Scalability
Source: https://github.com/binhnguyennus/awesome-scalability at
c9ca9f248d4d
License: MIT
Read the English original
This edition is an AI-assisted translation.
Eine aktualisierte und organisierte Leseliste zur Darstellung der Muster skalierbarer, zuverlässiger und performanter Großsysteme. Konzepte werden in den Artikeln prominenter Ingenieure und glaubwürdigen Referenzen erklärt. Fallstudien werden von kampferprobten Systemen genommen, die Millionen bis Milliarden von Benutzern dienen.
Wenn Ihr System langsam ist
Abschnitt betitelt „Wenn Ihr System langsam ist“Verstehen Sie Ihre Probleme: Skalierbarkeitsproblem (schnell für einen einzelnen Benutzer, aber langsam unter schwerer Last) oder Leistungsproblem (langsam für einen einzelnen Benutzer), indem Sie einige Designprinzipien und prüfen, wie Kalierbarkeit und Leistung Probleme werden in Technologieunternehmen gelöst. Der Abschnitt des Intelligenz sind für diejenigen geschaffen, die mit Daten und maschinellem Lernen im großen (Daten) und tiefen (Lern-) Maßstab arbeiten.
Wenn Ihr System ausfällt
Abschnitt betitelt „Wenn Ihr System ausfällt““Auch wenn Sie einen Tag verlieren, können Sie noch einmal bauen, wenn Sie Ihre Ruhe bewahren!” - Thuan Pham, ehemaliger CTO von Uber. Also, halten Sie ruhig und Geist die Verfügbarkeit und Stabilität Angelegenheiten!
Wenn Sie ein Systemdesign-Interview haben
Abschnitt betitelt „Wenn Sie ein Systemdesign-Interview haben“Schauen Sie sich einige Interviewnotizen und reale Architekturen mit abgeschlossenen Diagrammen um einen umfassenden Überblick zu erhalten, bevor Sie Ihr System auf Whiteboard entwerfen. Sie können einige überprüfen Gespräche von Ingenieuren von Tech-Giganten, die wissen, wie sie ihre Systeme bauen, skalieren und optimieren. Viel Glück!
Wenn Sie Ihr Traumteam aufbauen
Abschnitt betitelt „Wenn Sie Ihr Traumteam aufbauen“Das Ziel der Skalierung des Teams ist nicht die wachsende Teamgröße, sondern die Steigerung der Teamleistung und des Wertes. Sie können herausfinden, wie Technologieunternehmen dieses Ziel in verschiedenen Aspekten erreichen: Einstellung, Management, Organisation, Kultur und Kommunikation in der Organisation Schnitt.
Gemeinschaftsmacht
Abschnitt betitelt „Gemeinschaftsmacht“Beiträge sind sehr willkommen! Vielleicht möchten Sie einen Blick auf die BeitragsleitlinienWenn Sie hier einen Link sehen, der nicht mehr gepflegt wird oder nicht gut passt, senden Sie bitte einen Pull Request!
Viele lange Stunden harter Arbeit sind in dieses Projekt geflossen. Wenn Sie es hilfreich finden, teilen Sie es bitte auf Facebook, auf Twitter, über Weibooder in ihren chat-gruppen. Wissen ist Macht, geteiltes Wissen ist multiplizierte Macht. Vielen Dank!
- Grundsatz
- Kalierbarkeit
- Verfügbarkeit
- Stabilität
- Leistung
- Intelligenz
- Architektur
- Interview
- Organisation
- Gespräch
- Buch
Grundsatz
Abschnitt betitelt „Grundsatz“- Aktivitäten in der Nähe von Giant-Scale Services - Eric Brewer, UC Berkeley & Google
- Designs, Lektionen und Empfehlungen beim Aufbau großer verteilter Systeme - Jeff Dean, Google
- Wie man eine gute API gestaltet und warum es wichtig ist - Joshua Bloch, CMU & Google
- Über Effizienz, Zuverlässigkeit, Skalierung - James Hamilton, VP bei AWS
- Grundlagen des Chaos Engineering
- Die Ordnung im Chaos finden
- Die Zwölf-Faktor-App
- Saubere Architektur
- Hoher Zusammenhalt und niedrige Kopplung
- Monolithen und Microservices
- CAP-Theorem und Trade-offs
- CP Datenbanken und AP Datenbanken
- Stateless vs Stateful Skalierbarkeit
- Scale Up vs. Scale Out: Versteckte Kosten
- SÄURE und BASE
- Blockieren/Nicht-Blockieren und Sync/Async
- Performance und Skalierbarkeit von Datenbanken
- Datenbank-Isolationsstufen und Auswirkungen auf Leistung und Skalierbarkeit
- Die Wahrscheinlichkeit von Datenverlusten in großen Clustern
- Datenzugriff für hochskalierbare Lösungen: Verwendung von SQL, NoSQL und Polyglot Persistenz
- SQL vs. NoSQL
- SQL vs NoSQL - Lesson Learned bei Salesforce
- NoSQL-Datenbanken: Umfrage und Entscheidungshilfe
- Wie Sharding funktioniert
- Konsequentes Hashing
- Konsistentes Hashing: Algorithmische Kompromisse
- dürfen Sie sind nicht vom Hashing Trick Täusch
- Uniform Consistent Hashing bei Netflix
- Konsequent – Werner Vogels, CTO bei Amazon
- Cache ist König
- Anti-Caching
- Latenz-Verhalten
- Latenzzahlen, die alle Programmierer müssen
- Die Berechnung der Serviceverfügbarkeit
- Architekturprobleme beim Skalieren von Webanwendungen: Engpässe, Datenbank, CPU, IO
- Engpässe
- Leben jenseits verteilter Transaktionen
- als Sie sich auf Software, um Traffic zuverlässig auf verschiedenen Ebenen umzuleiten
- Dinge, die brechen
- Vermeiden Sie Über Engineering
- Skalierbarkeit schlechtste Praktiken
- Verwenden Sie solide Technologien - Erfinden Sie das Rad nicht neu - halten Sie es einfach!
