Docker宕机了，无法部署容器的程序员表示很愤怒
根据Docker的说法，本周二（2019年10月15日）上午Docker的短暂宕机导致一些开发人员无法访问其集中管理的Hub注册服务，之后其服务已经恢复正常运行。 然而，这家最近貌似很缺钱的devops明星公司今天表示，由于一个未知问题，太平洋时间10:06到11:04 （即世界通用协调时间17:06到18:04）期间，Docker Hub注册表无法访问。 虽然该服务在中午时分恢复上线，但Docker一直无法解释一个小时停机的确切原因。“我们已经解决了注册服务的问题。Docker的pull和pu...
教程 [2026-04-22]
毕业3年Java程序员，年薪20W，他是如何达到的？
Java架构师，首先要是一个高级java攻城狮，熟练使用各种框架，并知道它们实现的原理。jvm虚拟机原理、调优，懂得jvm能让你写出性能更好的代码池技术，什么对象池，连接池，线程池…… Java构架师需要掌握的技术： 1、熟练使用各种框架，并知道它们实现的原理。 2、jvm虚拟机原理、调优，懂得jvm能让你写出性能更好的代码 3、池技术，什么对象池，连接池，线程池……Java反射技术，写框架必备的技术，遇到有严重的性能问题，替代方案java字节码技术 4、nio，没什么好说的，值得注意...
教程 [2026-04-22]
量子力学的核心：薛定谔方程，究竟神奇在哪里？
教科书上有一个典型的问题：当你汽车的油耗尽后，你需要多大的力去推动它，才能够将它加速到给定的速度呢？来自于牛顿运动第二定律的答案是：F=ma，其中a是加速度，m为质量，F为力的大小。这个非常直接而又精妙的定律能够描绘各种各样的运动。至少在理论上它可以解答这个世界的所有物理问题。 真的么？当人们开始从极小的尺度去思考这个世界时，比如：电子绕着原子核旋转，他们意识到一切变得非常奇怪，牛顿定律好像不能用了。为了描写这个微观的世界，你需要用到二十世纪初期发展而来的量子力学。这个理论的核心是薛定谔方程，可...
教程 [2026-04-22]
Apple 服务器大面积宕机约38分钟
据外媒AppleInsider报道，苹果的许多在线服务暂时宕机，导致用户无法访问网站和在线工具，在尝试使用AppleMusic播放歌曲时遇到错误。美国东部时间10月16日下午1点24分左右，AppleInsider注意到无法访问官方的苹果新闻编辑室，并显示一条消息，提示页面“无法找到”。不久之后，苹果的其他许多在线服务暂时中断。经过AppleInsider员工的进一步检查，苹果开发人员网站也变得不可用，通常显示服务器问题的官方“系统状态”页面也处于宕机状态。其他服务也遇到了问题，包括iCloud...
教程 [2026-04-22]
组件复用一小步 轻松实现跨项目开发提效
组件是现代应用程序开发的推动力。除了用作塑造用户体验的 UI 元素外，组件还能充当可复用的模块化代码单元，这类单元通常会用在多个项目中。当你开始为你的组织构建一套共享组件架构时，你肯定需要弄清楚一些棘手的问题，例如，如何独立开发组件，同时避免存储库过多；如何针对每个组件处理好控制版本、发布和管理工作；如何帮助他人发现并应用这些组件，等等。这些都是层次较深的问题，范围涉及组件开发的单仓库经验，到多组件的跨存储库管理，等等。本文将介绍如何跨多个项目利用合适的工具和工作流来开发、分发和应用组件，为各...
教程 [2026-04-22]
拜拜 HTTP，哈喽 Reactive：解决云端的大问题
作者：Mahendra Ramsinghani 是总部位于硅谷的网络安全种子基金 Secure Octane 的创始人。 阿里巴巴、Pivotal 和 Lightbend 加持，Reactive 大秀其在微服务界的投资回报！ Linux 基金会最近宣布设立 Reactive 基金会。该基金会的创始成员有阿里巴巴、Lightbend、Pivotal 和 Netifi。那么，这个 Reactive Kool-Aid 到底是什么？为什么所有这些公司都纷纷追捧它？ 如果你认可开发人员置身于云原生微服...
教程 [2026-04-22]
开源硬件是未来趋势，Arm 却走了一条与众不同的路
“开源”一词所代表的不仅仅是技术人员的情怀，它还传达了诸如研究知识共享和社区建设之类的观点。虽然开源一直都在产生积极的影响 —— 随着开源微处理器指令集架构 RISC-V 的日益普及，推动软件创新的开源运动现在正在微处理器领域引起轰动，但半导体 IP 提供商 Arm（为 95％ 的智能手机嵌入式处理器提供了支持） 并不是开源的狂热爱好者。 近日，外媒 Synced 与 Arm 嵌入式、物联网和汽车营销高级总监 Rhonda Dirvin 进行了一次对话，探讨开源硬件和开源软件之间的区别，以及...
