公司：字节跳动
北京字节跳动科技有限公司，简称字节跳动，是一家位于中国北京的跨国互联网技术公司，成立于2012年3月，旗下有产品媒体聚合服务今日头条和短影音抖音（及其海外版本TikTok）、西瓜视频、社交平台Lemon8等，也有一些加入人工智能技术的专业生产力软件，例如剪映、办公套装拉客（lark，中国版本称飞书）等业务。
至2018年，字节跳动的移动应用月度用户超过十亿人，估值750亿美元，超越Uber成为全球最有价值的创业公司。截至2019年7月，字节跳动的产品和服务已覆盖全球150个国家和地区、75个语种，曾在40多个国家和地区位居应用商店总榜前列。
在中国互联网企业中，字节跳动是第一家没有向阿里巴巴、腾讯或百度寻求商业保护或融资的创业公司；相反地，字节跳动被认为与百度、腾讯两大巨头有强烈的竞争关系，因字节跳动资金主要来源于抖音和今日头条的广告收入。
至2020年3月，字节跳动已经有六万员工，并计划再增员一万人。投资人和内部消息将字节跳动2019年的营收定在1,040亿元至1,400亿元人民币，超过了Uber、Snapchat和推特的总和。在中国，其广告收入也超越了腾讯、仅次于阿里巴巴。抖音的全球下载量达1.15亿次，固定用户近10亿。
深入了解魔性的CSS字体
最近在开发遇到了两个一直困扰我的问题：
- 当 font-family 为 PingFangSC-Regular 时，为什么设置了 font-weight 为 500 和 font-weight 为 400 的现象一样？
- 在某些Android 系统手机中，中文和数字/英文同时设置了 font-weight 为 500，为什么只有数字/英文实现了加粗?
看到这两个神奇的现象的时候，让我陷入了深深的沉思，原来我撸了这么多代码，还是没能真正了解字体。不甘心被这魔性的字体困扰，发誓一定要拿出一个解决方案，在不断翻箱倒柜查阅资料之后，我想我现在开始有点懂了。
iOS 符号解析重构之路
通过对线上iOS符号解析服务的持续探索和优化，最终完整落地了一套将平均单行解析效率提升70倍的技术方案。
如何用Rust做Android UI渲染
Rust优秀的安全性、媲美C++的性能以及对跨平台编译和外部语言（ffi）的支持使得其成为高性能跨平台库的上佳实现语言。然而，Rust是否可以在逻辑层之上进一步服务于一些通用性的UI渲染？我们大力智能客户端团队针对开源项目rust-windowing（ https://github.com/rust-windowing ）中几个核心工程进行剖析，并结合在Android系统的接入对此进行探索。
HTTP 请求库 - Axios 源码分析
说到 JS HTTP 请求，就不得不提 Axios，作为前端网络请求库领域中的霸主，被广泛应用于众多的 web 项目中。
一文读懂字节跳动自研移动研发工具链 MBox
MBox 是字节跳动抖音基础技术、Client Infra-DevOps根据移动端研发出现的现状与问题，结合移动端研发工具相关实践经验，自研的一款面向移动端开发者的研发工具链产品。
如何将 Canvas 绘制过程转为视频
在一些需要动态回放需求的场景里，我们可以用 Canvas 实时创建视频。
Flutter 疑难杂症系列：键盘原理及常见问题解决方案
通过提供 Flutter 键盘调用流程相关分析和已知问题的解决思路，让开发者对 Flutter 键盘使用有更深入的了解和认识。
如何基于分布式KV研发一款消息中间件
本文介绍如何基于计算存储分离架构，在分布式KV存储的基础上研发一款MQ的核心思路。
CQ: 字节系创作质量中台实践
创作资源是指道具、模板、小程序等由设计师制作的资源，会应用于抖音、火山、剪映、轻颜、醒图等多款字节 APP 上。随着 UGC 模式的发展，越来越多的用户也加入到创作者行列，提供了大量、新颖的创意与玩法。创作者的增加，也导致资源数量急剧上涨，安全与质量问题也日益突出，而人工检测也存在着较大的效率、漏审等问题。为提升效率和测试覆盖率，给予创作者更好的创作环境与用户更好的使用体验，我们打造了一个专业垂类化测试服务化平台——创作质量平台（简称 CQ ），来保障创作者生产资源的质量。
