1）携程酒店每天有上千表，累计十多亿数据更新，如何保证数据更新过程中生产应用高可用；

2）每天有将近百万次数据查询请求，用户可以从粗粒度国家省份城市汇总不断下钻到酒店，房型粒度的数据，我们往往无法对海量的明细数据做进一步层次的预聚合，大量的关键业务数据都是好几亿数据关联权限，关联基础信息，根据用户场景获取不同维度的汇总数据；

3）为了让用户无论在app端还是pc端查询数据提供秒出的效果，我们需要不断的探索，研究找到最合适的技术框架。

对此，我们尝试过关系型数据库，但千万级表关联数据库基本上不太可能做到秒出，考虑过Sharding，但数据量大，各种成本都很高。热数据存储到ElasticSearch，但无法跨索引关联，导致不得不做宽表，因为权限，酒店信息会变，所以每次要刷全量数据，不适用于大表更新，维护成本也很高。Redis键值对存储无法做到实时汇总，也测试过Presto，GreenPlum，kylin，真正让我们停下来深入研究，不断的扩展使用场景的是ClickHouse。

基础数据的维护对于提升测试效率是很重要的一个环节，这里介绍一种数据库表粒度的数据同步方法来实现测试环境基础数据的维护。

这篇文章可能跟Anroid的关系不是很深，主要介绍Groovy是如何一步步解析Android的DSL语言，这样你在配置一些gradle文件的时候可以更加得心应手。

在性能方面，Flutter的表现比RN更为优秀。

分布式数据库OceanBase在携程的实践之路。

我的应用为啥被kill了？通过分析不同场景，快速定位问题和解决问题。

Java11版本中，G1已成为默认垃圾回收器，为了使用Java11的朋友更好的认识G1垃圾回收器与过往的垃圾回收器的异质性，本文比较了G1之前的传统垃圾回收器，G1垃圾回收器，以及G1之后的低延时垃圾回收器在内存模型和性能追求上的不同特点。

根据实际业务需求，设计合理的实时数仓架构并落地开发。

PB级大规模日志数据治理经验分享。

以用户为中心的iDesk服务平台。

携程基于 DSL 及 KSP 的 Kotlin Multiplatform 数据库框架。

微服务架构在中大型互联网公司中被广泛应用，随着业务的发展，应用数越来越多、调用关系也越来越复杂。中台化后，交易系统要支持业务线多，系统复杂性高，原系统虽然能支撑业务量的持续增长，但在稳定性、吞吐力和资源利用率上面，还存在优化空间。

本文站在业务开发角度介绍开发在微服务架构下遇到的相关问题（微服务架构的优缺点这里不再赘述），以门票活动预订流程查询引擎为例，分享微服务治理的实战经验，希望能给遇到同样问题的同学提供一些借鉴思路。

管理大师彼得·德鲁克在《有效的主管》一书中简明扼要地指出：“效率是‘以正确的方式做事’，效能则是‘做正确的事’。效率和效能不应偏废，我们希望同时提高效率和效能，但若效率与效能无法兼得时，我们首先应着眼于效能的提升”。携程大住宿研发效能提升的指导思想就是基于做正确的事展开，并以“持续快速，高质量的交付有效价值”作为研发效能改进的核心目标。通过持续不断的改进探索，让团队思考更加有效，工作更加高效。

“快”是大多数体验优化的第一个目标。

优化过程可量化，治理活动可观测，建立可持续的技术和运营基础。

代码分析、代码探索，提升研发交付质量。