摘要：全场景可扩展的分布式协同AI基准测试项目Ianvs（雅努斯），能为算法及服务开发者提供全面开发套件支持，以研发、衡量和优化分布式协同AI系统。本文分享自华为云社区《KubeEdge|分布式协同AI基准测试项目Ianvs：工业场景提升5倍研发效率》，作者华为云｜郑子木。在边缘计算的浪潮中，AI是边缘云乃至分布式云中最重要的应用。随着边缘设备的广泛使用和性能提升，将人工智能相关的部分任务部署到边缘设备已经成为必然趋势。KubeEdge-Sedna子项目，作为业界首个分布式协同AI框架，基于KubeEdge提供的边云协同能力，支持现有AI类应用无缝下沉到边缘，降低分布式协同机器学习服务构建与部
摘要：全场景可扩展的分布式协同AI基准测试项目Ianvs（雅努斯），能为算法及服务开发者提供全面开发套件支持，以研发、衡量和优化分布式协同AI系统。本文分享自华为云社区《KubeEdge|分布式协同AI基准测试项目Ianvs：工业场景提升5倍研发效率》，作者华为云｜郑子木。在边缘计算的浪潮中，AI是边缘云乃至分布式云中最重要的应用。随着边缘设备的广泛使用和性能提升，将人工智能相关的部分任务部署到边缘设备已经成为必然趋势。KubeEdge-Sedna子项目，作为业界首个分布式协同AI框架，基于KubeEdge提供的边云协同能力，支持现有AI类应用无缝下沉到边缘，降低分布式协同机器学习服务构建与部
一、背景 随着机票订单业务的不断增长，当前订单处理系统的架构已经不能满足日益增长的业务需求，系统性能捉襟见肘，主要体现在以下方面： 数据库CPU资源在业务高峰期经常达到50%以上，运行状况亮起了黄灯； 磁盘存储空间严重不足，需要经常清理磁盘数据腾挪可用空间； 系统扩容能力不足，如果需要提升处理能力只能更换配置更好的硬件资源。 因此我们迫切需要调整和优化机票订单数据库的架构，从而提升订单系统的处理性能。通过建立良好的水平扩展能力，来满足日益增长的业务需求，为后续系统优化和支撑10x订单量的增长打下良好基础。 1、存储架构的演进 我们选择一个新的系统架构，应该基于当下面临的问题，综合成本、风险、收
一、背景 随着机票订单业务的不断增长，当前订单处理系统的架构已经不能满足日益增长的业务需求，系统性能捉襟见肘，主要体现在以下方面： 数据库CPU资源在业务高峰期经常达到50%以上，运行状况亮起了黄灯； 磁盘存储空间严重不足，需要经常清理磁盘数据腾挪可用空间； 系统扩容能力不足，如果需要提升处理能力只能更换配置更好的硬件资源。 因此我们迫切需要调整和优化机票订单数据库的架构，从而提升订单系统的处理性能。通过建立良好的水平扩展能力，来满足日益增长的业务需求，为后续系统优化和支撑10x订单量的增长打下良好基础。 1、存储架构的演进 我们选择一个新的系统架构，应该基于当下面临的问题，综合成本、风险、收
一、背景 随着机票订单业务的不断增长，当前订单处理系统的架构已经不能满足日益增长的业务需求，系统性能捉襟见肘，主要体现在以下方面： 数据库CPU资源在业务高峰期经常达到50%以上，运行状况亮起了黄灯； 磁盘存储空间严重不足，需要经常清理磁盘数据腾挪可用空间； 系统扩容能力不足，如果需要提升处理能力只能更换配置更好的硬件资源。 因此我们迫切需要调整和优化机票订单数据库的架构，从而提升订单系统的处理性能。通过建立良好的水平扩展能力，来满足日益增长的业务需求，为后续系统优化和支撑10x订单量的增长打下良好基础。 1、存储架构的演进 我们选择一个新的系统架构，应该基于当下面临的问题，综合成本、风险、收
