第四 为了保证线上音视频同步，独立智能降噪模块，和采集线程解耦，iphone6以上机型直播无异常；
第四 为了保证线上音视频同步，独立智能降噪模块，和采集线程解耦，iphone6以上机型直播无异常；
第五 由于采用了小型化模型设计和裁剪工作，性能消耗较低；
受新冠疫情的影响，互联网进入全民直播大时代，教育直播，旅游直播，助农直播，电商直播，政务直播等空前兴起。团队研发的智能降噪技术应用到阿里集团内的多个场景。在助农直播中，我们的算法有效去除田间机械的噪声，还原清晰语音；
在钉钉在线课堂中，我们智能降噪结合盲源回声消除，助力2亿中小学生在家上课，提供高质量的声音体验；在电商直播中，我们的算法支撑了海外代购，户外运动，乐器直播，音乐晚会等全场景语音处理需求。我们秉承“让声音更清晰，让沟通更有效”的理念，追求更高质量的语音体验。
AI+实时音频处理这个方向其实还有很多可以探索的，在前端处理算法中，除了我们已经优化的ANS算法外，AEC的非线性残留部分也可以结合深度学习类算法进行优化，可以将参考信号和观测信号的频域特征concat起来作为输入，观测信号的类IRM指标作为输出，进而得到估计的近端信号；类似的任务还有啸叫抑制及后端处理算法中的带宽扩展、智能PLC等等
对于广大 Elasticsearch 使用者而言，在面对系统资源分配、问题请求排查时是否曾遇到以下问题：
• 只知道需要预留许多内存资源给 lucene（一般为系统资源的一半），但是分配的这些是否够用，以及这些内存资源被什么文件所占用，往往都不得而知；
线上服务突然出现一波超时告警，告警波及的索引面积较广，但波动具体由哪个索引，甚至哪个查询导致的，在排查时容易陷入无从下手的困境。
通常在 Elasticsearch 的监控层面，我们会选择去查看 kibana 的监控报表，但 kibana 在内存方面的监控指标通常都基于 JVM 本身，无法追溯到 lucene 层面。而 lucene 的文件使用的是操作系统的 page cache，如何监控 page cache，并将之映射到 Elasticsearch 的索引维度，便是本文着手解决的问题。
接下来本文将分为三个主要部分，第一部分介绍和 Elasticsearch 内存使用相关的基础知识，适合对 ES 内存资源占用有兴趣的同学，第二部分介绍 Elasticsearch 的 page cache 监控工具和使用说明，第三部分列举一些典型的使用案例。
对搜索引擎而言，各级缓存的命中率和查询效率密切相关。ES 的缓存主要由 JVM 堆内存，以及 lucene 所依赖的堆外内存两部分组成。考虑到大多数查询场景的多样性，ES 的 query cache 覆盖能力有限，因此 ES 的查询性能和 lucene 各类文件的缓存状况息息相关
