weflowly
本站致力于IT相关技术的分享
  文章分类
DevSecOps 2 分布式架构 1 后端架构 9 数据工程 2 架构设计 2 可观测性 3 分布式系统 1 DevOps 1 DevOps 实战 1 数据架构 1 架构与设计 2 全栈架构 1 云原生 1
在 Next.js 应用中集成 Zig WebAssembly 模块对 Algolia 搜索结果进行实时客户端重排序 在 Next.js 应用中集成 Zig WebAssembly 模块对 Algolia 搜索结果进行实时客户端重排序
项目初期，Algolia 提供了无与伦比的搜索性能，毫秒级的响应速度让用户体验极为流畅。我们的技术栈是经典的组合：后端使用 Ruby on Rails 管理数据和业务逻辑，并负责将数据同步至 Algolia；前端则采用 Next.js 构建
2023-11-15 后端架构
Next.js Ruby Zig Algolia WebAssembly
构建高可用Memcached客户端在Spring Boot与Quarkus间的架构权衡与实现 构建高可用Memcached客户端在Spring Boot与Quarkus间的架构权衡与实现
定义一个生产级的缓存客户端，其需求远不止get和set。在一个复杂的分布式系统中，缓存层往往是性能的基石，也同样是故障的放大器。当一个Memcached节点由于网络分区或自身崩溃而无响应时，单纯的超时机制会导致大量请求线程被阻塞，最终拖垮整
2023-10-27 后端架构
Spring Boot Memcached Quarkus 高可用 微服务
构建从 Micronaut gRPC 服务到 SwiftUI 客户端的自动化协议驱动开发管道 构建从 Micronaut gRPC 服务到 SwiftUI 客户端的自动化协议驱动开发管道
跨语言、跨平台的技术栈协作中，最大的摩擦力源于客户端与服务端之间的契约同步。在 SwiftUI 原生应用与 Micronaut 后端的组合中，gRPC 凭借 Protobuf 提供了强类型的契约定义，但这仅仅是起点。当团队规模扩大、迭代速度
2023-10-27 后端架构
SwiftUI Micronaut gRPC 构建与工具 云服务商
基于Tornado与LevelDB构建低延迟推荐系统实时特征节点及Loki可观测性实践 基于Tornado与LevelDB构建低延迟推荐系统实时特征节点及Loki可观测性实践
推荐服务对P99响应延迟的要求被压缩到了20ms以内，但链路分析显示，对远程集中式缓存（如Redis Cluster）的单次用户特征拉取，网络开销加上服务端处理，平均耗时就在5-10ms之间，高峰期网络抖动更是直接冲击服务SLA。这种架构下
2023-10-27 后端架构
LevelDB Tornado 推荐系统 Loki 实时特征存储
在 Vercel Functions 中利用 Babel 动态转译实现一个轻量级 GraphQL Feature Store 在 Vercel Functions 中利用 Babel 动态转译实现一个轻量级 GraphQL Feature Store
团队最近的一个项目需要在边缘节点上进行实时用户意图预测，这是一个典型的 ML 应用场景。传统的做法是部署一个独立的、通常是基于 Python 的模型服务，并连接到一个中心化的 Feature Store。但在我们这个场景下，整个业务栈是构建
2023-10-27 后端架构
Babel Vercel Functions GraphQL Feature Store
使用Go与Python在Azure Functions上为iOS应用构建TDD驱动的混合语言处理管道 使用Go与Python在Azure Functions上为iOS应用构建TDD驱动的混合语言处理管道
我们的iOS应用面临一个棘手的挑战：用户需要上传大型音频文件进行分析，这个分析过程计算密集且耗时。最初采用单一的Python Azure Function处理上传和分析的方案很快暴露了问题。当多个用户同时上传时，HTTP触发器会因漫长的同步
2023-10-27 后端架构
iOS 开发 Python Go Azure Functions TDD
1 / 2