Electron / Chromium 屏幕录制 - 那些我踩过的坑
我们选择 webRTC API 直接录制的方案实现了录屏功能，并在后续踩了一些列的坑，以下是一些分享。
深入理解 Node.js 的 Inspector
Node.js 提供的 Inspector 非常强大，不仅可以用来调试 Node.js 代码，还可以实时收集 Node.js 进程的 Heap Snapshot、Cpu Profile 等数据。
对比与理解：模糊测试(fuzzing)与变异测试(mutation)
谈到模糊测试（fuzzing）与变异测试（mutation），在很多场合下这两个概念会被混为一谈，可能很多人分不清它们究竟有什么区别。他们之间的相同点在于，这两种方法都是通过<改变某些东西>来引入变化，从而实现检测<系统，接口，服务，测试用例集，etc.>的稳定性与有效性。
火山引擎 A/B 测试的思考与实践
本文整理自火山引擎开发者社区 Meetup 第四期同名演讲，主要为大家介绍了为什么要做 A/B 测试、火山引擎 A/B 测试系统架构及最佳实践。
字节跳动开源 Android PLT hook 方案 bhook
随着 Android App 开发的技术栈不断向 native 层扩展，native hook 已经被用于越来越多的技术场景中。Android native hook 的实现方式有很多种，其中使用最广泛，并且通用性最强的是 inline hook 和 PLT hook。
inline hook 的功能无疑是最强大的，它受到的限制很少，几乎可以 hook 任何地方。inline hook 在线下场景中使用的比较多，业内现有的通用的 inline hook 开源方案或多或少都存在一些稳定性问题，而且基本都缺乏大规模的线上验证。
PLT hook 的优点是稳定性可控，可以真正的在线上全量使用。但 PLT hook 只能 hook 通过 PLT 表跳转的函数调用，这在一定程度上限制了它的使用场景。
在真实的线上环境中，经常是 PLT hook 和 inline hook 并存的，这样它们可以各自扬长避短，在不同的场景中发挥作用。
一个神奇的交叉观察 API Intersection Observer
现在判断一个元素是否能被用户看见的使用场景越来越多，监听 scroll 事件以及通过 Element.getBoundingClientRect() 获取节点位置的方式，又麻烦又不好用。
为君作磐石——人人都能搭建大规模推荐系统
什么是个性化推荐？简单说，就是给用户推荐他喜欢的物品。近 10 年，移动互联网高速发展，个性化推荐扮演了很重要的角色。以运营一款内容类产品为例：用户增长团队通过广告投放等手段为产品拉新，提升 DAU；产品技术团队为用户分发感兴趣的内容，提升留存及停留时长；商业化团队分发用户可能感兴趣的广告，提升单位流量变现效率；商业化收入又用于用户增长，形成正向循环。个性化推荐技术贯穿每个环节，成为了很多公司的高速增长引擎。
怎么做个性化推荐？通常，对一项业务来说，首先会定义出多个优化目标（例如视频的播放时长、点赞、分享，电商的点击、加购、购买等），之后构建一个或多个模型来预估这些目标，最后融合多个目标的预估分来完成排序。对推荐系统来说，最核心的工作，便是构建精准的预估模型。这些年，业界的推荐模型一直朝着大规模、实时化、精细化的趋势不断演进。大规模是指数据量和模型非常大，训练样本达到百亿甚至数万亿，单个模型达到 TB 甚至 10TB 以上；实时化是指特征、模型、候选实时更新；精细化则在特征工程、模型结构、优化方法等多方面有所体现，各种创新思路层出不穷。
大规模推荐系统的落地，工程挑战很大。本文选择大家最关心的 Training 和 Serving 系统，介绍搭建过程中会遇到哪些挑战，我们做了哪些工作。对任何一家公司来说，从 0 搭建这样一套系统都绝非易事，投入非常大。在字节跳动内部，我们也经过了多年的探索与沉淀，有上千名工程师，不断迭代和优化推荐系统。那么，搭建推荐系统一般会遇到哪些问题？