教程 [2026-04-22]
适用于 EC2 和 EBS 的新 AWS 成本计算器
直到现在，十多年前我们发布简单月度成本计算器的博客文章仍然不时出现在我们内部的十大名单中！ 从那篇博文发布以来，我们对这款成本计算器不断扩展、重新设计，甚至进行了一两次重新构建。 新计算器 在征集大量客户反馈的基础上，我们利用空白的屏幕和空的代码存储库开始构建全新的 AWS 成本计算器。新计算器旨在帮助您估计和了解自己最终的 AWS 费用。我们尽力做到不过度使用行话，让计算变得简单、透明、易懂。您可以看到可使用的选项，探索相关成本，作出高质量的数据驱动决策。 首先我们将支持 EC2 实例、EB...
教程 [2026-04-22]
什么是神经网络？
我们所要谈论的神经网络，不是动物或者人的神经网络，而是为计算机量身定制的神经系统。计算机神经网络是一种模仿生物的神经网络或者是动物的神经中枢，特别是大脑的结构和功能，它是一种数学模型或者是计算机模型。神经网络由大量的人工神经元联结进行计算，大多数情况下，人工神经网络能在外接的信息基础上改变内部结构，是一种自己逐渐适应的过程。现代神经网络是一种基于传统统计学建模的工具，常用来对输入和输出间复杂的关系进行建模或来探索数据间的模式。Part1神经网络是一种运算模型，有大量的节点（或称“神经元”）之间的...
教程 [2026-04-22]
TiDB 在 UCloud 公有云上的实践
我是 UCloud TiDB 产品的研发工程师常彦德，接下来的半小时我将和大家分享一下我们所做的把 TiDB 运行在公有云上的一些经验。今天的分享分为四个部分：第一部分是 UCloud TiDB Service；第二部分是我们为了将 TiDB 服务运行在公有云上做了哪些工作；第三部分是我们为了帮已有用户将业务无缝迁移到 TiDB 上面所做的另外一个产品及扩展；第四部分是讲我们在使用 TiDB 的过程中遇到的问题及解决方法。 首先讲 TiDB Service，我们以服务的形式把 TiDB ...
教程 [2026-04-22]
Autodesk 如何借助 Amazon Aurora 提升数据库可扩展性并降低复制延迟
Autodesk 是 3D 设计、工程和娱乐软件领域的领先企业。Autodesk 为创造事物的人提供软件。只要您开过高性能汽车，瞻仰过耸峙的摩天大楼，使用过智能手机，或者观赏过宏大的电影，您可能已经体验了数百万 Autodesk 用他们的软件取得的成就。 Autodesk 在 Amazon RDS 上运行的 MySQL 托管数据库和在 Amazon EC2 上托管的自我管理的 MySQL 数据库都已成功迁移到Amazon Aurora。本博文概括了这一经历，包括以下几个方面： 影响 Autode...
教程 [2026-04-22]
Spark Streaming源码分析——DStream的内置和运行
贝壳实时计算平台已承接公司各种实时数据任务100多个，日处理消费总量接近250亿，采用的底层引擎包括Spark-Streaming和Flink。为了提升数据处理速度和稳定性，我们对各种引擎的处理特性进行了深入研究。在Spark-Streaming中，对流的抽象是使用DStream来定义的，所以想要理解Spark-Streaming的流处理模型，理解DStream的内部实现以及其如何构建和运行是很有必要的。 DStream的构建 我们在定义一个流的处理逻辑时，首先从一个数据的流入源开始，这个数据源...
教程 [2026-04-22]
你的大脑几岁了？这个人工智能会告诉你
你的大脑几岁了？对于这个问题，可能很少有人能明确回答的上来。现在，AI或许能帮助你作出回答。不久前，《自然神经科学》杂志上发表了一篇研究，该研究提出了一项算法，使人们能够仅通过核磁共振扫描即可预测一个人的大脑年龄，并发现了一些影响、加速大脑衰老的因素。在其中，人工智能是帮助确定个体大脑年龄的第一步。 事实上，一个人的实际年龄与大脑年龄之间是存在差异的，除了基因、还有一些疾病可能会导致大脑区域比其他区域衰老速度更快。人工智能可以破译这些“差异”，并指导潜在的质量方案。因此，该研究具有医学健...
教程 [2026-04-22]
基于DDD设计并实现模块化单体应用
一个最近由Kamil Grzybek在Github发布的项目，给出了使用领域驱动设计（DDD，Domain-Driven Design）方法设计并实现一个单体（monolith）应用的详细介绍。该项目的目标，就是展示如何以模块化方式设计并实现一个单体应用。此外，Grzybek还基于他在应用开发实践的收获，给出了一些有用的架构建议和设计模式。 Grzybek是华沙ITSG Global的一位系统架构师，并担任团队负责人。他指出，该项目的目标并非是要创建一个极简应用，或是一个验证原型（PoC，pro...
教程 [2026-04-22]
从3/4层拓展到56层，如何训练超级深层的图卷积神经网络？
这个系列将介绍在深度学习的强力驱动下，给推荐系统工业界所带来的最前沿的变化。本文主要介绍一篇ICCV 2019 Oral上的论文[1]，在 CNN 结构的启发下成功将 GCN 的可训练深度从 3/4 层拓展到了 56 层，大幅度提高了图卷积网络的性能，并开源了源代码。 摘要 卷积神经网络（CNN）在各种领域取得了令人瞩目的成果。他们的成功得益于能够训练非常深的CNN模型的巨大推动力。尽管取得了积极的成果，但CNN未能正确解决非欧几里德数据的问题。 为了克服这一挑战，利用图卷积网络（GCN）构...