Arganzheng's Blog

stay hungry, stay foolish

机器学习中的特征工程

特征管理特征元数据注册特征视图、特征集、特征数据源信息: 离线数据库、表名称等存储引擎信息: 引擎类型、机房、IP等存储格式信息: Key字段、Value字段等特征更新信息: 更新周期、分区字段、分区方式等元数据与存储系统打通（如 hive表，Redis 等）离线特征可视化（类似于 hue）在线特征可视化特征的共享共享特征库引用计数特征监控和...

Posted by arganzheng | May 10, 2019

一个java大堆引发的『血案』

现象线上预估服务扩容新增了两台机器，同样的代码，同样的机器配置，但是有一台机器的平均时延就是比另一台机器慢一些（14ms vs. 20ms）。 1、64机器（时延慢一些的机器） JVM启动参数： /home/app/predictor-serving/jdk/jre/bin/java -Djava.util.logging.config.file=/home/app/predictor-serving/tomcat/conf/logging.properties -Djava.util.logging.manager=org.apache.juli.ClassLoaderLogManager -server -Xmx32g -Xms32g -XX:+Use...

Posted by arganzheng | April 1, 2019

使用CompletableFuture异步编程

Future vs. CompletableFuture JDK 5引入了 Future 模式。Future 接口是Java多线程 Future 模式的实现，在java.util.concurrent包中，可以来进行异步计算。 Future 模式是多线程设计常用的一种设计模式。所谓Future，顾名思义，就是结果在未来完成，先给你一个凭据。Future的接口很简单，只有五个方法： public interface Future<V> { boolean cancel(boolean mayInterruptIfRunning); boolean isCancelled(); boolean isDone(); ...

Posted by arganzheng | March 12, 2019

gitlab如何checkout某个group中的所有项目

gitlab 是一个非常棒的基于git的代码版本控制平台，跟 github 非常类似，但是有一个非常重要的功能是缺失的，就是搜索代码。这时候只能将所有的分支拉到本地，进行grep。为了方便管理，我们的项目都是按照 group，也就是 namespace 分开管理的，问题在于 gitlab 并没有在界面上直接提供下载整个 group 中的所有项目的功能，谷歌了一下，发现大家基本都是利用 Gitlab API 提供的查询所有项目的接口，然后封装一个 shell 脚本来实现这个功能。比如这个 sync-projects 。但是写的稍微有点复杂，我做了简单的优化：使用 "${BASE_PATH}api/v3/groups/$GROUP_NAME/projec...

Posted by arganzheng | January 18, 2019

创建Hadoop FileSystem报Provider org.apache.hadoop.fs.azure.NativeAzureFileSystem not a subtype异常

为了验证一个线上问题，写了一个简单的Spark任务，在提交节点上听过spark-submit命令提交任务，总是跑不起来。报如下错误： 18/12/26 16:37:24 ERROR study.Application: error java.util.ServiceConfigurationError: org.apache.hadoop.fs.FileSystem: Provider org.apache.hadoop.fs.azure.NativeAzureFileSystem not a subtype at java.util.ServiceLoader.fail(ServiceLoader.java:239) at j...

Posted by arganzheng | December 26, 2018

git分支与maven版本之间的联动

对于 java 开发，项目联合开发的时候往往是通过maven仓库而不是分支源码依赖进行，而且为了让变更立即可见，需要采用 maven 的 snapshot 版本机制；而对于稳定版本（release版本），为了能够拉取更新以及记录变更，也是需要升级版本号的。也就是说二方库有自己的（maven）版本管理机制，需要跟 git 的分支机制联动起来。为了方便说明，我们举一个具体的二方库作为例子。假设有这么一个二方库，它的 pom 文件定义如下： <groupId>life.arganzheng.internet.ai.platform</groupId> <artifactId>large-scale-algorithms</...

Posted by arganzheng | December 19, 2018

Git分支管理策略

在使用 Git 时通常会遇到的一个问题是采用何种分支管理实践，即如何管理仓库中作用不同的各类分支。 GitFlow 演进洪荒时代 —— 单主干开发 (Trunk-based development, TBD) 单主干的分支实践（Trunk-based development, TBD）在 SVN 中比较流行。trunk 是 SVN 中主干分支的名称，对应到 Git 中则是 master 分支。在项目初期，一切都是从0开始，不存在多分支并行开发一说，所以基本上都是基于主干开发和发布。 Pros 简单，只需要维护一个分支冲突第一时间发现和解决 Crons 主干一直在变化，没有一个稳定的版本来进行测试和发布因为主干分支是所有开...

Posted by arganzheng | December 18, 2018

Spark数据倾斜及其解决方案

什么是数据倾斜对 Spark/Hadoop 这样的分布式大数据系统来讲，数据量大并不可怕，可怕的是数据倾斜。对于分布式系统而言，理想情况下，随着系统规模（节点数量）的增加，应用整体耗时线性下降。如果一台机器处理一批大量数据需要120分钟，当机器数量增加到3台时，理想的耗时为120 / 3 = 40分钟。但是，想做到分布式情况下每台机器执行时间是单机时的1 / N，就必须保证每台机器的任务量相等。不幸的是，很多时候，任务的分配是不均匀的，甚至不均匀到大部分任务被分配到个别机器上，其它大部分机器所分配的任务量只占总得的小部分。比如一台机器负责处理 80% 的任务，另外两台机器各处理 10% 的任务。『不患多而患不均』，这是分布式环境下最大的问题。意味着计算能...

Posted by arganzheng | November 24, 2018

Spark Executor内存管理

我们都知道 Spark 能够有效的利用内存并进行分布式计算，其内存管理模块在整个系统中扮演着非常重要的角色。为了更好地利用 Spark，深入地理解其内存管理模型具有非常重要的意义，这有助于我们对 Spark 进行更好的调优；在出现各种内存问题时，能够摸清头脑，找到哪块内存区域出现问题。首先我们知道在执行 Spark 的应用程序时，Spark 集群会启动 Driver 和 Executor 两种 JVM 进程，前者为主控进程，负责创建 Spark 上下文，提交 Spark 作业（Job），并将作业转化为计算任务（Task），在各个 Executor 进程间协调任务的调度，后者负责在工作节点上执行具体的计算任务，并将结果返回给 Driver，同时为需要持久化的 RD...

Posted by arganzheng | November 20, 2018

Spark RDD

RDD核心抽象和概览 1. 什么是 RDD The main abstraction Spark provides is a resilient distributed dataset (RDD), which is a fault-tolerant collection of elements partitioned across the nodes of the cluster that can be operated on in parallel. 2. 怎样创建 RDD RDD 可以通过如下方式创建： parallelizing an existing collection in your driver program. extern...

Posted by arganzheng | November 12, 2018