- Einfachheit durch Verteilung der Komplexität
- Warum Übernutzung schlecht ist
- Performance ist ein Feature
- Machen Sie Performance Teil Ihrer Workflows
- Die Vorteile von Server Side Rendering gegenüber Client Side Rendering
- Automatisieren und Abstrakt: Lektionen bei Facebook
- AWS Do’s und Don’ts
- (UI) Design skaliert nicht - Stanley Wood, Design Director bei Spotify
- Linux Performance
- Erstellen von schnellen und widerstandsfähigen Web-Anwendungen - Ilya Grigorik
- Teilfehler akzeptieren, Serviceverlust minimieren
- Design für Resilienz
- Design für Selbstheilung
- Design für Scaling Out
- Design für die Evolution
- Lernen Sie aus Fehlern
Skalierbarkeit
Abschnitt betitelt „Skalierbarkeit“- Microservices und Orchestrierung
- Domainorientierte Microservice-Architektur bei Uber
- Service Architecture (3 Teile: Domain Gateways, Value-Added Services, BFF) bei SoundCloud
- Container (8 Teile) bei Riot Games
- Containerisierung bei Pinterest
- Evolution der Containernutzung bei Netflix
- Dockering MySQL bei Uber
- Testen von Microservices bei Spotify
- Docker bei Produktion bei Treehouse
- Microservice bei SoundCloud
- Betrieb von Kubernetes zuverlässig bei Stripe
- Cross-Cluster Traffic Mirroring mit Istio bei Trivago
- Agrarian-Scale Kubernetes (3 Teile) bei der New York Times
- Nanoservices bei BBC
- PowerfulSeal: Testing Tool für Kubernetes Cluster bei Bloomberg
- Dirigent: Microservices Orchestrator bei Netflix
- Docker-Container, die über 100.000 Online-Shops bei Shopifyfinden
- Microservice Architektur im Medium
- Vom Bare-Metal zum Kubernetes bei Betabrand
- Kubernetes bei Tinder
- Kubernetes bei Quora
- Kubernetes Plattform auf Pinterest
- Microservices bei Nubank
- Payment Transaction Management in Microservices bei Mercari
- Service Mesh bei Snap
- GRIT: Protokoll für verteilte Transaktionen über Microservices bei eBay
- Rubix: Kubernetes bei Palantir
- CRISP: Kritische Pfadanalyse für Microservice-Architekturen bei Uber
- Verteiltes Caching
- EVCache: Distributed In-Memory Caching bei Netflix
- EVCache Cache Warme Infrastruktur bei Netflix
- Memsniff: Robuster Memcache Traffic Analyzer bei Box
- Caching mit konsistentem Hashing und Cache Smearing bei Etsy
- Analyse von Foto-Caching bei Facebook
- Cache Effizienz Übung bei Facebook
- tCache: Skalables datenbasiertes Java Caching bei Trivago
- Pycache: Im Prozess-Caching bei Quora
- Reduzieren Memcached Memory Nutzung um 50% bei Trivago
- Caching Interner Service Anrufe bei Yelp
- Schätzung der Cache-Effizienz mit Big Data bei Allegro
- Verteilter Cache bei Zalando
- Verteilter Cache für S3 bei ClickHouse
- Anwendungsdaten Caching von RAM zu SSD bei NetFlix
- Kompromisse von Replicate Cache bei Skyscanner
- Standort Caching mit Quadtrees bei Yext
- Video Metadaten Caching bei Vimeo
- Skalierung von Redis bei Twitter
- Skalierung der Job-Warteschlange mit Redis bei Slack
- Persistente Daten aus Redis bei Github entfernen
- Hunderte Millionen einfache Key-Value-Paare in Redis auf Instagram speichern
- Redis bei Trivago
- Optimierung von Redis Storage bei Deliveroo
- Speicheroptimierung in Redis bei Wattpad
- Redis Fleet auf dem Heroku
- Lösung von Remote Build Cache Misses (2 Teile) bei SoundCloud
- Bewertung & Bewertung (2 Teile) bei Flipkart
- Prefetch Caching von Items bei eBay
- Regionsübergreifende Caching-Bibliothek bei Wix
- Verbesserung der Distributed Caching Performance und Effizienz bei Pinterest
- Standardisieren und Verbessern von Microservices Caching bei DoorDash
- HTTP Caching und CDN
- Zynga Geo Proxy: Reduktion der Latenz mobiler Spiele bei Zynga
- Google AMP bei Condé Nast
- A/B-Tests auf Hosting-Infrastruktur (CDNs) bei Deliveroo
- HAProxy mit Kubernetes für benutzerorientierten Traffic bei SoundCloud
- Bandaid: Service Proxy bei Dropbox
- Servicemitarbeiter bei Slack
- CDN-Dienste bei Spotify
- Distributed Locking
- Verteiltes Tracking, Tracing und Messen
- Zipkin: Verteilte Systeme auf Twitter
- Verbessern Sie Zipkin Traces mit Kubernetes Pod Metadaten bei SoundCloud
- Canopy: Skalables Distributed Tracing & Analysis bei Facebook
- Pintrace: Distributed Tracing bei Pinterest
- XCMetrics: All-in-One-Tool zum Tracking von Xcode Build-Metriken bei Spotify
- Echtzeit Distributed Tracing bei LinkedIn
- Tracking Service Infrastruktur im Maßstab von Shopify
- Distributed Tracing bei HelloFresh
- Analyse von verteilten Trace-Daten bei Pinterest
- Distributed Tracing bei Uber
- JVM Profiler: Verteilte JVM-Anwendungen bei Uber verfolgen
- Datenprüfung bei Dropbox
- Verteilte Systeme auf Showmax verfolgen
- osquery Across the Enterprise bei Palantir
- StatsD bei Etsy
- Verteilte Terminplanung
- Distributed Task Scheduling (3 Teile) bei PagerDuty
- Aufbau von Cron bei Google
- Cron Architektur bei Quora
- Chronos: Ein Ersatz für Cron bei Airbnb
- Scheduler bei Nextdoor
- Peloton: Unified Resource Scheduler für diverse Cluster-Workloads bei Uber
- OSS Scheduler für Apache Mesos Frameworks bei Netflix
- Airflow - Workflow-Orchestrierung
- Airflow bei Airbnb
- Luftstrom bei Adyen
- Airflow bei Pandora
- Luftstrom bei Robinhood
- Luftstrom bei Lyft
- Luftstrom bei Drivy
- Luftstrom bei Grab
- Airflow bei Adobe
- Auditing Airflow Job läuft bei Walmart
- MaaT: DAG-basierter verteilter Aufgabenplaner bei Alibaba
- Grenzschicht: Deklarative Airflow Workflows bei Etsy
