，更易工程实现；Zab专为Zookeeper设计，强调顺序一致性。三者在角色机制、实现难度、性能表现和应用场景上各有特点：Paxos适合底层核心系统，Raft广泛用于配置中心和分布式存储，Zab则适用于服务注册等协调场景。选择时需根据具体需求权衡复杂度与功能特性。
2025-07-26 15:08:51
104
原创 数据存储：OLAP vs OLTP
OLAP数据库是专为大数据分析和决策支持设计的系统，具有多维分析、列式存储、高并发处理等特点。常见产品包括ClickHouse、StarRocks、DorisDB等，适用于BI报表、实时数仓、用户行为分析等场景。与传统OLTP数据库不同，OLAP擅长处理复杂查询和大数据量分析，而OLTP更适合事务处理和实时增删改查。技术选型需根据具体需求，如ClickHouse适合高吞吐分析，StarRocks则长于实时查询和多表关联。在电商、金融等行业，OLAP能高效支撑数据分析和业务洞察。
2025-07-26 14:44:04
91
原创 数据库HB OB mysql ck startrocks, ES存储特点，以及应用场景
本文对比了六种主流数据库的存储特点及应用场景：HBase适合海量时序数据存储；OceanBase适用于金融级分布式事务；MySQL是传统关系型数据库，适合结构化数据；ClickHouse和StarRocks专注OLAP分析，前者擅长批量聚合，后者支持近实时查询；Elasticsearch则专精全文检索与日志分析。文末通过表格清晰对比了各数据库在存储类型、处理模式及典型应用场景的差异，为技术选型提供参考。
2025-07-26 14:41:11
169
原创 TEG高频面试题（附解题思路）
本文总结了TEG高频面试题及核心知识点，涵盖云计算、游戏开发、广告系统等方向。在系统设计方面，重点包括分布式存储架构、高并发匹配系统、实时日志分析等解决方案；算法部分则聚焦接雨水、LRU缓存等经典题型。分布式基础强调CAP理论和Paxos/Raft共识算法。备考建议指出要优先掌握高频题，注重技术理论与业务场景的结合，并通过模拟面试优化表达。典型解题思路如：采用纠删码降低存储成本、基于Quorum实现跨机房容灾、使用Flink处理实时日志等，体现了工程实践与理论深度并重的特点。
2025-07-26 14:02:27
538
原创 数组中重复的数据
该问题要求在O(n)时间复杂度和O(1)额外空间条件下，找出数组中所有出现两次的数字。解法利用数组本身作为哈希表：通过交换元素将每个数字放到其值减1对应的索引位置。遍历完成后，若某个位置的数字不符合nums[i]=i+1，则说明该数字是重复的。例如输入[4,3,2,7,8,2,3,1]经过处理后，重复数字2和3会留在错误的位置上，从而被识别并收集。该方法满足题目要求的时间和空间复杂度限制，高效地解决了问题。
2025-07-25 15:25:45
209
原创 广告LTV详细算法公式、不同行业广告LTV均值参考、如何实际运营和提升LTV
广告LTV（生命周期价值）指单个用户在其生命周期内带来的累计广告收入。核心计算公式包括单用户LTV（各日ARPU累加）和用户组LTV（总收入/用户数）。行业差异显著：游戏类30日LTV约0.2-8元，工具类0.4-1.5美元。提升LTV的四大策略为：优化用户留存、提高广告单价（eCPM）、调节广告密度与时机、丰富广告形态，并需结合数据监测和用户分层运营。关键是通过留存延长生命周期，同时平衡广告收益与用户体验。
2025-07-24 11:32:56
501
原创 广告中的LTV(Lifetime Value:广告带来的用户终身价值)
广告LTV（用户生命周期广告价值）是衡量用户在使用产品期间为平台带来的累计广告收益指标。它通过统计用户观看激励视频、点击横幅广告等广告行为产生的总收入，帮助评估广告投放ROI、优化变现策略。计算公式为某批用户累计广告收入除以用户数，常见指标包括7日LTV、30日LTV等。与付费LTV不同，广告LTV专指广告收入价值，是游戏、工具类App变现分析的核心指标。例如某用户30天内产生0.32元广告收入，其30日广告LTV即为0.32元。
2025-07-24 11:27:01
108
原创 调节广告adload的算法：Contextual Bandits、多臂老虎机 Policy Gradient、Q-learning
多臂老虎机：每一次决策时，在多个选项中选一个（比如选择多少广告位、采用哪个广告策略），根据反馈（奖励：如收益、点击、用户体验）调整未来选择的概率，以最大化长期收益。：在MAB基础上，加入了“上下文信息”（环境特征、用户画像、页面内容等）做决策，使得策略更智能、个性化。：直接对策略（即：在某情境下怎么选adload方案）做梯度更新，适合高维、连续空间、大决策空间。Q-learning：基于“状态-动作”对的价值估计，采用贝尔曼方程不断更新最优动作价值。
