公司：阿里巴巴
阿里巴巴集团创立于1999年，是中国大陆一家以提供互联网服务为主的综合企业集团，目前实行位于杭州，上海与北京的双总部制度。
阿里巴巴服务范围包括B2B贸易、网上零售、购物搜索引擎、第三方支付和云计算服务。集团的子公司包括阿里巴巴B2B、淘宝网、天猫、一淘网、阿里云计算、聚划算、全球速卖通、阿里巴巴国际交易市场、饿了么、飞猪、优酷、盒马鲜生、阿里影业、菜鸟网络、高德地图、Lazada、Daraz等。旗下的淘宝网和天猫在2012年销售额达到1.1兆人民币，2015年度商品交易总额已经超过三兆元人民币，是全球最大零售商。
至2012年九月底止的财政年度，以美国会计准则计算，阿里营业额按年增长74%至318.39亿元（港元‧下同），盈利急升80%至37.75亿元。2015年全年，阿里巴巴营收146.01亿美元，净利为74.94亿美元。2017年，根据阿里巴巴集团向美国证券交易委员会提交的IPO招股书显示，雅虎持有阿里巴巴集团22.6%股权、软银持阿里集团34.4%股份，另管理层、雇员及其他投资者持股比例合共约为43%，当中马云持阿里巴巴集团约8.9%、蔡崇信持股为3.6%。
2019年11月，阿里巴巴集团在在港交所二次上市。香港财经界把阿里巴巴、腾讯（港交所：700）、美团点评（港交所：3690）、小米（港交所：1810）四只中国大陆科技股的英文名称首个字母，合称“ATMX”股份。
2019年11月26日，阿里巴巴集团港股上市，总市值超4兆，登顶港股成为港股“新股王”。2020年8月，阿里巴巴集团港股总市值首次超过6万亿。
阿里巴巴拆份出去的蚂蚁集团上市前，网络金服整体遭遇到政府的强力监管，阿里巴巴同样受到影响，2021年4月10日，阿里巴巴集团涉垄断被中国市场监管总局罚款182.28亿元人民币。2023年三家中国最主要的金融机构，再联合开罚71亿元，不过也随着官方宣布最后整顿工作的完成，阿里巴巴股价开始反弹。
K8S异常诊断之俺的内存呢
某客户集群出现OOM和Pod驱逐问题，涉及多节点、多业务。经排查，发现内存使用监控与实际不符，cgroup内存限制设置异常。深入分析系统日志和kubelet配置，发现systemd与kubelet在内存限制设置上存在冲突，导致cgroup内存限制被覆盖。最终通过升级K8S版本解决了问题。
系统稳定性建设三件事
本文分享了作者在2024年初接手内容风控团队稳定性工作后的经验总结，探讨了系统稳定性的定义、面临的挑战及解决方案。通过事前降发生、事中降影响、事后优改进的三步策略，成功提升了系统稳定性，实现了上游请求成功率和应急时效的显著提升，解决了卡单问题，并完成了单元化架构的升级。
悲催，放到 Map 中的元素取不出来了
程序员小明在使用HashMap时，因修改了作为键的Player对象的name属性，导致无法正确检索数据。原因在于HashMap依赖键的hashCode定位数据，修改键后hashCode变化，导致数据访问异常。建议避免修改HashMap的键，或将键类设计为不可变类型，确保数据一致性。
探索淘宝购物车SurfaceView闪黑的解决方案
淘宝交易终端架构探索中，针对购物车SurfaceView闪黑问题，提出了多种解决方案。通过Fragment不销毁、截屏、Image->Surface转换等技术手段，有效避免了Tab切换时的闪黑现象。其中，Image->Surface转换+Fragment延迟销毁方案性能最佳，兼顾了流畅性和内存管理，为购物车体验优化提供了有力支持。
JDK11升级后竟让内存利用率飙升到90%以上？
升级JDK11后，G1GC导致内存利用率飙升至90%以上。通过观察发现，G1GC的Old区未触发回收，内存持续攀升。临时解决方案为重启机器，最终通过调整JVM参数将堆内存缩减至8G，问题解决。G1GC采用分区管理，相比CMS更灵活，但内存占用较高。建议根据容器大小合理设置堆内存，避免内存浪费。
基于阿里云可观测产品构建企业级告警体系的通用路径与最佳实践
告警是保障系统稳定性的基石,通过监控和报警机制及时发现并响应异常。IT系统可用性取决于MTTF和MTTR,提升MTTF、降低MTTR是关键。告警体系建设需明确监控对象、分析指标、采集数据并配置规则,确保告警真实、详细、可操作。合理划分告警等级和通知策略,避免误报和告警风暴,高效处置告警事件,提升系统可靠性。
广告深度学习计算：阿里妈妈大模型服务框架HighService
