drvively
本站致力于IT相关技术的分享
构建异构请求合并网关 Tornado Micronaut 与 Ray 的协同实践 构建异构请求合并网关 Tornado Micronaut 与 Ray 的协同实践
问题的起点非常明确：一个外部系统以极高频率向我们推送小型计算任务，峰值可达每秒数万次。每个任务本身处理起来并不复杂，但其背后依赖一个CPU密集型的模拟模型。直接处理这些原子化请求会立刻摧毁后端系统，因为模型的初始化和单次运行的固定开销远大于
2023-10-27 分布式架构
Ray Tornado Micronaut 分布式计算 高性能网关
构建基于 Chef 部署、Azure Functions 处理与 Seaborn 动态可视化的分布式遥测数据管道 构建基于 Chef 部署、Azure Functions 处理与 Seaborn 动态可视化的分布式遥测数据管道
我们面临的第一个问题，并非技术选型，而是现实约束。团队维护着一个混合架构系统：一部分是运行在本地数据中心VM上的传统Java应用，另一部分是部署在云上的较新微服务。监控系统是分裂的，传统应用依赖于老旧的、基于文件的日志和有限的JMX指标，而
2023-10-27 可观测性工程
Seaborn 分布式与中间件 Azure Functions Chef Turbopack
在GitHub上为Ktor微服务构建基于Scrum事件的DORA指标度量管道 在GitHub上为Ktor微服务构建基于Scrum事件的DORA指标度量管道
我们团队的看板上贴满了完成的卡片，Sprint评审会议上演示的功能也越来越复杂，每个人都“感觉”研发效能变高了。但这种感觉是脆弱的，无法量化，更无法指导我们进行精确的改进。当被问及“我们的部署频率是多少？”或者“一个需求从开始编码到上线平均
2023-10-27 DevOps
Ktor Scrum GitHub DevOps DORA
利用 TDD 与 eBPF 为服务网格中的 Spring Boot 应用注入无侵入的应用层可观测性 利用 TDD 与 eBPF 为服务网格中的 Spring Boot 应用注入无侵入的应用层可观测性
我们团队的服务网格（Istio）已经运行得很稳定，它提供了出色的 L4/L7 层流量洞察、mTLS 加密和精细的流量控制。但一个持续存在的痛点是，当监控系统报警某个服务的 P99 延迟飙升时，我们能从网格层面得到的信息非常有限。例如，我们知
2023-10-27 云原生
eBPF Spring Boot TDD 服务网格 可观测性
构建基于 Kong 与 SkyWalking 的 AI 推理服务全链路可观测性及 Argo CD 声明式部署 构建基于 Kong 与 SkyWalking 的 AI 推理服务全链路可观测性及 Argo CD 声明式部署
一套用于金融风控场景的 TensorFlow 推理服务，其 P99 延迟目标是 50ms。当监控系统报告一次请求耗时 150ms 时，问题可能出在哪里？是入口的 Kong 网关插件执行缓慢，是负责特征提取的 Java 中台服务发生了 GC，
2023-10-27 架构与设计
Kong 可观测性 TensorFlow SkyWalking Argo CD GitOps
基于列式NoSQL与GitOps构建跨平台构建分析系统的架构决策 基于列式NoSQL与GitOps构建跨平台构建分析系统的架构决策
我们的技术栈正变得越来越分裂：核心业务逻辑由Swift团队负责，产出高质量的iOS/macOS原生应用；而配套的运营后台、数据看板则由前端团队使用TypeScript和Rollup构建。这种分离本身是健康的，但它带来了一个被长期忽视的痛点：
2023-10-27 架构与设计
Swift NoSQL (列式) CI/CD 与 GitOps Rollup 框架与库
3 / 5