2025-07-24 11:20:58
1504
原创 面试题：sql题一
这篇SQL查询用于统计各产品年销售额超过1000元的销售情况。通过关联产品表(products)和销售表(sales)，按产品ID、名称和销售年份分组，筛选年销售额总和大于1000元的记录，并按销售额降序排列。查询结果包含产品ID、名称、年销售额和销售年份4个字段。表结构显示产品表含产品ID和名称字段，销售表包含销售记录ID、产品ID、销量、单价和销售日期字段。
2025-07-22 20:33:14
626
原创 leetcode丑数II计算第n个丑数
摘要：本文介绍了动态规划方法求解第n个丑数的问题。丑数是质因子仅为2、3、5的正整数。给出了两个Python实现方案：方案一从1开始计算，使用列表存储结果；方案二从0开始计算，最后返回列表末尾元素。两种方法都通过维护三个指针(n1,n2,n3)来生成当前最小值，并更新相应指针，时间复杂度为O(n)。示例显示第10个丑数是12，而第1个丑数是1。
2025-07-20 20:18:32
162
原创 用于序列建模的SIM、个性化表征学习的PPNet、提供先验知识的内容嵌入以及多任务学习的PLE分别是什么
同时，采用了PLE多任务学习框架，通过分层提取共享与特有特征，实现多目标任务的最优协同。在深度学习推荐系统中，引入内容嵌入可以将文本、图片等内容信息编码为向量表示，作为网络的先验知识（prior knowledge），丰富模型的输入，从而弥补仅依赖结构化特征的局限，进一步提升模型对冷启动等场景的泛化能力。本研究结合用于序列建模的SIM、用于个性化表征学习的PPNet、以内容嵌入方式引入先验知识，以及采用多任务学习框架的PLE，以全面提升模型对用户兴趣捕捉、个性化特征表达和多目标任务的联合建模能力。
2025-07-15 16:54:07
449
原创 AI与基础设施
摘要 基础设施即代码（IaC）是 AIOps 自动化的基础，通过代码定义和管理 IT 基础设施，替代传统手动配置。Terraform 作为主流 IaC 工具，采用声明式 HCL 语言实现资源编排，支持多云环境。其核心优势包括可重复部署、版本控制、自动化集成及模块化扩展。Terraform 架构涵盖配置、核心引擎、Provider 插件和状态管理，关键操作如 init/apply/destroy 简化了生命周期管理。团队协作需结合远程状态存储（如 OSS）避免冲突。典型项目布局包含模块化设计，提升可维护性。I
2025-07-14 20:00:54
498
原创 AI和运维的故事
AI运维与大模型应用指南 本文介绍了AIOps实现中涉及的大模型关键技术，主要包括六部分内容：提示词工程（Prompt Engineering）、对话补全与记忆管理（Chat Completions、Memory）、函数调用（Function Calling）、微调（Fine-tuning）、检索增强生成（RAG和Graph RAG）以及开源模型本地部署。重点解析了Prompt Engineering的设计原则和开发模式（Zero-shot/Few-shot），详细说明了思维链（CoT）和Prompt分片技
2025-07-14 19:57:20
675
原创 100道K8S面试题
摘要： 《Kubernetes 100 问》整理了K8S核心知识，涵盖基础概念、组件原理及实践要点。开篇介绍K8S作为容器编排平台的核心价值，解析Master/Node架构及Pod、Service等关键概念。重点探讨Pod的生命周期管理（重启策略、健康探针）、创建流程（kubectl与Deployment两种方式），以及K8S与Docker的协同关系。同时指出K8S的优缺点，适用于微服务等复杂场景，但存在学习曲线陡峭的问题。内容以问答形式呈现，结合技术原理与实操细节，适合开发者快速掌握K8S核心机制。
2025-07-14 19:38:51
283
原创 git全局配置与局部配置
Git配置分为全局(local)和项目(local)两种：全局配置(--global)会应用到所有仓库，存储在~/.gitconfig；项目配置(--local或省略参数)仅对当前项目生效，写入.git/config。设置项目级用户信息可直接在项目目录运行命令git config user.name/email，项目配置会优先于全局配置。可通过git config --list查看不同层级的配置，也可用--unset取消全局设置。通常只需设置项目级配置而不必取消全局配置。
2025-07-14 12:50:57
344
原创 删除当前项目关联的远程仓库（remote）