HighService是阿里妈妈推出的高性能Python AI服务框架,支持视频、图文、LLM等多种模型,显著提升推理速度与资源利用率。面对大模型需求激增,HighService通过优化推理加速、全局资源调度及快速业务上线,解决了GPU供给不足的挑战。它采用CPU/GPU分离架构,支持在线与离线场景的动态资源调配,确保在线用户体验的同时提高离线任务产量,助力大模型在阿里妈妈业务中的广泛应用。
淘宝订单列表Fragment转场动画卡顿解决方案
在淘宝交易终端架构中,Fragment转场动画卡顿问题成为一大挑战。通过分析,发现Activity动画由系统管理,不受主线程阻塞,而Fragment动画则因主线程任务导致卡顿。解决方案包括动画延后、分帧渲染及异步动画框架,尤其采用SurfaceView实现独立绘制,避免主线程影响。分帧渲染通过Choreographer.FrameCallback逐帧处理数据,减少丢帧。异步动画框架利用SurfaceView展示占位图,确保动画流畅。这些方法有效提升了用户体验,但需注意ANR和资源管理风险。
「缓存」会用很容易，用好才是技术活
本文深入探讨了缓存技术的演进与应用,重点介绍了Guava本地缓存和Tair分布式缓存的原理与使用。通过案例分析了缓存使用不当的后果,并提供了多级缓存的优化策略。详细解析了Guava Cache的源码实现,探讨了Tair的架构、数据一致性及热点处理方案。最后,总结了缓存一致性、并发问题的解决方案,为高效使用缓存提供了实用指导。
淘宝App交易链路终端混合场景体验探索
在不确定的业务需求下,通过混合架构(Native容器+Weex2.0)提升交付效率和质量。优化交易链路的性能体验和迭代效率,通过实例、数据、资源管理提升页面性能。采用Fragment、异步预热、ZCache等技术降低导航和加载耗时。实现高性能和高效率的开发模式,以满足复杂多变的业务场景需求。
以史为鉴，未雨绸缪：身处“大模型掀起的AI浪潮中”的感悟和思考
大模型和AI技术正在引领新一轮技术革新。生成式AI市场规模迅速增长,预计到2030年将对全球经济贡献巨大。中国在大模型领域竞争激烈,呈现"百模大战"格局。大模型凭借其涌现能力和强大计算能力,有望形成商业闭环,推动各行业变革。了解大模型的优势与局限,并结合自身领域应用,将提升竞争力。未来,AI将颠覆多个行业,掌握AI技术的人将更具优势。
微调碾压RAG？大模型意图识别工程化实践
智能电视行业在AI领域发力,通过大模型提升用户体验。大模型在意图识别方面碾压传统NLP,解决复杂语境、上下文理解、知识更新等问题。三种方案对比,微调小尺寸模型解决延迟与准确性问题。通过自动质检和自动微调工程链路,持续优化模型。落地效果显著,实现高准确率和低延迟,未来将进一步提升个性化服务。
高质量编写非功能性代码的一些实践
本文讨论了软件开发中非功能性质量交付的重要性,尤其是在Java语言中的实践。非功能性需求如可维护性和可靠性常被忽视,作者分析了注释、JavaDoc、代码自注释、异常信息、异常日志、程序异常、业务错误、标准化与特例化等概念。通过正确区分和应用这些概念,工程师可以提升代码的可读性、质量和系统的可维护性,降低维护成本,提高协作效率。
漫谈DeepSeek及其背后的核心技术
DeepSeek公司成立于杭州,以低成本和高性能的大模型DeepSeek-V3引领行业。其创新技术包括MLA多头潜在注意力、FP8混合精度训练和MoE架构,有效提升训练和推理效率。采用HAI-LLM训练框架和DualPipe并行算法,优化通信与计算重叠,显著降低成本。V3模型已达到国际领先水平,在国内外应用广泛。DeepSeek的成功展示了中国在AI基础技术研发中的突破,促进AI行业更快速、低成本迭代。
淘宝直播技术新范式（二）｜新型商品推荐链路带来百万级DAU增量
为解决传统直播推荐模式的问题,推出“品带直播”方案,通过直播挂品识别和商品推荐技术,提升用户体验和平台效率。通过实时数据处理、升级索引和内容表、引入主播特征建模,提升推荐效果。全域成交建模缓解数据稀疏,优化用户兴趣模型。异构兴趣融合提升推荐精准度,显著提高直播间商品转化率和用户活跃度。
从铜线到云端：网络技术的跨越与未来趋势
本文介绍了物理网络和云网络的基础知识,探讨了在AI大模型浪潮下云网络的演进。物理网络通过OSI分层模型将数据传输在不同设备之间,而云网络引入了VPC、SDN等技术,实现了虚拟网络的隔离和灵活配置。在AI大模型背景下,高性能网络如RDMA和ACCL库在提升数据传输效率方面发挥了关键作用,为大规模分布式计算提供了有力支持。