graphql

前言 有被 JVM 相关问题刁难过吗？ 上个月朋友去面某东说被 JVM 难哭了 面试官上来就是素质三连: 有没有 高并发项目经验 、 频繁 gc 怎么解决 、 有没有搞过 JVM 调优 我那个朋友公司做的是 to b 方向 , 系统流量不是很大 , 加上才工作 2 年直接被问懵逼 回来就问我高并发系统怎么玩 , 为了避免重复劳动 , 遂有此文~ 一、亿级流量系统回顾 在上篇文章中有对这个系统的亿级流量怎么来的有详细的介绍： 亿级流量系统简介 接下来做个回顾： OTA 平台 4亿 用户 高峰期 百万 订单 高峰期 12 小时 1.8亿 访问量 每小时的流量是： 1.8亿 / 12 = 1250w 每分的流量是： 1250w / 60 = 20.8w 每秒的流量是： 20.8w / 60 = 3472 2 个集群 32 台 8C/16G 的机器 一次核心接口查询平均占用 5mb 内存 每秒钟 JVM 会有 550mb 的新生代堆内存空间被占用 二、系统的 JVM 参数 基于G1垃圾收集器 这里我截取了这个服务生产环境的 JVM 参数： -Xmx12288m 初始堆大小. -Xms12288m 最大堆大小 -Xss256k 每个线程的栈内存大小 -XX:MetaspaceSize=256m 元空间初始大小 -XX:MaxMetaspaceSize=1g 元空间最大大小 -XX

不知不觉变成了工作日记……确实，宅在家里除了吃喝玩，不就是工作 （学习） 。今天春节延期、开工日延后，鉴于14天的潜伏期，至少要元宵后才能正常上班了。。。 今天专门翻看了清华的《人工智能发展报告2019》中的信息检索与推荐一章，整理了一些关键的知识点，分享给大家： - 信息检索 R.Baeza-Yates 教授在《现代信息检索中》中指出，信息检索主要研究如何为用户访问他们感兴趣的信息提供各种便利的手段，即:信息检索涉及对文档、网页、联机目录、结构化和半结构化记录及多媒体对象等信息的表示、存储、组织和访问，信息的表示和组织必须便于用户访问他们感兴趣的信息。 - 推荐系统 推荐系统是指信息过滤技术，从海量项目(项目是推荐系统所推荐内容的统称，包括商品、新闻、微博、音乐等产品及服务)中找到用户感兴趣的部分并将其推荐给用户，这在用户没有明确需求或者项目数量过于巨大、凌乱时，能很好地为用户服务，解决信息过载问题。 - 搜索+推荐=？ 信息检索应用最广泛的就是搜索引擎，需要用户主动提供准确的关键词来寻找信息。但是比如当用户无法找到准确描述自己需求 （兴趣） 的关键词时，搜索引擎就无能为力了。而推荐系统则不需要用户提供明确的需求，它是通过分析用户的历史行为给用户的需求 （ 兴趣） 建模，从而主动推荐给用户能够满足他们需求 （兴趣） 的信息。 从某种意义上说