摘要：Git项目中删除远程仓库关联，可通过git remote remove origin命令实现（origin为默认名称，可替换）。先使用git remote -v查看现有远程仓库，确认删除后再次验证。如需彻底退出Git管理，可执行rm -rf .git删除整个版本库（不可逆操作需谨慎）。该操作适用于解除与GitHub等平台的同步关系。（150字）
2025-07-14 12:43:40
415
原创 使用python 实现一个http server
本文介绍了两种Python HTTP服务器的实现方法。第一种使用Python内置的http.server模块创建一个基本HTTP服务器，适合简单测试，代码不到20行即可实现GET请求响应。第二种采用Flask框架实现更丰富的功能，包括路由参数、JSON数据处理、多请求方法支持和404错误处理，适合实际开发使用。两种方法都提供了完整代码示例和使用说明，前者无需安装依赖，后者需要pip安装Flask。开发者可根据需求选择简单测试方案或功能完善的Flask实现。
2025-07-12 15:03:57
420
原创 bug记录：:= 给全局变量赋值导致出现panic
摘要：在Go语言中，使用:=给包级变量赋值会导致创建局部变量而非修改全局变量。示例中InitRedis函数内的rc, err := redisFactory.New()创建了局部rc，导致全局rc始终为nil。正确做法是使用=直接赋值全局变量：rc, err = redisFactory.New()。建议通过打印变量地址或静态检查确保全局变量被正确修改，避免此类错误引发生产问题。（150字）
2025-07-04 16:21:52
33
原创 Pod可以包含1个或多个容器，通常每个容器运行一个进程； 什么情况下一个pod多个容器，详细说明
Kubernetes中一个Pod可以包含多个容器，适用于需要紧密协作的场景。单容器Pod是最常见用法，而多容器Pod主要用于Sidecar模式（如日志收集）、Adapter模式（数据标准化）、Ambassador模式（代理服务）等。多容器之间共享网络和存储，但需共生共死。设计时要确保职责单一，避免资源竞争。实际应用包括Web应用+日志收集器、数据库+备份工具等组合。需注意调试复杂度和扩展限制，多容器Pod适合功能互补但扩展性要求不高的场景。
2025-07-03 14:58:41
73
原创 什么是7层负载均衡？什么是4层负载均衡
OSI七层模型中，四层和七层负载均衡的主要区别在于工作层级和转发依据。四层负载均衡（L4）基于传输层的IP、端口和协议进行转发，性能高但不理解应用内容，适用于非HTTP协议；七层负载均衡（L7）工作在应用层，能解析HTTP头、URL等实现精细路由，灵活性高但性能较低。会话层（第5层）负责建立和管理应用会话，如视频会议；表示层（第6层）处理数据格式转换、加密解密等，如SSL/TLS协议。实际应用中，这两层的功能常被合并到应用层实现。
2025-07-01 16:25:25
895
原创 服务的幂等性
摘要 服务的幂等性（Idempotence）是指同一操作执行多次与执行一次的效果相同。例如，HTTP方法中的GET、DELETE和PUT是幂等的，而POST通常不是。在业务中，幂等性可防止重复操作导致的数据问题（如重复转账）。其重要性体现在保证系统稳定性和数据一致性，尤其在分布式系统中。实现方法包括使用唯一请求标识、数据库约束等。幂等性是确保网络通信和接口调用安全的关键特性。
2025-07-01 15:23:17
122
原创 java中对象可达性分析 + 自动回收算法
Java垃圾回收（GC）通过对象可达性分析和自动回收算法实现内存管理。首先，JVM从GC Roots（如栈引用、静态变量等）出发，标记所有可达对象，不可达对象视为垃圾。随后采用三种算法回收：标记-清除简单但产生碎片，复制算法高效但浪费空间，标记-整理适合老年代减少碎片。整个过程先分析对象存活状态，再选择算法释放内存，确保Java自动管理内存，开发者无需手动干预。典型场景如对象失去引用后，GC会自动识别并回收其内存空间。
2025-06-27 14:31:30
82
原创 java服务中gc是什么？为什么gc?GC的原理
Java GC（垃圾回收）简介 GC是Java虚拟机的自动内存管理机制，通过回收无用对象释放内存。其核心原理包括： 可达性分析：从GC Roots出发标记存活对象； 回收算法：如标记-清除、复制算法等处理不同内存区域（新生代/老年代）。 优势是避免内存泄漏、简化开发，典型回收触发场景如对象失去所有引用。示例中a=null使"hello"字符串成为可回收对象。不同GC器（如G1、CMS）采用差异化实现策略优化性能。
2025-06-27 14:30:03
76
原创 朝乾夕惕，功不唐捐
“朝乾夕惕，功不唐捐”出自《周易》，意为勤勉自省、坚持不懈，努力终有回报。“朝乾夕惕”指终日奋发警醒，“功不唐捐”强调付出必有收获。这句话鼓励人们保持自律勤奋，终将取得成功。
2025-06-27 14:29:17
284
