自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+

原创 分享我在2014架构师大会演讲材料<<基于用户画像的大数据挖掘实践>>

分享我在2014架构师大会演讲材料>,猛点这里

2014-12-22 21:06:22 6683 2

原创 基于redis的分布式缓存disgear开源到github上了

基于redis实现的分布式的缓存,支持数据切分到多台机器上,支持HA,支持读写分离和主节点失效自动选举                                  1. 需求       1) 性能 内存操作,读写性能要求比较高 2) 数据量 支持数据切分,分为多个Shard,每个shard...

2013-11-23 13:52:14 17458 5

原创 构建高并发高可用的电商平台架构实践

各个维度总结电商平台中的高并发高可用的架构实践,从架构设计的理念到平台的逻辑架构,以及到平台架构中各个模块的介绍

2013-10-03 14:42:24 239376 59

原创 给研发培训资料两篇(架构设计&大数据)

互联网架构设计理念漫谈大数据平台及在推荐广告的应用

2015-09-04 15:02:56 5718 1

原创 随机森林&GBDT算法以及在MLlib中的实现

决策树的一个缺点是容易出现过拟合,可以把利用融合的方式把各个弱模型集成起来,解决过拟合,提高模型的泛化能力。决策树和bagging 、boosting的思想结合在一起,诸如随机森林、GBDT,在数据挖掘中的预测分类、推荐广告以及搜索中的排序算法模型、搜索关键词的扩展推荐等等应用的非常广泛。先讲一下...

2015-04-18 17:02:42 13918 0

原创 决策树在MLib中的实现解析

决策树作为一种分类回归算法,在处理非线性、特征值缺少的数据方面有很多的优势,能够处理不相干的特征,并且对分类的结果通过树的方式有比较清晰的结构解释,但是容易过拟合,针对这个问题,可以采取对树进行剪枝的方式,还有一些融合集成的解决方案,比如随机森林RandomForest、GBDT (Gradien...

2015-04-17 14:59:32 7986 1

原创 Spark streaming的Exactly-once容错HA机制

Spark streaming 1.2提供的基于WAL的容错机制(参考上一篇博文http://blog.csdn.net/yangbutao/article/details/44975627),可以保证数据的计算至少被执行一次,但是不能保证只执行一次,比如在kafka receiver写数据到WA...

2015-04-13 10:50:13 3667 0

原创 逻辑回归算法分析及在MLlib中的实现剖析

逻辑回归作为分类算法的一种,在互联网领域中的预测、判别中应用的非常广泛,像广告投放中的点击率预估,推荐算法中的模型融合等等。本文简要介绍逻辑回归的算法,以及在MLlib中的实现解析。逻辑回归其实是一个分类问题,此类问题的模型训练,基本上分3步骤,第一步要寻找假设预测函数h,构造的假设函数为在线性回...

2015-04-11 15:15:33 10348 0

原创 MLlib算法简介

主要的机器学习的算法目前在MLlib中都已经提供了,分类回归、聚类、关联规则、推荐、降维、优化、特征抽取筛选、用于特征预处理的数理统计方法、以及算法的评测

2015-04-10 12:01:31 20462 1

原创 Spark streaming在可用性方面的改进

Driver的容错性和可用性,在spark1.2发布版本中,spark streaming提供了HA机制

2015-04-10 10:12:16 3434 0

原创 Spark streaming&storm流计算的相关对比

spark streaming和Storm作为当今流行的实时流计算框架,已经在实时计算方案应用的非常广泛了,其中spark streaming是基于spark的一个扩展,比storm的出现要晚一些。本章节从以下几个角度对两者进行了阐述,可以作为选型方面的一个参考。A、 数据处理方式 Spark s...

2015-03-22 16:35:50 7760 0

原创 spark&yarn&storm的资源管理分配对并发性的考量

在常用的计算框架中,无论是spark、storm、yarn,如何提高并发量,提高集群的整体吞吐量是需要考虑的问题,其中资源容量规划和资源申请,对APP任务的并行执行方面有比较多的影响,下面罗列一下以上计算框架在资源规划和资源申请方面的一些类比: 对于整个集群的处理能力来讲总是有限的,这个在很多资源...

2015-03-21 22:18:14 3296 0

原创 漫谈搜素引擎的排序模型

万变不离其宗,搜索引擎的搜索结果排序算法模型,可以抽象为计算每一个doc的p(d|q),利用朴素贝叶斯算法原理,p(d|q)=p(q|d)*p(d)/p(q),p(q)对于每一个doc都是一样的,所以最终的排序打分是p(q|d)*p(d),p(q|d)是query和doc的匹配程度,p(d)是每个...

