据报道,Uber 仅在过去4年的时间里,业务就激增了 38 倍。Uber 首席系统架构师 Matt Ranney 在一个非常有趣和详细的访谈《可扩展的 Uber 实时市场平台》中告诉我们 Uber 软件是如何工作的。 本次访谈中没有涉及你可能感兴趣的峰时定价(Surge pricing,译注:当Uber 平台上的车辆无法满足大量需求时,将提升费率来确保乘客的用车需求)。但我们了解到 Uber 的调度系统,他们如何实现地理空间索引、如何扩充系统、如何提高可用性和如何处理故障,例如在处理数据中心故障时,他们甚至
上一篇讲了最简单的代码复用模式,也是最基础的,我们普遍知道的继承模式,但是这种继承模式却有不少缺点,我们下面再看看其它可以实现继承的模式。
Node.js 8已经发布了,NPM模块每周下载量早已超过10亿,从Uber到LinkedIn都在使用Node.js,谁说JavaScript不能写后台?
2008 年巴黎一个寒冷的夜晚,特拉维斯·卡兰尼克 和加勒特·坎普打不到出租车。就在那时,Uber 的想法诞生了。如果你可以“按一下按钮就可以搭车”,那该多好啊?
微服务模式的利弊 微服务模式允许使用不同的开发语言,例如一些服务使用 Node.js,一些使用 Python,一些使用 Go,另一些使用 Java,Uber就是这样,并还有 Scala 使用微服务,可以让每个团队自己掌握他们的发布周期,自己对服务的在线负责 就是因为每个团队只负责自己的事情,所以在很多时候会降低整体速度,例如,java开发团队必须明确他们应该如何与某个系统沟通,而同样的事情还要在 Node.js 与 Go 的团队做一遍 再比如,在某个平台上经过奋战解决了某些bug,同样的,其他平台可能还需
在2015年初我们创建了一个微服务,它只做一件事(也确实做得很好)就是地理围栏查询。一年后它成了Uber高频查询(QPS)服务,本次要讲的故事就是我们为什么创建这个服务,以及编程语言新秀Go如何帮我们
Uber 经过6年的快速发展,技术构成已经非常复杂,下面看下 Uber 官方公布的技术栈 底层基础 使用混合云模式,结合了多个云服务提供商,全球多个数据中心,如果一个数据中心出错,马上转到另一个,开通了Uber服务的城市,会被分配到物理距离最近的数据中心,并且每个城市的数据都会备份到一个异地数据中心,所有的数据中心都是运行态的,没有单独作为备份的数据中心 在存储方面,以一个 Postgres 数据库起步,后来发展迅速,对存储的要求越来越高,需要提升存储的可用性,并要求降低系统响应时间 现在使用的是 Sch
MEDUZA是一款针对iOS应用程序的通用SSL解绑工具,该工具基于Frida开发,可以当作SSLKillSwitch工具的替代品。本来我是想自己开发自己用的,而且原本并不打算开源出来。我个人不太喜欢开源,但棱角总会被磨平的…
第5章 原型 5.1 原型属性(所有函数拥有一个prototype属性,默认为空对象) 5.1.1 利用原型添加方法和属性 function Gadget(name,color){ this.name=name; this.color=color; this.whatAreYou=function(){return 'I am a'+this.color+' '+this.name;} } //方案一,对象属性方法追加 Gadget.prototype.price=100;//属性 Gadg
2015年初,我们建立了一个微服务来负责这项任务:地理围栏查找(geofence lookups),结果完成很出色。如今已过一年,这项技术在Uber数以百计的生产应用中脱颖而出,成为了每秒查询量最高(QPS)的服务。本文讲述了我们建立这个服务的原因,还有近来Go语言对构建和扩展该服务速度的贡献。 背景 在Uber,地理围栏指的是地面上由人为定义的地理区域(或几何术语中的多边形),广泛用于地理位置的配置中。向用户展示在指定位置上有哪些产品可用,根据特定需求(比如机场)定义区域,在同时有多人请求搭车的周边区