原创 RBAC是什么
RBAC核心模型与实现概述 RBAC（基于角色的访问控制）通过角色关联用户和权限，简化权限管理。其核心包含： 基础模型：用户-角色-权限三层结构，通过多对多关系实现权限分配 表结构设计：5张核心表（用户、角色、权限及2张关联表） 实现示例：以Flask+SQLAlchemy展示多对多关联模型，包含用户角色关系和角色权限关系 该模型适用于复杂系统权限管理，通过角色中介实现高效授权和维护。
2025-06-26 15:14:05
165
原创 域名解析(DNS)相关
互联网的底层逻辑始终围绕着根域名服务器（Root Server）展开。在IPv4体系下，全球仅13组根服务器构成了互联网的“中枢神经”，其中1个为主根域名服务器在美国，其余12个均为辅根域名服务器，其中9个放置在美国，欧洲2个位于英国和瑞典，亚洲1个位于日本，而国内是没有IPv4根域名服务器的。这13组根服务器对应的是13个IP地址，对应了A-M共13个编号（如a.root-servers.net到m.root-servers.net）。
2025-06-23 10:32:20
386
原创 【互联网基础】互联网公司机房怎么设计
超大规模数据中心网络架构设计要点针对10万台服务器的数据中心，核心设计需采用Spine-Leaf CLOS架构，确保高扩展、低延迟和高可用性：分层设计：Leaf层（ToR交换机）：每机柜部署1-2台48口万兆/25G交换机，上联多台Spine；Spine层：全互联拓扑，通过ECMP均衡流量，支持100G/400G高速互联；额外独立管理/存储网络，实现物理隔离。关键技术：协议：VXLAN+EVPN实现多租户隔离，BGP/OSPF动态路由；冗余：双链路、双电源、设备堆叠（MLAG）
2025-06-13 16:39:18
409
原创 【网关】互联网公司的接入网关和业务网关怎么设计
本文系统介绍了网关技术中的核心概念（LB与GSLB）及网关设计要点：1️⃣ LB与GSLB对比LB实现本地流量分发（如Nginx），GSLB负责跨地域调度（如智能DNS），分别解决单机房负载均衡和全局流量优化问题。2️⃣ 网关分层设计接入网关：统一入口，处理认证/限流/安全防护（推荐Nginx、Kong）业务网关：服务编排/API聚合，实现业务逻辑整合（常用BFF模式或自研）3️⃣ 实践建议采用三级架构（LB→接入网关→业务网关）云原生场景可结合K8s Ingress与Service Me
2025-06-13 16:29:05
334
原创 【推荐算法课程二】推荐算法介绍-深度学习算法
深度学习在推荐系统中的应用逐渐成为主流，AutoRec和Deep Crossing是两种典型模型。AutoRec采用自编码器结构，通过单隐层神经网络重建用户评分，分为基于物品和基于用户两种形式。Deep Crossing则构建了完整的深度学习架构，包含Embedding层、Stacking层、残差单元层和Scoring层，解决了特征稠密化、自动交叉组合和优化目标拟合等关键问题。两种模型分别代表了早期和进阶的深度学习推荐方法，为后续研究奠定了基础。
2025-06-12 20:07:23
150
原创 【推荐算法课程一】推荐算法介绍-基础算法
《深度学习-推荐系统》教程摘要：该教程系统介绍了现代推荐系统的架构与演进历程。推荐系统通过分析用户信息、物品信息和场景信息，构建预测模型对候选物品进行排序。架构包含数据层（生成样本、特征和监控数据）、模型层（召回、排序和混排模块）、训练层（离线训练和在线更新）。数据层处理原始数据，模型层实现多级筛选，训练层兼顾全局优化和实时更新。本教程详细解析了推荐系统的工程实现方法，是入门的优秀指南。（150字）
2025-06-11 20:39:46
307
原创 广告推荐系统中模型训练中模型的结构信息、Dense数据、Sparse数据
下面结合广告推荐系统常见的深度学习模型（比如 Wide & Deep、DeepFM、Two-Tower 等），介绍一下“模型的结构信息”、Dense 数据和 Sparse 数据在训练过程中的角色及处理方式。Sparse 数据（高维离散型特征）Dense 数据（数值型特征）
2025-06-11 14:50:12
203
原创 原生广告&UG广告
本文解析两种主流广告形式：原生广告和UG广告。原生广告强调与环境融合，通过信息流、推荐位等形式提供有价值内容，具有高接受度和转化率，但需注意合规标识。UG广告利用用户生成内容（如测评、直播）实现低成本社交化种草，凭借真实感提升传播效果。两者均注重用户体验，但原生广告侧重专业内容植入，UG广告依赖用户自发分享。成功的核心在于平衡商业目标与内容价值，实现自然触达。
2025-06-11 13:57:47
253
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人