- Verteilte Überwachung und Alarmierung
- Einhorn: Sanierungssystem bei eBay
- M3: Metrik- und Monitoring-Plattform bei Uber
- Athena: Automatisiert Aufbau eines Gesundheitsmanagementsystems bei Dropbox
- Vortex: Überwachung von Serveranwendungen bei Dropbox
- Nuage: Cloud Management Service bei LinkedIn
- Telltale: Application Monitoring bei Netflix
- ThirdEye: Monitoring-Plattform bei LinkedIn
- Periskop: Exception Monitoring Service bei SoundCloud
- Securitybot: Distributed Alerting Bot bei Dropbox
- Monitoring System bei Alibaba
- Real User Monitoring bei Dailymotion
- Alarmsystem bei Uber
- Alarmierungsrahmen bei Airbnb
- Alarmierung auf Service-Level-Ziele (SLOs) bei SoundCloud
- Job-based Forecasting Workflow für die Erkennung von Anomalien bei Uber
- Monitoring und Alarmsystem mit Graphit und Cabot bei HackerEarth
- Beobachtbarkeit (2 Teile) bei Twitter
- Distributed Security Alerting bei Slack
- Echtzeit-Nachrichten bei Bloomberg
- Data Pipeline Monitoring System bei LinkedIn
- Monitoring und Beobachtbarkeit bei Picnic
- Verteilte Sicherheit
- Aardvark und Repokid: AWS Least Privilege für die verteilte Entwicklung mit höherer Geschwindigkeit bei Netflix
- LISA: Verteilte Firewall bei LinkedIn
- Sichere Infrastruktur zum Speichern von Bitcoin in der Cloud bei Coinbase
- BinaryAlert: Serverlose Malware-Erkennung in Echtzeit bei Airbnb
- Skalierbare IAM-Architektur für sicheren Zugang auf 100 AWS-Konten im Segment
- OAuth Audit Toolbox bei Indeed
- Active Directory Password Blacklisting bei Yelp
- Syscall Auditing im Maßstab von Slack
- Athenz: Feinkornige, rollenbasierte Zugangskontrolle bei Yahoo
- Security Development Lifecycle bei Slack
- Unprivilegierte Container Builds bei Kinvolk
- Diffy: Unterschiedliche Engine für digitale Forensik in der Cloud bei Netflix
- Erkennung von Credential Compromise bei AWS bei Netflix
- Skalierbare User Privacy bei Spotify
- AVA: Audit Web Applications bei Indeed
- TTL as a Service: Automatischer Widerruf von Stale Privileges bei Yelp
- Enterprise Key Management bei Slack
- Skalierbarkeit und Authentifizierung bei Twitch
- Edge Authentication und Token-Agnostic Identity Propagation bei Netflix
- Härtung der Kubernetes-Infrastruktur mit Cilium bei Palantir
- Verbesserung des Managements von Web-Vulnerability durch Automatisierung bei Lyft
- Uhr Skew beim Synchronisieren von Passwort-Payloads in der Drobbox
- Distributed Messaging, Queuing und Event Streaming
- Cape: Event Stream Processing Framework bei Dropbox
- Brooklin: Distributed Service für Echtzeit-Daten-Streaming bei LinkedIn
- Samza: Stream Processing System für Latency Insighs bei LinkedIn
- Bullet: Forward-Looking Query Engine für das Streaming von Daten bei Yahoo
- EventHorizon: Tool zum Anschauen von Events Streaming bei Etsy
- Qmessage: Verteilte, asynchrone Task-Warteschlange bei Quora
- Cherami: Nachrichtenwarteschlange für den Transport von Async-Aufgaben bei Uber
- Dynein: Distributed Delayed Job Queueing System bei Airbnb
- Timestone: Warteschlangensystem für nicht parallelisierbare Workloads bei Netflix
- Nachrichtendienst bei Riot Games
- Messaging-Systemmodell bei Dropbox
- Debugging Produktion mit Event Logging bei Zillow
- Plattformübergreifender In-App Messaging Orchestration Service bei Netflix
- Video Gatekeeper bei Netflix
- Skalierung von Push-Messaging für Millionen von Geräten bei Netflix
- Verzögerung der asynchronen Nachrichtenverarbeitung mit RabbitMQ in der Tat
- Benchmarking Streaming Computation Engines bei Yahoo
- Verbesserung der Stream-Datenqualität mit Protobuf Schema Validation bei Deliveroo
- Skalierung der E-Mail-Infrastruktur im Medium
- Echtzeit-Messaging bei Slack
- Event Stream Datenbank bei Nike
- Event Tracking System bei Udemy
- Event-Driven Messaging
- Domaingesteuertes Design bei Alibaba
- Domain-Driven Design bei Weebly
- Domaingesteuertes Design bei Moonpig
- Skalierung von Event Sourcing für Netflix Downloads
- Skalierung von Event-Sourcing auf Jet.com
- Event Sourcing (2 Teile) bei eBay
- Event Sourcing bei FREE NOW
- Skalabler Content Feed mit Event Sourcing und CQRS-Muster bei Brainly
- Pub-Sub Messaging
- Kafka - Message Broker
- Kafka bei LinkedIn
- Kafka bei Pinterest
- Kafka bei Trello
- Kafka bei Salesforce
- Kafka bei der New York Times
- Kafka bei Yelp
- Kafka bei Criteo
- Kafka auf Kubernetes bei Shopify
- Kafka auf PaaSTA: Kafka auf Kubernetes bei Yelp laufen lassen (2 Teile)
- Migration von Kafkas Zookeeper ohne Ausfallzeiten bei Yelp
- Widerbereitung und Toter Brief Warteschlangen mit Kafka bei Uber
- Chaperone: Audit Kafka End-to-End bei Uber
- Kafka-Durchsatzgrenze in der Infrastruktur bei Dropbox finden
- Kostenorchestrierung bei Walmart
- InfluxDB und Kafka skalieren bei Hulu auf über 1 Million Metriken pro Sekunde
- Skalierung von Kafka zur Unterstützung des Datenwachstums bei PayPal
- Stream Data Deduplizierung
- Verteilte Protokollierung
- Logging bei LinkedIn
- Skalierbare und zuverlässige Protokollaufnahme bei Pinterest
- Hochleistungsreplizierter Protokolldienst bei Twitter
- Logging Service mit Spark im CERN Accelerator
- Logging und Aggregation bei Quora
- Sammlung und Analyse von Daemon Logs bei Badoo
- Log Paring mit Statischer Codeanalyse bei Palantir
- Zentralisierte Anwendungsprotokollierung bei eBay
