技术

agentic chat 图数据库的一些考量 LLM一些探索 Agent实践 LLM预训练 向量数据库的一些考量 fastapi+sqlalchemy进行项目开发 LLM微调实践 Python协程实现 Agent Functon Calling LLamaIndex入门 Multi-Agent探索 Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 Transformers源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办？ 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 Kubernetes 控制器模型 容器日志采集 容器狂占资源怎么办？ Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 线程排队 jib源码分析之细节 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用？ 串一串一致性协议 当我在说PaaS时，我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂？ 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践（二） Thrift基本原理与实践（一） 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring（八） 支持AOP 自己动手写spring（七） 类结构设计调整 分析log日志 自己动手写spring（六） 支持FactoryBean 自己动手写spring（九） 总结 自己动手写spring（五） bean的生命周期管理 自己动手写spring（四） 整合xml与注解方式 自己动手写spring（三） 支持注解方式 自己动手写spring（二） 创建一个bean工厂 自己动手写spring（一） 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

bert rerank微调 大模型推理tips RAG向量检索与微调 dddfirework源码分析 RAG与知识图谱 大模型推理服务框架vLLM 大模型推理服务框架 模型服务化（未完成） 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象（LLM）？ 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 K8S YAML 资源清单管理方案 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的？ 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

Container 23

Concurrency 14

Life 41

Tool 8

Algorithm 8

JVM 10

Go 21

Kubernetes 65

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 K8S YAML 资源清单管理方案 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的？ Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时，我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件

Other 5

Network 15

Python 7

Java 20

Spring 17

Netty 10

Storage 24

Distribute 9

MQ 8

WEB 5

Linux 11

Scala 1

Code 9

MachineLearning 74

agentic chat bert rerank微调 大模型推理tips LLM一些探索 Agent实践 LLM预训练 RAG向量检索与微调 LLM微调实践 RAG与知识图谱 大模型推理服务框架vLLM Agent Functon Calling LLamaIndex入门 Multi-Agent探索 LLM工作流编排 大模型推理服务框架 模型服务化（未完成） 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Transformers源码学习 LangChain源码学习 如何应用LLM 小鼠如何驾驭大象（LLM）？ AutoML和AutoDL 特征平台 实时训练 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 推理服务 mpi 学习pytorch 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 kaggle泰坦尼克问题实践 神经网络模型优化 概率论 直觉上理解深度学习 如何学习机器学习 深度学习泛谈

Practice 16

RPC 6

Compute 11

Architecture 20

DDD 6

Reactive 5

Basic 13

Product 3

Monitor 7

CPP 2

Mesh 12


现有上传协议分析

2017年12月12日

简介

tus

服务端tusd

代码上

go中一个http server的标准写法

http.Handle("/foo", fooHandler)
http.HandleFunc("/bar", func(w http.ResponseWriter, r *http.Request) {
	fmt.Fprintf(w, "Hello, %q", html.EscapeString(r.URL.Path))
})
log.Fatal(http.ListenAndServe(":8080", nil))

tusd 将 path / 绑定大一个自定义Handler中，该Handler使用 PatternServeMux 而不是 http package默认的DefaultServeMux 来处理 请求path与方法映射。

所以在 UnroutedHandler 中定义了服务端的主要逻辑：

  1. PostFile,用于声明创建一个文件，服务端返回文件id
  2. HeadFile,查询文件断点
  3. PatchFile,write chunk
  4. GetFile,下载文件
  5. DelFile,放弃上传文件，并通知服务端释放资源

UnroutedHandler 除了完成事件通知，异常处理外，将输入参数转换为StoreComposer/DataSource 的参数与返回值，核心工作交给StoreComposer完成。StoreComposer是一个开放接口，represents a composable data store. It consists of the core data store and optional extensions.

type StoreComposer struct {
	Core DataStore

	UsesTerminater bool
	Terminater     TerminaterDataStore
	UsesFinisher   bool
	Finisher       FinisherDataStore
	UsesLocker     bool
	Locker         LockerDataStore
	UsesGetReader  bool
	GetReader      GetReaderDataStore
	UsesConcater   bool
	Concater       ConcaterDataStore
}

type DataStore interface {
	NewUpload(info FileInfo) (id string, err error)
	WriteChunk(id string, offset int64, src io.Reader) (int64, error)
	GetInfo(id string) (FileInfo, error)
}

type FileInfo struct {
	ID string
	Size int64
	Offset   int64
	MetaData MetaData
	IsPartial bool
	IsFinal bool
	PartialUploads []string
}

以FileStore为例，每次写入一个chunk，都是新建一个文件（假设文件名为id），同时对应id.info 文件，info文件内容为FileInfo 对象序列化之后的值。分片的归并，就是对所有分片文件进行合并。

感觉服务端代码完成度不是很高

  1. 采取文件分片，然后合并，文件片过小时，意味着大量的io
  2. 暂时还未发现水平扩展能力

客户端

tus android端依赖java端，由此可见，各平台逻辑比较一致。

主要包括以下几个类

  1. TusClient，根据TusUpload创建TusUploader，初始化URL connection以及提前获取文件offset等操作。
  2. TusUpload，封装一个文件

  3. TusUploader，关键就在于其构造方法TusUploader(TusClient client, URL uploadURL, TusInputStream input, long offset)，调用uploadChunk，从offset开始， 将一个分片的数据，利用uploadURL发送出去。至此，核心上传流程为：

    TusUploader uploader = client.resumeOrCreateUpload(upload); 
     while(uploader.uploadChunk() > -1) {}
 uploader.finish();
  4. TusExecutor，TusExecutor is a wrapper class which you can build around your uploading mechanism and any exception thrown by it will be caught and may result in a retry. TusExecutor的核心逻辑是包裹 可以观察到整个上传过程是TusUploader和TusExecutor 协作进行的。

