1.工作和生活是很難區分的，對於真正熱愛的工作這是一定的。
你在下班之餘也會思考提及一些工作上面的事，這樣的工作才會是有價值有意義的工作。
同樣學習也不是為了找工作而學的，而是去學你真正感興趣的東西。
2.南韓買家訪問美國伺服器的時間比訪問上海要快很多，
這是不符合常理的，因為地理位置上上海離南韓更近，
造成這種問題的原因是，南韓訪問上海要先訪問美國在跳到其他國家之後才能到上海，這很不方便。
3，美國人購買轉化率高，客單價低（買的頻率東西多，但是每單東西都比較廉價）
法國人購買轉化率低，客單價高（也就是喜歡購買高質量的商品）
4，利用人工智慧機器學習來解決不同國家喜好不同的問題
5，用跨洲際路由技術（多idc容災及資料一致性）來處理伺服器過載問題（因為各個國家時區不同，購買高峰也就不同）
6，用差異化定價技術來處理不同國家物流費用不同，同樣的**可能有些賺了有些就賠了
7，一次天貓發布會顯示90%的商家更重視的不是成交量和利潤而是系統的穩定
（因為很多商家在當天00:00被要求下架，而他們備了大量的貨，賣不出去的話就要破產）
2023年天貓雙十一出現了乙個重大bug（商家報名參加雙十一但是丟掉了商品的屬性其中包括尺寸顏色大小等）
商家不知道具體資訊就無法發貨）
天貓會被投訴並且賠償30%的賠付。所以天貓採取的措施是通知商家下架商品。
8，天貓2023年出現的問題：峰值交易成功率低於50%，各個交易鏈路的系統，包含下單，支付全撥打了量報錯，購物車丟失商品，超賣
原因：商品中心網絡卡被打滿，各種系統大壓力下產生的bug
解決方案：全鏈路壓測（線上的寫入壓力測試，用的是專門的測試資料庫來確保主資料庫的真實性）
當年壓力測試了4,5次總共發現了600多個bug包括風扇的問題，電源的問題等等
9，在安全度過了兩年之後2023年峰值成功率再次**，物流系統十分之一機器掛掉
原因：導購鏈路的峰值慢慢向0點轉移。壓測沒有加上導購模型的壓力，機器資源產生爭搶。
解決方案：全鏈路壓測模型加入導購模型，機器使用cpu和load進行及時的報警。
所有機器加上自我保護的限流閥值sysguard
，10,天貓2023年0巔峰值又出現乙個新問題：交易秒級建立，22秒後開始**，1分鐘成功率只有40%
2分鐘成功率恢復接近80%，後面成功率持續走高，報錯全部是優惠系統限流。
原因：0點前優惠系統不會訪問到db中0點後生效的劵（包括雙11購物券，還有部分賣家自己在建立的店鋪劵）
導致這些資料在db中是冷的。
優惠卡卷資料庫評估總量為120wqps,但是冷庫只能支撐瞬時50wqps，在鏈路中沒有驗證
完全冷庫狀態下系統的表現（因為必須預跑保證交易成功率)。
實際卡捲資料庫的qps比全鏈路壓測值高30w（壓測：40w，實際80w）
解決方案：全鏈路預熱：根據雙十一預熱期間的加夠和訪問的資料來預熱0點訪問的人群和商品，在大促之前
對整個核心進行全方位的預熱和預跑。
11，大資料測試的資料量不是最大的問題，最大的問題在於執行後如何保證結果的準確性
13，五彩石計畫（將天貓和**的資料聯通）
15，傳統人工記憶分單 效率3-5秒乙個包裹 準確率95%
大資料分析+自動化裝置 效率1-2秒乙個包裹 準確率98%
阿里雲Linux學習筆記2
我在阿里雲學習linux，下面是我的學習筆記 echo lang檢視系統使用的預設語音和編碼表 擴充套件，如 echo file file1 file2 file3 echo file file1.txt file1.log file2.txt file2.log echo file file1tx...
阿里雲學習筆記 Day2
docker只能安裝在64bit系統上，linux核心越新體驗越好，推薦使用ubuntu18.04lts作為運 docker的底層系統 1 安裝docker環境 curl ssl 2 安裝docker compose環境 curl l compose releases download 1.25.4...
互動學習筆記 阿里巴巴Ant Design
如果資訊之間關聯性越高，它們之間的距離就應該越接近，也越像乙個視覺單元 反之，則它們的距離就應該越遠，也越像多個視覺單元。親密性的根本目的是實現組織性，讓使用者對頁面結構和資訊層次一目了然。縱向間距 在 ant design 中，這三種規格分別為 8px 小號間距 16px 中號間距 24px 大號...