- Anreichern von VPC-Flow-Logs auf Hyper-Skala zur Bereitstellung von Network Insight bei Netflix
- BookKeeper: Distributed Log Storage bei Yahoo
- LogDevice: Distributed Data Store für Logs bei Facebook
- LogFeeder: Log Collection System bei Yelp
- DBLog: Generisches Change-Data-Capture Framework bei Netflix
- Verteilte Suche
- Architektur sucht bei Instagram
- Search Architecture bei eBay
- Architektur bei Box suchen
- Search Discovery Indexing Plattform bei Coupang
- Universal Search System bei Pinterest
- Verbesserung der Suchmaschineneffizienz um über 25% bei eBay
- Indexierung und Abfrage von Telemetrieprotokollen mit Lucene bei Palantir
- Quered Understanding bei TripAdvisor
- Search Federation Architecture bei LinkedIn (2018)
- Suche nach Slack
- Suchmaschine bei DoorDash
- Stabilität und Skalierbarkeit für die Suche bei Twitter
- Suchdienst bei Twitter (2014)
- Autocomplete Search (2 Teile) bei Traveloka
- Datengesteuertes Autokorrektursystem bei Canva
- Anpassung der Suche an die indische Phonetik bei Flipkart
- Nautilus: Suchmaschine bei Dropbox
- Galene: Sucharchitektur von LinkedIn
- Manas: Performing Customized Search System bei Pinterest
- Sherlock: Near Real Time Search Indexing bei Flipkart
- Nebula: Speicherplattform zum Erstellen von Such-Backends bei Airbnb
- ELK (Elasticsearch, Logstash, Kibana) Stack
- Vorausgesagt in Echtzeit mit ELK bei Uber
- Aufbau eines skalierbaren ELK-Stacks bei Envato
- ELK bei Robinhood
- Skalierung von Elasticsearch Clustern bei Uber
- Elasticsearch Performance Tuning Praxis bei eBay
- Verbessern Sie die Leistung mit Elasticsearch Plugins (2 Teile) bei Tinder
- Elasticsearch bei Kickstarter
- Log Parsing mit Logstash und Google Protocol Buffers bei Trivago
- Fast Order Search mit Data Pipeline und Elasticsearch bei Yelp
- Umzug von Core Business Search zu Elasticsearch bei Yelp
- Verteilung von Elasticsearch bei Vinted
- Self-Ranking Search mit Elasticsearch bei Wattpad
- Vulkanisator: eine Bibliothek zum Betrieb von Elasticsearch in Github
- Distributed Storage
- In-Memory Storage
- MemSQL Architektur - The Fast (MVCC, InMem, LockFree, CodeGen) und Familiar (SQL)
- Optimierung der Memcached Effizienz bei Quora
- Real-Time Data Warehouse mit MemSQL auf Cisco UCS
- Umzug zu MemSQL bei Tapjoy
- MemSQL und Kinesis für Echtzeit-Insights bei Disney
- MemSQL fragt Hunderte von Milliarden Zeilen in einem Dashboard bei Pandora ab
- Objektspeicherung
- Skalierung von HDFS bei Uber
- Gründe für die Wahl von S3 über HDFS bei Databricks
- Dateisystem auf Amazon S3 bei Quantcast
- Bildwiederherstellung im Maßstab mit S3-Versionierung bei Trivago
- Cloud Object Store bei Yahoo
- Ambry: Distributed Immutable Object Store bei LinkedIn
- Dynamometer: Scale Testing HDFS auf Minimal Hardware mit maximaler Treue bei LinkedIn
- Hammerspace: Persistent, Concurrent, Off-Heap Storage bei Airbnb
- MezzFS: Mounting Object Storage in Media Processing Platform bei Netflix
- Magic Pocket: hauseigenes Multi-Exabyte-Speichersystem bei Dropbox
- In-Memory Storage
- Relationale Datenbanken
- MySQL bei Uber
- MySQL bei Pinterest
- PostgreSQL bei Twitch
- Skalierung des MySQL-basierten Finanzberichterstattungssystems bei Airbnb
- Skalierung von MySQL bei Wix
- Erstellen und Bereitstellen von MySQL Raft bei Meta
- MaxScale (MySQL) Datenbank Proxy bei Airbnb
- Wechsel von Postgres zu MySQL bei Uber
- Umgang mit Wachstum mit Postgres auf Instagram
- Skalierung der Analytics-Datenbank (Postgres) bei TransferWise
- Aktualisieren eines 50-Terabyte-PostgreSQL Datenbank bei Adyen
- Skalierung des Datenbankzugriffs für 100 Milliarden Anfragen pro Tag bei PayPal
- Minimierung von Read-Write MySQL Ausfallzeiten bei Yelp
- Migration von MySQL von 5.6 auf 8.0 bei Facebook
- Migration von HBase zu MyRocks bei Quora
- Relation
- MySQL Parallel Replication (4 Teile) bei Booking.com
- Minderung von MySQL Replication Lag und Reduktion der Leselast bei Github
- Lesen Sie Konsistenz mit Datenbankreplikaten bei Shopify
- Black-Box Auditing: Verifizierung der End-to-End-Relationsintegrität zwischen MySQL und Redshift bei Yelp
- Partitionierung von Main MySQL Datenbank bei Airbnb
- Herb: Multi-DC Replication Engine für Schemaless Datastore bei Uber
- Verkleidung
- MySQL auf Pinterest teil
- MySQL bei Twilio part
- MySQL im Quadratteil
- MySQL bei Quora part
- Sharing Layer von Schemaless Datastore bei Uber
- Sharding & IDs bei Instagram
- Sharding Postgres bei Notion
- Sharding Postgres bei Figma
- Solr: Verbesserung der Performance für Batch Indexing bei Box
- Geosharded Empfehlungen (3 Teile) bei Tinder
- Skalierung von Diensten mit Shard Manager bei Facebook
- Die Distributed SQL Query Engine
- NoSQL-Datenbanken
- Datenbanken mit Schlüsselwerten
- DynamoDB bei Nike
- DynamoDB im Segment
- DynamoDB bei Mapbox
- Manhattan: Verteilte Key-Value-Datenbank auf Twitter
- Sherpa: Distributed NoSQL Key-Value Store bei Yahoo
- HaloDB: Embedded Key-Value Storage Engine bei Yahoo
- MPH: Schnelle und kompakte unveränderliche Key-Value Stores bei Indeed
- Verteilte Key-Value-Datenbank bei Linkedin
- Säulendatenbanken
- Cassandra
- Cassandra auf Instagram
- Bilder speichern in Cassandra bei Walmart
- Speichern von Nachrichten mit Cassandra bei Discord
- Cassandra Cluster bei Walmart
- Skalierung von Ad Analytics mit Cassandra bei Yelp