由 Uber 开发的边缘网关是一个高可用、可扩展的自助式网关,用于配置、管理和监视 Uber 的每个业务域 API。
为了解决前文提到的将共有的属性放进原型中这种模式产生的子对象覆盖掉父对象同名属性的问题,就出现了另一种模式,我们称作为临时构造函数模式
Deck.gl Deck.gl是由Uber开源的数据可视化库,基于WebGL的可视化图层。能够支持大规模数据的2D和3D可视化。 可以在React中使用,也可以单独使用; ? Svelte Sve
作为前端最流行的JavaScript正在一步步走入后端,得益于v8引擎,nodejs环境为JavaScript运行在后端提供了运行环境,而JavaScript异步特点在处理IO数据方面更是如鱼得水,因此很多公司都将nodejs作为了自己的后台主要技术站,那么接下来就让我们盘点下哪些公司使用nodejs来开发它们的应用。
我们开始换一种思路实现继承,可不可以直接将父对象的属性直接复制给子对象,这样子对象不久也拥有了父对象的属性,相当于继承。
欢迎回看本文原始视频 http://t.cn/RjSC0KQ 本篇为Uber系列技术文章第一篇 今天我们解读的是Uber公司的Curis所分享的Uber架构从0到1,这是Uber非常早期的视频分享,我们之后会逐渐讲从1到万,以及更进一步各种RingPop的架构。 首先谈到Uber的初心,他们想实现一键打车功能。左边是Uber最早期的界面,大家可以看到跟现在有很大的区别,按一下就可以打到车了。 Uber的最初架构 为了支持这样的服务,Uber最初的架构是怎么样的呢?会很复杂吗?其实不会。 前面是一
我们的服务彼此交互,还与移动设备进行交互,而那些交互对业务状况(比如动态定价)和内部使用(比如调试)来说都很重要。就日志而言,我们使用了多个Kafka集群,数据被归档到Hadoop及/或文件存储Web服务中,然后将数据从Kafka弃用。这些数据还被各个服务实时获取,并索引到ELK堆栈,用于搜索和可视化(ELK代表Elasticsearch、Logstash和Kibana)。
原作者 Billy Charlton 编译 CDA 编译团队 本文为 CDA 数据分析师原创作品,转载需授权 Uber 和 Lyft 是美国主要的两个打车应用。数据科学家对其在旧金山的出行数据进行了可视化,发现每日行程超过20万人次。 我叫 Billy Charlton,Because LLC 公司的创始人,西雅图的普吉特区域理事会的前数据总监。我擅长交通规划领域,因为这对我们的城市和日常生活有直接的影响。 最近,旧金山交通管理局发布了 Uber 和 Lyft 的城市出行数据,这是史无前例的。加在一起,
之前我们介绍了多种javascript中的继承方式,最后我们开始总结概括这些继承方式,先将javascript中的继承分类,根据不同的条件,可以分成不同的类别。 最常用的我们可以分为这两类:
这两天面试遇到的 candidate 水平都不错,带他们去公司的食堂吃饭,大家聊的话题无非是加州的阳光好呀,加州的房子贵呀,加州的姑娘少呀,blablabla. 除此之外,技术栈也是大家喜欢聊的,从前端到后端,从 iOS 到 Android, 从 big data 到 machine learning…… 这年头,你司的技术栈不酷都不好意思跟别人打招呼。 既然大家这么关心每个公司的技术栈 (stack), 今天就简单晒晒几个典型的技术栈。如有不准确之处,请大家指点。 技术栈趋势 Microsoft / Go
Facebook 在 React.js Conf 2015 大会上推出了基于 JavaScript 的开源框架 React Native。 React Native 结合了 Web 应用和 Native 应用的优势,可以使用 JavaScript 来开发 iOS 和 Android 原生应用。在 JavaScript 中用 React 抽象操作系统原生的 UI 组件,代替 DOM 元素来渲染等。 React Native 使你能够使用基于 JavaScript 和 React 一致的开发体验在本地平台上构建