2015-01-07 20:58:43 3686 1

原创 搜索推广中的查询词扩展

搜索在移动内容分发入口中占有很大的比重,相比较于搜索列表中的应用,搜索广告是在最优的位置展示推广的应用,用户的查询意图比较明显,可以进行高效的推广开发者的应用。对于广告位置的竞争排名,搜索广告一般的做法是,先对用户的query进行扩展,扩展之后再和广告的竞价词进行匹配,筛选匹配的广告,再根据质量得...

2015-01-07 13:43:58 2996 0

原创 大数据应用能力层次模型

画了一张在实践中的大数据应用能力层次模型草图,大数据应用的几个阶层 从数据的基础平台,业务运营监控支撑,精细化的运营和营销,以及数据对外的服务和市场传播

2015-01-01 16:22:45 3610 1

原创 总结数据挖掘预测分类中的样本筛选和特征处理

基于特征化工程进行用户特征化,结合相关的机器学习算法对业务进行挖掘建模,在广告的精准投放、预测、风控等领域中应用的非常广泛。无论是有监督的学习分类算法,还是无监督的聚类也罢,都需要建立特征向量,对特征进行预处理;其中对于有监督的训练时,还需要进行样本的筛选。本章节讲解一下样本选择和特征处理方面的一...

2015-01-01 15:44:45 15383 4

原创 内容分发平台个性化推荐系统经验简单总结

推荐在电商和互联网应用中已经应用的非常广泛,相比于根据query进行主动的搜索,推荐是更加被动的由系统自动推出商品给用户。搜索的意图比较明显,直接由query给出,而推荐需要计算猜测用户的意图,根据用户历史数据和当前行为,基于各种模型推荐合适的商品,提升用户体验,提高转化率。不过近些年来,搜索和推...

2015-01-01 15:37:52 14430 0

原创 定向展示广告投放中的点击率预估模型简介

平台中有一些栏位是留给广告投放用的,对于平台来讲需要关注整体受益,用户需要关注用户体验,广告主需要进行精准的把广告投放给受众,提高转化率。广告投放给用用户展示,最重要的是排序,之前的排序公式是ctr*Bid,其中ctr是广告的历史点击率,Bid是广告主的出价。缺点是存在广告的冷启动和缺乏用户个性化...

2014-12-22 20:33:05 9548 0

原创 基于NIO的长连接的实现已开放到github

长连接相对于短链接来讲,可以减少连接的建立和释放的开销,进而提高通信的效率,而长连接最大的问题是对于连接池中连接的维护。

2014-01-20 00:19:04 15314 2

原创 Yarn设计原理分析之NodeManager

1、  和其他模块之间的交互接口分析1)作为client,NodeStatusUpdater通过ResourceTracker协议和RM进行交互(NMàRM)。该API有两个方法向RM注册NodeManager,参数为httpPort、nodeId、totalResource,其中totalRes...

2014-01-08 20:58:51 8158 0

原创 滑动窗口在storm中的实现

滑动窗口监控和统计应用的场景比较广泛,比如每隔一段时间(10s)统计最近30s的请求量或者异常次数,根据请求或者异常次数采取相应措施;这里说一下滑动窗口在storm中实现的原理。参见下图:窗口大小为30s,每10s就统计一次,那么窗口一共有3个slot,可以对窗口建立长度为3的数组;在storm的...

2014-01-04 22:07:56 16174 3

原创 Storm在批处理和事务方面的机制分析

1、storm事务性topology的提出对于容错机制,Storm通过一个系统级别的组件acker,结合xor校验机制判断一个msg是否发送成功,进而spout可以重发该msg,保证一个msg在出错的情况下至少被重发一次。但是在一些事务性要求比较高的场景中,需要保障一次只有一次的语义,比如需要精确...

2014-01-04 17:06:41 14063 1

原创 流式计算在容错方面的考虑

stream replayLineage trackingState Checkpointing

2014-01-04 06:27:17 3250 0

原创 Solr高亮显示highlight的三种实现

三种实现方式(termvector---,highlight),而且是stored=true第一种是,根据查询的docidsets,获取Document,并获取需要高亮的字段的value,根据query的term和field的value做匹配算法(Highlighter)第二种是,定义termve...

2013-12-23 17:45:08 9334 0

原创 lucene&solr cache在sort、facet等方面的应用解析

FiledCache(对应term),对某field的cache,值为:Array[docid]=term应用场景,sort和faceting其中sort操作,需要对该字段索引,并field不可以进行分词 Solr中的cacheFilterCache             fq=name:xxx...

2013-12-23 17:17:24 3290 0

原创 关于HBase0.94版本在split region后META Scanner和CatalogJanitor并发操作时存在的问题

我们大家都知道,Hbase Region在达到一定大小的时会自动split为两个daughter region,

2013-12-22 11:31:01 3274 2

原创 给研发做的互联网架构设计理念培训

给研发做的互联网架构设计理念培训,分享给大家猛点这里

2013-12-17 21:20:40 3705 0

原创 HBase0.94在flush操作时候的一个漏洞

基于HBase0.94版本,在高并发写操作时,运行时偶尔出现丢失数据的情况,查看了HBase的日志,出现一下信息,WARN org.apache.hadoop.hbase.regionserver.MemStore: Snapshot called again without clearing p...