- Skalierung auf über 100 Millionen Lese- und Schreibvorgänge mit Spark und Cassandra bei Dream11
- Umzug von Lebensmittelfutter von Redis nach Cassandra bei Zomato
- Benchmarking Cassandra Skalierbarkeit auf AWS bei Netflix
- Service Decomposition at Scale mit Cassandra bei Intuit QuickBooks
- Cassandra für Keeping Counts in Sync bei SoundCloud
- Cassandra Fahrerkonfiguration für verbesserte Leistung und Lastausgleich bei Glassdoor
- cstar: Cassandra Orchestration Tool bei Spotify
- HBase
- Rotation
- Cassandra
- Dokumentendatenbanken
- eBay: Aufbau unternehmenskritischer Multi-Data Center-Anwendungen mit MongoDB
- MongoDB in Baidu: Multi-Tenant Cluster Speichern von über 200 Milliarden Dokumenten in 160 Scherben
- Mongo-Daten migrieren bei Addepar
- Die AWS und MongoDB Infrastruktur von Parse (übernommen von Facebook)
- Wandernde Berge von Mongo-Daten bei Addepar
- Couchbase Ecosystem bei LinkedIn
- SimpleDB bei Zendesk
- Espresso: Distributed Document Store bei LinkedIn
- Graphendatenbanken
- Datenbanken mit Schlüsselwerten
- Zeitreihendatenbanken
- Beringei: High-Performance Time Series Storage Engine auf Facebook
- MetricsDB: TimeSeries-Datenbank zum Speichern von Metriken bei Twitter
- Atlas: In-Memory Dimensional Time Series Database bei Netflix
- Held: Zeitreihendatenbank bei Spotify
- Roshi: Distributed Storage System für Zeitreihen-Event bei SoundCloud
- Goku: Zeitreihendatenbank bei Pinterest
- Skalierung der Zeitreihendatenspeicherung (2 Teile) bei Netflix
- Zeitreihendatenabstraktionsebene bei Netflix
- Druid - Real-Time Analytics Datenbank
- Verteilte Repositorys, Abhängigkeiten und Konfigurationsmanagement
- DGit: Distributed Git bei Github
- Stemma: Distributed Git Server bei Palantir
- Konfigurationsmanagement für verteilte Systeme bei Flickr
- Git Repository bei Microsoft
- Lösen Sie Git-Problem mit großen Repositorys bei Microsoft
- Single Repository bei Google
- Skalierung von Infrastruktur und (Git) Workflow bei Adyen
- Dotfiles Distribution auf Booking.com
- Geheimdetektor: Geheimnisse im Source Code bei Yelp hindern
- Software-Abhängigkeit in großem Maßstab bei LinkedIn verwalten
- Zusammenführung von Code in Hochgeschwindigkeits-Repositorien bei LinkedIn
- Dynamische Konfiguration bei Twitter
- Dynamische Konfiguration bei Mixpanel
- Dynamische Konfiguration bei GoDaddy
- Fleet Management (3 Teile) bei Spotify
- Skalierung von Continuous Integration und Continuous Delivery
- Continuous Integration Stack bei Facebook
- Kontinuierliche Integration mit verteilten Repositorien und Abhängigkeiten bei Netflix
- Continuous Integration und Deployment mit Bazel bei Dropbox
- Übernahme von Bazel für Web bei Airbnb
- Continuous Deployments bei BuzzFeed
- Screwdriver: Continuous Delivery Build System für dynamische Infrastruktur bei Yahoo
- CI/CD bei Betterment
- CI/CD bei Brainly
- Skalierung von iOS CI mit Anka bei Shopify
- Skalierung von Jira Server bei Yelp
- Auto-Skalierung des CI/CD-Clusters bei Flexport
Verfügbarkeit
Abschnitt betitelt „Verfügbarkeit“- Resilience Engineering: Lernen, Überleben zu umarmen
- Resilience Engineering mit Project Waterbear bei LinkedIn
- Resilienz gegen Verkehrsübersättigung bei iHeartRadio
- Resilienz in verteilten Systemen bei GO-JEK
- Praktisches NoSQL Resilience Design Pattern für Unternehmen bei eBay
- Resilienz gegen Katastrophen in Quora
- Resilienz bei Expedia
- Resilienz und Disaster Recovery mit Kafka bei eBay
- Disaster Recovery für Multi-Region Kafka bei Uber
- Failover
- Die Evolution von Global Traffic Routing und Failover
- Test für Disaster Recovery Failover Testing
- Entwerfen einer Microservices-Architektur für Fehler
- ELB für Automatic Failover bei GoSquared
- Eliminieren Sie die Datenbank für höhere Lebensdauer bei American Express
- Failover mit Redis Sentinel bei Vinted
- Hochverfügbare SaaS-Infrastruktur bei FreeAgent
- MySQL Hochverfügbarkeit bei GitHub
- MySQL Hochverfügbarkeit bei Eventbrite
- Business Continuity & Disaster Recovery bei Walmart
- Lastausgleich
- Einführung in das moderne Netzwerk Load Balancing und Proxying
- Top Five (Load Balancing) Skalierbarkeitsmuster
- Load Balancing Infrastruktur unterstützt mehr als 1,3 Milliarden Nutzer bei Facebook
- DHCPLB: DHCP Load Balancer auf Facebook
- Katran: Scalable Network Load Balancer auf Facebook
- Deterministischer Apertur: Ein verteilter, geladener Balancing-Algorithmus bei Twitter
- Load Balancing mit Eureka bei Netflix
- Edge Load Balancing bei Netflix
- Zuul 2: Cloud Gateway bei Netflix
- Lastausgleich bei Yelp
- Lastausgleich bei Github
- Konsequentes Hashing zur Verbesserung des Lastausgleichs bei Vimeo
- UDP Lastausgleich bei 500 Pixeln
- QALM: QoS Load Management Framework bei Uber
- Verkehrssteuerung mit Rum DNS bei LinkedIn
- Verkehrsinfrastruktur (Edge Network) bei Dropbox
- Intelligentes DNS-basiertes Load Balancing bei Dropbox
- Überwachen Sie DNS-Systeme bei Stripe
- Multi-DNS Architektur (3 Teile) am Montag
- Dynamische Anycast DNS Infrastruktur bei Hulu
- Zinsbesicherung
- Rate Limiting für die Skalierung auf Millionen von Domains bei Cloudflare
- Cloud Bouncer: Distributed Rate Limiting bei Yahoo
- Skalierung der API mit Rate Limitern bei Stripe
- Distributed Rate Limiting bei Allegro
- Ratequeue: Core Queueing-And-Rate-Limiting System bei Twilio
- Preise bei Grab
- Zinsbegrenzung bei Fig.