近期,Uber AI 研究院的一篇论文《Plug and Play Language Models: A Simple Approach To Controlled Text Generation》(https://arxiv.org/abs/1912.02164)中介绍了一种简单、高效的精细控制方法,可以轻松地让大规模语言模型生成指定的主题、风格的文本,而且还有很广泛的适用性。Uber AI 的研究人员们把它比喻为「让小老鼠控制一只猛犸象」。AI 科技评论把论文的解读博客编译如下。
2014年,Uber发展迅速,其平台在第一季度由原来的60座城市发展到100座,后又在第三季度拓展到200座。同时,发展最快的城市也包含在第一批发展的城市当中。 随着越来越多平台工程师的加入,新的代码
AI 科技评论按:本文由雷锋字幕组编译,原标题 Measuring the Intrinsic Dimension of Objective Landscapes,作者为 Uber AI Labs。
Argos是我们的内部异常检测工具,负责分析进来的度量指标,并基于历史数据,将它们与预测模型进行比对,从而确定当前数据是不是在预期范围内。
过去十年来,神经网络彻底改变了机器学习。机器学习从一个相对晦涩的学术研究领域崛起成为工业支柱,在大量数据可用的地方为众多应用提供支持。Uber 将神经网络用于多种应用,建立基于计算机视觉模型的世界地图、使用自然语言理解实现更快的消费者反映、通过对骑手需求模式进行建模来缩短等待时间。
如今全栈工程师在企业工作中占有的地位越来越高,无论是前端工程师,还是后端工程师,都在拼命向全栈发展!学习的方式有很多,大部分是喜欢通过书籍来学习新知识,今天,我们一起来盘点一下全站开发的大佬都推荐些什么书,这里我们罗列出最受推荐的十本书,希望能对大家有帮助!
在 Uber,工程师们将神经网络用于各种目的,包括检测和预测自动驾驶车辆的目标运动,更快地响应客户,以及构建更好的地图。
优点:只会继承父的原型,不会继承父原本自带的属性或方法(只有调用new Father()才会继承自身的东西)
注意下面很多链接需要科学上网,无奈国情如此 1. TensorFlow开发者峰会昨天召开,我觉得有趣的演讲有 - TF Hub ("一键"transfer learning) - Swift支持 (Chris Lattner原来去Google Brain就是做这个) - tensorflow.js (deeplearn.js升级版) - performance tuning (这个部分我觉得讲的特别好) - TensorBoard Debugger (wow,牛B的工具!) - TF Lite (TF M
这个系列的第一部分,主要介绍了如何"封装"数据和方法,以及如何从原型对象生成实例。 今天要介绍的是,对象之间的"继承"的五种方法。 比如,现在有一个"动物"对象的构造函数。 function Animal(){ this.species = "动物"; } 还有一个"猫"对象的构造函数。 function Cat(name,color){ this.name = name; this.color = color; } 怎样才能使"猫"继承
在 JS 程序中,为了实现漂亮的图形、图表和数据可视化,我们选择使用开源库。生活在数据爆炸的时代,我们开发的每一个应用程序几乎都使用或者借助数据来提升用户体验。为了帮助你轻松地为你最喜欢的应用程序添加漂亮的数据可视化,这里列出了 2019 年最好的 JavaScript 数据可视化库(排名不分先后)。
在厦门人工智能峰会上,依图科技联合创始人、CEO朱珑介绍到短短的5年时间机器的算法水平又提升了100万倍!过去或许只能从1万人中识别出1个人,后来发展到1000万、1亿、10亿甚至20亿人中识别出这个人!与此同时,算力方面提升了10万倍。从过去用1万量级规模的数据做训练,到百万规模的数据做训练,到现在用10亿的数据集做训练,又提升了1万倍!