2013-12-16 22:02:43 2270 0

原创 您的鼓励,我的动力!(CSDN 2013年度博客之星评选)

亲爱的小伙伴们,大家好!很荣幸我能够成为CSDN 2013年度博客之星评选的候选人,希望继续得到大家的支持与鼓励!投票地址:http://vote.blog.csdn.net/blogstaritem/blogstar2013/yangbutao              您的鼓励,我的动力!

2013-12-16 20:26:15 1646 0

原创 SSO单点登录在互联网电商应用中的解决方案(基于CAS的改造)

电商平台中无论是前端还是后端会存在大量的业务应用,在整个交易的过程中请求是在各个业务应用中流转的,对于用户来讲只需要登录一次就可以访问所有的业务,这就是单点登录SSO。 单点登录开源有很多的解决方案,比如基于session的SSO和基于cookie的SSO。 业界使用比较多的基于session的S...

2013-10-24 11:58:41 11802 3

原创 关于Nginx session sticky

Nginx以前对session 保持支持不太好,主要采用ip_hash把同一来源的客户(同一C段的IP)固定指向后端的同一台机器,ip_hash有个缺点是不能实现很好的负载均衡;直到nginx的扩展模块nginx-sticky-module的出现,解决了session sticky的问题。 ...

2013-10-23 14:43:17 34072 6

原创 总结一下HBase各种级别的锁以及对读写的阻塞

为了保证并发操作时数据的一致性和性能,HBase中应用了各种各样高效的可重入锁,包括行级别的rowlock、mvcc,region级别的读写锁,store级别的读写锁,memstore级别的读写锁等等。 1、  行级别的锁RowLock HBase中为了解决行级别在并发操作中的一致性问题,采用了...

2013-10-22 16:51:21 10717 0

原创 HBase数据备份恢复的几种机制总结

1、  replication, 通过类似mysql 主从复制方式进行复制,基于HLog 在应用场景个人感觉比较重要的一点是可以隔离计算分析型的操作和实时性操作带来的影响。 对于DDL操作不做复制,过实时读取hlog中的entry来解析变更的数据然后发送到从集群中去。       ...

2013-10-21 17:27:17 13420 0

原创 HBase snapshot分析

HBase以往数据的备份基于distcp或者copyTable等工具,这些备份机制或多或少对当前的online数据读写存在一定的影响,Snapshot提供了一种快速的数据备份方式,无需进行数据copy。 参见下图 Snapshot包括在线和离线的,在线方式, 离线方式是disableta...

2013-10-21 15:46:13 6767 2

原创 事件驱动和状态机模式在YARN中的使用

阅读了下YARN的源码,架构中设计模式除了服务生命周期管理模式外,还包括事件驱动和状态机模式。生命周期管理模式在容器设计时候比较常见,包括资源模型的加载,卸载等等,比如tomcat、jboss等开源产品。 这里重点讲一下事件驱动和状态机模式的使用。 从提交任务到任务处理完成,YARN架构中整个任务...

2013-10-12 15:47:28 6252 1

原创 新一代mapreduce体系架构介绍-YARN

最近研究了下新一代的mapreduce框架YARN,这里先对YARN框架的引入和架构做个介绍,后续针对每一块做深入分析 从Hadoop0.23版本开始对于mapduce计算框架,就完全是新的架构了(YARN)。老的版本MRv1 Jobtracker中存在单点,功能比较多的问题,负责资源管理调度和...

2013-10-12 10:34:27 9687 0

原创 solr4性能优化实践参考

solr4性能优化参考

2013-09-30 20:42:40 7365 0

原创 HBase培训ppt

以前给研发做的HBase培训的ppt,分享给大家 http://download.csdn.net/download/yangbutao/5206137   从以下角度对HBase进行了分析 关系型数据库的在解决海量数据方面的解决方案和缺陷 互联网业务的需求 Nosql的提出,CAP HBase使...

2013-09-28 15:00:48 7064 2

原创 高并发高可用的通信框架实践

通信组件用于业务系统内部服务之间的调用,在大并发的电商平台中,需要满足高并发、高吞吐量、高可用的要求。本篇就针对这些特性要求提出的相关的解决方案。

2013-09-28 10:20:16 7480 6

原创 分页查询中HBase rowkey在多个查询条件下的设计技巧

以前在设计HBase分页查询时内部分享的一个ppt

2013-09-20 20:38:34 7247 0

提示
确定要删除当前文章?
取消 删除