- Autoskalation
- Autoskalation von Pinterest
- Autoskalierung basierend auf Anfrage Schlange am Platz
- Autoscaling Jenkins bei Trivago
- Autoscaling Pub-Sub Verbraucher bei Spotify
- Autoskalierung von Bigtable-Clustern Basis auf CPU-Last bei Spotify
- Automatisierung von AWS Step Functions Aktivitäten bei Yelp
- Scryer: Predictive Auto Scaling Engine bei Netflix
- Bouncer: Einfache AWS Auto Scaling Rollover bei Palantir
- Clusterman: Autoscaling Mesos Cluster bei Yelp
- Verfügbarkeit in global verteilten Speichersystemen bei Google
- NodeJS hohe Verfügbarkeit bei Yahoo
- Operations (11 Teile) bei LinkedIn
- Monitoringpotenzial hohe Lebensdauer für LinkedIn Feed
- Global Events auf Facebook unterstützen
- Hohe Lebensdauer bei BlaBlaCar
- Hohe Verfügbarkeit bei Netflix
- Hochverfügbare Cloud-Infrastruktur bei Twilio
- Hohe Verfügbarkeit mit verteilter DB auf Kubernetes bei Airbnb
- Automatisierung des Datacenter-Betriebs bei Dropbox
- Spielerkonten bei Riot Games globalisieren
Stabilität
Abschnitt betitelt „Stabilität“- Leistungsschalter
- Circuit Breaking in verteilten Systemen
- Leistungsschalter zum Skalieren von Containern
- Lektionen in Resilienz bei SoundCloud
- Protektor: Circuit Breaker für Zeitreihendatenbanken bei Trivago
- Verbesserte Produktionsstabilität mit Leistungsschaltern bei Heroku
- Leistungsschalter bei Zendesk
- Leistungsschalter bei Traveloka
- Leistungsschalter bei Shopify
- Timeouts
- Crashsichere Replikation für MySQL bei Booking.com
- Bulkheads: Partition und Tolerate Failure in einem Teil
- Steady State: Immer Logs auf separater Festplatte
- Throttling: A Steady Pace beibehalten
- Multi-Clustering: Verbesserung der Widerstandsfähigkeit und Stabilität eines großen monolithischen API-Service bei LinkedIn
- Determinismus (4 Teile) im League of Legends Server
Leistung
Abschnitt betitelt „Leistung“- Performance-Optimierung unter Betriebssystem, Storage, Datenbank, Netzwerk
- Performance verbessern mit Background Data Prefetching bei Instagram
- Beheben von Linux-Dateisystem-Performance-Regressionen bei LinkedIn
- Kompressionstechniken zur Lösung von Netzwerk-I/O-Engpässen bei eBay
- Optimierung von Webservern für hohe Durchsatz und niedrige Latenz bei Dropbox
- Linux Performance Analyse in 60.000 Millisekunden bei Netflix
- Live Downsizing Google Cloud Persistent Disks (PD-SSD) bei Mixpanel
- Reduktion der RAM-Nutzung um 40% Mit Jemalloc mit Python & Sellerie bei Zapier
- Reduzieren von Memory Footprint bei Slack
- Kontinuierliche Belastungsprüfung bei Slack
- Leistungssteigerungen bei Pinterest
- Server Side Rendering bei Wix
- 30x Leistungsverbesserungen auf MySQLStreamer bei Yelp
- APIs bei Netflix optimieren
- Performance Monitoring mit Riemann und Clojure bei Walmart
- Performance Tracking Dashboard für Live Games bei Zynga
- Optimierung von CAL Report Hadoop MapReduce Jobs bei eBay
- Performance Tuning auf Quarz Scheduler bei eBay
- Profiling C++ (Teil 1: Optimierung, Teil 2: Messung und Analyse) bei Riot Games
- Profiling React Serverseitiges Rendering bei HomeAway
- Hardware-basierte Videotranscodierung bei Dailymotion
- Cross-Sharing-Transaktionen bei 10 Millionen RPS bei Dropbox
- API Profiling bei Pinterest
- Pagelets Parallelisieren Serverseitige Verarbeitung bei Yelp
- Verbesserung des Schlüsselablaufs in Redis bei Twitter
- Ad Delivery Network Performance Optimierung mit Flame Graphs bei MindGeek
- Predictive CPU Isolation von Containern bei Netflix
- Verbesserung der HDFS I/O-Nutzung für Effizienz bei Uber
- Cloud Jewels: Schätzung von kWh in der Cloud bei Etsy
- Entdrosselt: Behebung von CPU-Grenzwerten in der Cloud (2 Teile) bei Indeed
- Performance Optimierung durch Tuning Garbage Collection
- Müllsammlung in Java-Anwendungen bei LinkedIn
- Müllsammlung in High-Throughput, Low-Latency Machine Learning Services bei Adobe
- Müllsammlung in Redux-Anwendungen bei SoundCloud
- Müllsammlung in Go Anwendung bei Twitch
- Analyse von V8 Garbage Collection Logs bei Alibaba
- Python Garbage Collection für 50% Speicherwachstum pro Anfrage bei Instagram
- Leistungsauswirkungen des Entfernens von Band Garbage Collector (OOBGC) bei Github
- Debugging Java Memory Leaks bei Allegro
- JVM bei Alibaba optimieren
- Tuning von JVM-Speicher für große Dienste bei Uber
- Solr Performance Tuning bei Walmart
- Memory Tuning eines High Throughput Microservice bei Flipkart
- Leistungsoptimierung bei Bild, Video, Seitenladung
- Optimierung von 360 Fotos in großem Maßstab bei Facebook
- Reduzieren der Größe von Bilddateien in der Fotoinfrastruktur bei Etsy
- Verbesserung der GIF-Leistung bei Pinterest
- Optimierung der Videowiedergabeleistung bei Pinterest
