gydtep

DevOps的挑战
对于应用交付的整个流程而言，通常会涉及三个环节，即开发、测试和运维，而在传统的组织架构中，他们对应的也往往是三个不同的团队。这三个环节各自有自己的侧重点，但是在实际上，想要让整个应用交付过程变得顺滑高效，并且让应用在上线后保持高可用的状态，往往需要三个团队将相互之间存在的墙打破掉。

gydtep

Shard Request Cache：针对 ES 的 query 请求，缓存各分片的查询结果，主要用于缓存聚合结果，采用LRU机制，当分片 refresh 后会失效。

gydtep

对于 lucene 而言，其使用的是堆外内存
• Page Cache：lucene 读写段文件时会依赖操作系统的 page cache 缓存，如果多次查询都涉及到读取某个段文件的同一部分内容，就直接使用 page cache 进行读取，无需再从磁盘获取数据。page cahce 由操作系统管理，淘汰策略类似LRU。

gydtep

上述文件中占用存储空间较多的是 tim、doc、fdt、dvd 以及 cfs 这几类数据文件，除 cfs 以外的几类文件加载情况和查询条件密切相关；

gydtep

RNN Noise是一种基于传统算法改进的混合方法。整个算法为了保证实时性，训练特征主要以传统信号的特征为主，（涉及bark域的能量和pitch域的相关能量系数、pitch_index的值、带噪语音bark域的能量和带噪语音bark域倒谱相关的信息），一共42个

gydtep

最终得出期望的时频域上的先验信噪比。除此之外，我还进行了去除seq_len，添加highpass，更改数据混合方式，调整训练集中的噪声分布等改进项，从不同角度提升模型的训练效果

gydtep

我们看一下算法效果，客观指标主要通过PESQ语音质量与STOI语音可懂度来衡量，我们构建了ali_test_datasets，含有1w多条带噪语音，涵盖街道、咖啡馆等日常环境，分为四个子测试集，_itu表示数据集中的纯净语音为itu标准测试序列，

gydtep

_objective表示数据集中的噪声为 训练集中未见  但是同分布噪声，相对应的就是数据集中的噪声为训练集中未见且不同分布的噪声，环境噪声强度为-5到15db，最大降噪力度控制在-25db，

gydtep

在数据埋点中如何唯一确定用户的身份一件很重要的工作，因为如果做不到用户的唯一标识，那么后续很多数据模型是无法构建的。所以在设计埋点标准时，一般会包含用的设备ID和用户ID，关于设备ID安卓和IOS的方法也不一样

gydtep

机器学习在物联网中的应用
机器学习在识别潜在威胁、发现网络中的漏洞和识别系统性物联网漏洞(例如物联网设备上缺少密码保护或密码保护较弱)，以及解决网络配置以构建防御方面非常有用。机器学习基于海量网络安全数据集和物联网设备配置文件来工作，这使得零日威胁成为许多公司担心的问题。