一、背景 随着机票订单业务的不断增长，当前订单处理系统的架构已经不能满足日益增长的业务需求，系统性能捉襟见肘，主要体现在以下方面： 数据库CPU资源在业务高峰期经常达到50%以上，运行状况亮起了黄灯； 磁盘存储空间严重不足，需要经常清理磁盘数据腾挪可用空间； 系统扩容能力不足，如果需要提升处理能力只能更换配置更好的硬件资源。 因此我们迫切需要调整和优化机票订单数据库的架构，从而提升订单系统的处理性能。通过建立良好的水平扩展能力，来满足日益增长的业务需求，为后续系统优化和支撑10x订单量的增长打下良好基础。 1、存储架构的演进 我们选择一个新的系统架构，应该基于当下面临的问题，综合成本、风险、收
作为云平台用户，我们都希望购买的服务器物尽其用，能够达到最大利用率。然而要达到理论上的节点负载目标是很的，计算节点总是存在一些装箱碎片和低负载导致的闲置资源。下图展示了某个生产系统的CPU资源现状，从图中可以看出，浪费主要来自以下几个方面：业务需求与节点可调度资源很难完全匹配，因此在每个节点上都可能剩余一些碎片资源无法被分配出去。业务通常为了绝对稳定，会申请超出自身需求的资源，这会导致业务锁定了资源但事实上未能有效利用。资源用量存在波峰波谷，很多在线业务都是有着规律性的服务高峰和低峰的，如通常白天负载较高，资源用量较大，而夜间在线访问降低，资源用量也会跌入低谷。Crane提供了Request推
作为云平台用户，我们都希望购买的服务器物尽其用，能够达到最大利用率。然而要达到理论上的节点负载目标是很的，计算节点总是存在一些装箱碎片和低负载导致的闲置资源。下图展示了某个生产系统的CPU资源现状，从图中可以看出，浪费主要来自以下几个方面：业务需求与节点可调度资源很难完全匹配，因此在每个节点上都可能剩余一些碎片资源无法被分配出去。业务通常为了绝对稳定，会申请超出自身需求的资源，这会导致业务锁定了资源但事实上未能有效利用。资源用量存在波峰波谷，很多在线业务都是有着规律性的服务高峰和低峰的，如通常白天负载较高，资源用量较大，而夜间在线访问降低，资源用量也会跌入低谷。Crane提供了Request推
ApacheShardingSphere助力当当3.5亿用户量级顾客系统重构，由PHP+SQLServer技术栈无缝转型为Java+ShardingSphere+MySQL，性能、可用性及维护性均得到显著提升，是ShardingSphere异构迁移最佳实践。1 顾客系统背景当当顾客系统主要负责账户的注册、登录、隐私数据维护等功能，历史技术栈为PHP+SQLServer，是标准的集中式架构，如下图。重构项目启动前，顾客系统的数个业务模块存在多个棘手的业务问题和技术挑战，如逻辑分散、吞吐量低及运维成本高等问题。为改善顾客的购物体验，当当技术团队决定对业务逻辑和底层数据架构进行优化，实现顾客系统多场
ApacheShardingSphere助力当当3.5亿用户量级顾客系统重构，由PHP+SQLServer技术栈无缝转型为Java+ShardingSphere+MySQL，性能、可用性及维护性均得到显著提升，是ShardingSphere异构迁移最佳实践。1 顾客系统背景当当顾客系统主要负责账户的注册、登录、隐私数据维护等功能，历史技术栈为PHP+SQLServer，是标准的集中式架构，如下图。重构项目启动前，顾客系统的数个业务模块存在多个棘手的业务问题和技术挑战，如逻辑分散、吞吐量低及运维成本高等问题。为改善顾客的购物体验，当当技术团队决定对业务逻辑和底层数据架构进行优化，实现顾客系统多场