- Optimieren des Videostreams für geringe Bandbreite mit dynamischem Optimizer bei Netflix
- Adaptives Video-Streaming auf YouTube
- Reduzierung der Videoladezeit bei Dailymotion
- Verbesserung der Homepage Performance bei Zillow
- Der Optimierungsprozess für die Kundenleistung bei Expedia
- Web Performance bei BBC
- Leistungsoptimierung durch Brotli Compression
- Leistungsoptimierung bei Sprachen und Frameworks
- Python bei Netflix
- Python im Maßstab (3 Teile) bei Instagram
- OCaml Best Practices (2 Teile) bei Issuu
- PHP bei Slack
- Gehen Sie nach Trivago
- TypeScript bei Etsy
- Kotlin für Zähmung Zustand bei Etsy
- Kotlin bei DoorDash
- BPF und Go at Bumble
- Ruby on Rails bei GitLab
- Rust in Produktion bei Figma
- Auswahl eines Language Stack bei WeWork
- Wechsel von Go zu Rust bei Discord
- ASP.NET Core Performance Optimierung bei Agoda
- Data Race Patterns in Go bei Uber
- Java 21 Virtual Threads bei Netflix
Intelligenz
Abschnitt betitelt „Intelligenz“- Big Data
- Datenplattform bei Uber
- Datenplattform bei BMW
- Datenplattform bei Netflix
- Datenplattform bei Flipkart
- Datenplattform bei Coupang
- Datenplattform bei DoorDash
- Datenplattform bei Khan Academy
- Dateninfrastruktur bei Airbnb
- Dateninfrastruktur bei LinkedIn
- Dateninfrastruktur bei GO-JEK
- Data Ingestion Infrastructure bei Pinterest
- Data Analytics Architektur bei Pinterest
- Data Orchestration Service bei Spotify
- Big Data Processing (2 Teile) bei Spotify
- Big Data Processing bei Uber
- Analytics Pipeline bei Lyft
- Analytics Pipeline bei Grammarly
- Analytics Pipeline bei Teads
- ML-Datenpipelines zur Betrugsprävention bei PayPal
- Big Data Analytics und ML-Techniken bei LinkedIn
- Self-Serve Reporting Plattform auf Hadoop bei LinkedIn
- Privacy-Preserving Analytics und Reporting bei LinkedIn
- Analytics Plattform für Tracking Item Availability bei Walmart
- Real-Time Analytics für Mobile App-Abstürze mit Apache Pinot bei Uber
- HALO: Hardware Analytics und Lifecycle Optimierung bei Facebook
- RBEA: Echtzeit-Analyseplattform bei King
- AresDB: GPU-Powered Real-Time Analytics Engine bei Uber
- AthenaX: Streaming Analytics Plattform bei Uber
- Jupiter: Config Driven Adtech Batch Ingest Plattform bei Uber
- Delta: Plattform für Datensynchronisation und -anreicherung bei Netflix
- Keystone: Echtzeit-Stream-Verarbeitungsplattform bei Netflix
- Databook: Big Data mit Metadaten bei Uber in Wissen transform
- Amundsen: Data Discovery & Metadata Engine bei Lyft
- Labyrinth: Funnel Visualisierungsplattform bei Uber
- Metacat: Big Data auffindbar und sinnvoll bei Netflix
- SpinalTap: Change Data Capture System bei Airbnb
- Accelerator: Fast Data Processing Framework bei eBay
- Omid: Transaktionsverarbeitungsplattform bei Yahoo
- TensorFlowOnSpark: Verteiltes Deep Learning über Big Data Cluster bei Yahoo
- CaffeOnSpark: Verteiltes Deep Learning über Big Data Cluster bei Yahoo
- Spark on Scala: Analytics Reference Architecture bei Adobe
- Experimentierplattform (2 Teile) bei Spotify
- Experimentierplattform bei Airbnb
- Smarte Produktplattform bei Zalando
- Log Analysis Platform bei LINE
- Datenvisualisierungsplattform bei Myntra
- Erstellen und Skalieren von Datenlinien bei Netflix
- Aufbau eines skalierbaren Datenmanagements für Computer Vision-Aufgaben bei Pinterest
- Strukturierte Daten bei Etsy
- Skalierung einer ausgereiften Datenpipeline — Verwaltung des Overhead bei Airbnb
- Spark Partitioning Strategien bei Airbnb
- Skalierung des Hadoop Distributed File Systems bei LinkedIn
- Scaling Hadoop YARN Cluster über 10.000 Knoten bei LinkedIn
- Skalierung von Big Data Access Controls bei Pinterest
- Verteiltes maschinelles Lernen
- Machine Learning Plattform bei Yelp
- Machine Learning Plattform bei Etsy
- Machine Learning Plattform bei Zalando
- Skalierung der AI/ML-Infrastruktur bei Uber
- Empfehlungssystem bei Lyft
- Reinforcement Learning Plattform bei Lyft
- Plattform für Serving Recommendations bei Etsy
- Infrastruktur zum Ausführen von Nutzerprognosen bei Spotify
- Aroma: Mit ML für Code-Empfehlung bei Facebook
- Flyte: Cloud Native Machine Learning und Datenverarbeitungsplattform bei Lyft
- LyftLearn: ML Model Training Infrastructure auf Basis von Kubernetes bei Lyft
- Horovod: Open Source Distributed Deep Learning Framework für TensorFlow bei Uber
- Genie: Gen AI On-Call Copilot bei Uber
- COTA: Verbesserung der Kundenbetreuung mit NLP & Machine Learning bei Uber
- Manifold: Model-Agnostic Visual Debugging Tool für Machine Learning bei Uber
- Repo-Topix: Topic Extraction Framework bei Github
- Concourse: Generierung personaler Inhaltsbenachrichtigungen in Echtzeit bei LinkedIn
