gydtep

技术驱动，建设阿里巴巴绿色数字供应链
今年双11，数字供应链采用预测+决策的算法体系，实现数据驱动的预测决策一体化优化，降低货损，统一调度减少浪费；在运配场景，提升车辆装载率及运输效率；通过建设一盘货、全链路可售能力，帮助商家库存共享，更精准地进行补货备货，助力商家多端销售，降低滞销。

gydtep

多语言技术创新促进跨境电商商家销售
创译技术融合改写和翻译能力，缓解低质量源语言商品信息的影响，显著提升了用户语言体验，目前已支持AliExpress、ICBU在十多个国家、数千万跨境商品信息的国际化；

gydtep

据悉，阿里自研内存数据库Tair诞生于2010年，是一种支持高并发低延迟访问的云原生内存数据库，完全兼容Redis，已历经多年双11大促考验，提供核心在线访问加速能力，显著提升系统吞吐量。

gydtep

商业公司的第一要务永远是营收、盈利，我们都知道盈利=营收-成本，IT部门的成本通常也会占据很大一个部分，尤其是互联网类型的公司。现在阿里全面云化后，包括阿里内部的团队也会在乎自己的IT支出，尽可能的压缩成本。

gydtep

并行查询的加入使得PolarDB突破了单核执行性能的限制，利用多核CPU的并行处理能力，在PolarDB上部分SQL查询耗时成指数级下降。

gydtep

在目前的迭代阶段，优化器按如下的流程操作：

执行SQL的Parse过程并生成LogicalPlan，然后调用MySQL原生优化器按照执行一定优化操作，如join order调整等。同时该阶段获得的逻辑执行计划会转给IMCI的执行计划编译模块,尝试生成一个列存的执行计划(此处可能会被白名单拦截并fallback回行存）。

gydtep

全量及增量行转列

行转列操作在两种情况下会发生，第一种情况是使用DDL语句对部分列创建列索引(一般是业务对一个已有的表有新增分析型需求)，此时需要扫描全表数据以创建列索引。另一种情况是在事务操作过程中对于涉及到的列实时行专列。

gydtep

在针对全局特征进行优化以后，现有模型仍然在以下三个方面表现不够好：1）牌匾截断的情况，特征学习质量差，如图8(a)；2）遮挡的牌匾，特征中引入一些无关的上下文信息，如图8(b)；3）相似但不同的牌匾难以区分，如图8(c)。因此，我们进一步设计了局部特征分支[1]，让模型更加关注牌匾的几何、纹理等局部信息，与全局特征共同做牌匾检索。

gydtep

。文章主要分为三个部分：第一部分，会介绍流计算系统和一致性难题的本质；第二部分，会介绍一致性难题的通用解法以及各种方案间的取舍；第三部分，会介绍主流的流计算引擎是如何对通用解法进行泛化以实现一致性。

gydtep

如果在提交这一批数据的提交过程中又发生了异常，譬如只有部分节点的结果输出了，其他节点发生了故障结果丢失，则可以通过回到上个批次提交的状态，重算此批次数据，重算过程中，由于仅存在确定性计算，所以无论是引擎内还是引擎外，是可以通过幂等来保证数据的的一致性的。