本文推荐的10大机器学习开源项目是由Mybridge从250个机器学习开源项目中挑选出来的,Github平均star为1385,主题包含:Tensorflow, Augmentation, AlphaGo Zero, NSynth, Deep Neuroevolution, Person Blocker, TCN, Ann Visualizer, Watson等。 Rank 1:TensorFlow.js (6129 stars on Github,来自TensorFlow团队) 该项目是一个开源的硬件加速
近年来,API 网关成了微服务架构中不可或缺的一部分。API 网关为 Uber 所有的应用程序提供一个统一入口,并提供了一个从后端微服务访问数据、逻辑或功能的接口。同时,它还提供了一个集中的地方来实现许多高级职责,包括路由、协议转换、速率限制、负载削减、丰富头信息并传播、数据中心亲缘性限定、安全审计、用户访问阻塞、移动客户端生成等。
使用 call 或 apply 方法,将父对象的构造函数绑定在子对象上,即在子对象构造函数中加一行:
当你打开任意一个搜索引擎,搜索关键字Uber,你会得到各种各样关于它的信息。在中国市场与滴滴打车的合并、Uber又在某某地区被迫停运、又有无人驾驶的相关新闻、又有某某地区的司机在闹事。为什么要说又?且
依赖注入的本质是通过分析依赖对象的构造函数的输入输出参数,解析出之间的联系,简化顶层对象的构造过程。
本文由哔哩哔哩前端工程师 墨白 翻译分享 我喜欢移动app,而且也是那些坚持使用Web技术构建移动应用程序的人之一。 经过技术的不断迭代(可能还有一些其它的东西),移动体验设计愈来愈平易近人,给予用户
作为一个平台,Uber(优步)邀请用户利用它,从它身上赚钱,并因它而快乐。每天,Uber 的服务超过 1800 万次请求,使人们在谋生的同时能够自由行动、开阔思路。作为底层引擎之一,Uber Money 实现了人们参与 Uber 体验的一些最重要的方面。像这样的系统不仅应该是健壮的,而且还应该是高度可用的,对宕机采取零容忍的态度,因为我们的成功口号是“准时、准确和合规地收付款”。
选自Mybridge 机器之心编译 参与:李泽南 2017 年里哪些机器学习项目最受人关注?Mybridge 为我们整理了一份 Top 30 列表,以下所有项目均附有 GitHub 链接。 我们对比了近 8800 个开原机器学习项目,并挑选了其中最好的 30 个列举于此。这是一个非常具有竞争力的列表,其中包含 2017 年 1 月-12 月份开源的各类优秀机器学习库、数据集和应用。Mybridge AI 通过流行度、参与度和新鲜程度来对它们进行评级。先给你一个直观印象:它们的 GitHub 平均 stars
构造函数A通过new生成a对象,使得A.prototype指向对象b,而对象b由构造函数B生成,这样就形成了原型链的继承关系
2016 年,我们发表了关于 Schemaless—Uber Engineering 的可扩展数据存储的博文(一、二)。在这两篇博文中,我们介绍了 Schemaless 的设计,并解释了开发它的原因。今天这篇文章我们将要讲的是 Schemaless 向通用事务性数据库 Docstore 的演化历程。
本文推荐的10大机器学习开源项目是由Mybridge从250个机器学习开源项目中挑选出来的,Github平均star为1385,主题包含:Tensorflow, Augmentation, AlphaGo Zero, NSynth, Deep Neuroevolution, Person Blocker, TCN, Ann Visualizer, Watson等。
Uber 的业务遍布全球,每天需要处理全球数百万人次的出行,实时性对 Uber 而言非常重要。在一次行程中,多个参与者可以修改和查看正在进行中的行程状态,这需要实时更新。无论是取车时间、到达时间、路线还是在打开应用时附近的司机数量,所有参与者和应用都必须保持实时信息同步。本文介绍了 Uber 如何通过轮询保持信息实时更新以及基于 gRPC 双向流协议构建应用。
作者:Danny Markov,译者:IT程序狮 译文:https://zhuanlan.zhihu.com/p/31321429 原文:https://tutorialzine.com/2017/1
翻译 | suisui 出品 | 人工智能头条(AI_Thinker) 本文推荐的10大机器学习开源项目是由Mybridge从250个机器学习开源项目中挑选出来的,Github 平均 star为 1385,主题包含:Tensorflow, Augmentation, AlphaGo Zero, NSynth, Deep Neuroevolution, Person Blocker, TCN, Ann Visualizer, Watson等。 (这些也是来自Mybridge的资源:①Python 开源项目 T
领取专属 10元无门槛券
手把手带您无忧上云