小结

tus的基本理念：

  1. 在tus中，File是第一个操作对象，所谓分片的归并，只是contact File而已。contact file时，每个文件对应分片上传的分片。
  2. tus每一个文件/分块支持断点续传，断点信息存储在服务端。值得一提的是，如果你本来就想contact File，每个file的成功与失败还是要自己保证的，tus无法告诉你整个contact file的断点。

可以学到的东西：

  1. metric 性能检测
  2. 事件机制
  3. build around your uploading mechanism

七牛

  1. 上传空间管理
  2. 文件上传

API概览定义一个基本的协议api，http形式，然后是各个平台（android,ios,java sdk）的客户端代码封装，各平台客户端代码开源。

七牛云用户端

  1. 注册个人账号，进行实名认证
  2. “资源主页” ==> “对象存储” ==> 立即添加
  3. 设置存储空间
  4. 创建分区（bucket），类似于文件夹的概念

java客户端

整体上传流程

分块上传流程

类图

一个XXUploader对象负责一个文件的上传，它会存储中间状态信息，处理重试逻辑。

  1. 整体

    1. 如果文件大小小于4m（也是分块的大小）使用form 上传（FormUploader），大于4m采用断点续传（ResumeUploader）
    2. 有一个最大重试次数，定义了整个文件重传的次数。对于一个特定文件块，只重传一次，重试失败立即结束。
    3. 发送块失败一次，则更换上传host
  2. 断点

    1. 断点位置记录在客户端，存储方式根据Recorder实现而定，一般为FileRecorder

    2. 本地有一个目录，专门存储进度文件。文件名：文件名.文件地址，文件内容：Record （进度类）gson 序列化后的字符串的字节数组。

  3. 上传块

    1. 上传块时只需指定block size和 token（由注册账号后得到的accessKey、secretKey以及创建的bucket拼接而成）。返回该块的唯一标识符ctx和crc32，用户后续工作。创建块
    2. crc校验在客户端做

  4. 创建文件

    1. 分块直接上传（对应mkblk请求），分块创建完毕后，发送创建文件请求（对应mkfile请求），内容是分块归并信息。

android 客户端

上传流程（此处未包含异常处理）

  1. 文件分块（块大小4m），块又分片，块大小不变。分片大小由用户传入，可根据网络情况，每个文件都不同。
  2. 通过递归实现类似循环的效果
  3. 采用okHttp的异步上传，Uploader状态更改写在回调中，因此会有并发上传的效果

七牛协议小结

  1. 因为带有用户token，可以直接上传分片，然后返回分片标识。无需先向服务端申请分片标识，然后发送分片数据。
  2. 分片上传过程中，可以随意切换上传host，只要带的是同一个token就行，这意味着七牛云有能力进行跨主机的分片合并
  3. 七牛基本上没有自定义的http header，也没有使用特别的http方法类型
  4. 表单上传、分片上传、流式上传同时支持，根据入参及文件大小做出选择
  5. 上传之前，Zone对象负责判断临近区域的host
  6. 通过文件、块和片三个粒度，兼顾了pc与mobile端的实际情况，提供了较为统一的接口

其它材料

android上传下载系列：如何优化上传的性能要点：

  1. 分片的一个好处，如果网络状态较差，可以自动停止上传，提示用户在网络状态稍好时，继续上传。
  2. 小文件场景下，建议分片大小为2M
  3. 如果文件小于10M，md5可以在1s内完成，那么通过md5判断文件是否上传过，从而实现秒传。并且对于部分格式的文件，对部分信息计算md5即可判断文件的唯一性。

izhangzhihao/FileUpload.Java mvc 分片上传服务端实现，实现太简单了。

对象存储

存储系统与其它系统的边界：基本确定是在做一个对象存储系统，提供上传能力，返回文件地址。至于说具体业务线要对上传业务做何种处理， 业务client 在拿到文件地址后，可另外请求业务系统处理。

虚拟座谈会：有关分布式存储的三个基本问题对象存储、文件存储与块存储之间的关系

  1. 首先对象存储和文件存储的区别是不大的，存储的都是一样的东西，只是抛弃了统一的命名空间和目录树的结构
  2. 独立的互联网存储服务一般都是做对象存储的，因为块存储是给计算机用的，对象存储是给浏览器等HTTP客户端用的。
  3. 可用性是存储系统的基本性能，提高可用性的办法是多副本，多副本就会带来一致性问题。不仅数据库会有一致性问题，存储系统、文件系统、磁盘都会有一致性问题，比如磁盘的raid，只是不太为大家所常见。

如今市面上几种最流行的开源对象存储解决方案：

  1. Ceph
  2. Minio
  3. OpenStack Swift
  4. fastdfs

如果后端存储采用fastdfs的话，我的工作就是为fastdfs实现一个android和ios 客户端。

小结

通过对两个协议的分析汇总，可以得到以下共同点

  1. 使用http、使用分片
  2. 客户端先传分片数据，并确保所有分片在重试次数范围内全部上传成功。再发送文件请求，携带归并文件数据

不同点：

  七牛 tus
断点 客户端负责断点存储 服务端负责断点存储
crc校验 有 没有
并发 android客户端可以并发执行 不支持
重试 失败后直接重试 失败后分别按300ms,500ms,1s,2s重试
默认分片大小 4M 2M
各平台客户端一致性 不一致 一致

其它问题：

  1. 水平扩展。使用sticky session（配置nginx），或将服务器选择加入到协议中。
  2. 服务器文件合并，直接合并，或许可以用下pika（pika装在本机）