- Altus Care: Anwendung eines Chatbots auf Platform Engineering bei eBay
- PyKrylov: Beschleunigung der maschinellen Lernforschung bei eBay
- Box Graph: Spontanes soziales Netzwerk bei Box
- PricingNet: Preismodellierung mit neuronalen Netzwerken bei Skyscanner
- PinText: Multitask Text Embedding System bei Pinterest
- SearchSage: Learning Search Query Vertretungen bei Pinterest
- Cannes: ML spart $ 1,7 Millionen pro Jahr bei Dokumentenvorschau bei Dropbox
- Skalierung Gradient Boosted Trees für Click-Through-Rate-Vorhersage bei Yelp
- Lernen mit Privatsphäre im Maßstab von Apple
- Deep Learning für das Image Classification Experiment bei Mercari
- Deep Learning für Frame Detection in Product Images bei Allegro
- Inhaltsbasierte Video Relevanz Vorhersage bei Hulu
- Moderation unangemessener Videoinhalte bei Yelp
- Verbesserung der Fotoauswahl mit Deep Learning bei TripAdvisor
- Personalisierte Empfehlungen für Erlebnisse mit Deep Learning bei TripAdvisor
- Personalisierte Empfehlungssysteme bei BBC
- Machine Learning (2 Teile) bei Condé Nast
- Natural Language Processing und Content Analysis (2 Teile) bei Condé Nast
- Mapping the World of Music Using Machine Learning (2 Teile) bei iHeartRadio
- Machine Learning verbessert die Streaming-Qualität bei Netflix
- Machine Learning passt Fahrer und Fahrer bei GO-JEK
- Verbesserung von Video-Thumbnails mit Deep Neural Nets bei YouTube
- Quantile Regression für pünktliche Lieferung bei Instacart
- Sprachübergreifende End-to-End-Produktsuche mit Deep Learning bei Zalando
- Machine Learning in der Jane Street
- Machine Learning für Ranking-Antworten Ende-zu-Ende bei Quora
- Ranking-Plattform auf Booking.com
- Cluster Ähnliche Geschichten Mit LDA bei Flipboard
- Ähnlichkeitssuche bei Flickr
- Große Machine Learning Pipeline für Jobempfehlungen bei Indeed
- Deep Learning vom Prototyp bis zur Produktion bei Taboola
- Atom Smashing mit Machine Learning am CERN
- Mapping Tags bei Medium
- Clustering mit Dirichlet-Prozessmischungsmodell in Scala bei Monsanto
- Map Pins mit DBSCAN & Random Forests bei Foursquare
- Prognose bei Uber
- Finanzprognose bei Uber
- ML mit Workflows bei Twitter produzieren
- GUI Testing Powered by Deep Learning bei eBay
- Skalierung von Machine Learning, um Fahrrouten bei Pivotal zu empfehlen
- Echtzeit-Vorhersagen bei DoorDash
- Machine Learning für die Indexierung von Text aus Milliarden von Bildern bei Dropbox
- Modellierung von User Journeys über semantische Einbettungen bei Etsy
- Automatisierte Fake Account Erkennung bei LinkedIn
- Building Knowledge Graph bei Airbnb
- Core Modeling bei Instagram
- Neural Architecture Search (NAS) für Prohibited Item Detection bei Mercari
- Computer Vision bei Airbnb
- 3D Home Backend Algorithmen bei Zillow
- Langfristige Prognosen bei Lyft
- Entdecken Sie beliebte Gerichte mit Deep Learning bei Yelp
- SplitNet-Architektur für Ad Candidate Ranking bei Twitter
- Jobs filtern bei Indeed
- Architektur Restaurant Wartezeit Vorhersagen bei Yelp
- Musik Personalisierung bei Spotify
- Deep Learning für Domain Name Valuation bei GoDaddy
- Ähnlichkeit Clustering zu fangen Betrug Ringe bei Stripe
- Personalisierte Suche bei Etsy
- ML Feature dient der Infrastruktur bei Lyft
- Kontextspezifisches Ausschreibungssystem bei Etsy
- Moderation von Werbe-Spam und unangemessenen Inhalten in Fotos im Maßstab von Yelp
- Optimierung von Zahlungen mit Machine Learning bei Dropbox
- Skalierung von Media Machine Learning bei Netflix
- Ähnlichkeitsmaschine bei eBay
- Machine Learning in Content Moderation bei Etsy
Architektur
Abschnitt betitelt „Architektur“- Tech Stack bei Medium
- Tech Stack bei Shopify
- Building Services (4 Teile) bei Airbnb
- Architektur von Evernote
- Architektur des Chat-Service (3 Teile) bei Riot Games
- Architektur von League of Legends Client Update
- Architektur der Werbeplattform bei Twitter
- Architektur von API Gateway bei Uber
- Architektur von API Gateway bei Tinder
- Grundlegende Architektur von Slack
- Leichte verteilte Architektur, um Tausende von Bibliotheksveröffentlichungen bei eBay zu behandeln
- Backend bei LinkedIn
- Backend bei Flickr
- Infrastruktur (3 Teile) bei Zendesk
- Cloud-Infrastruktur bei Grubhub
- Echtzeit-Präsenzplattform bei LinkedIn
- Settings Plattform bei LinkedIn
- Nearline System für Skalierung und Leistung (2 Teile) bei Glassdoor
- Echtzeit User Action Counting System für Anzeigen bei Pinterest
- API-Plattform bei Riot Games
- Spieleplattform bei der New York Times
- Kabootar: Kommunikationsplattform bei Swiggy
- Simone: Distributed Simulation Service bei Netflix
- Möwe: Verteiltes System, das hilft, > 20 Millionen Tests pro Tag bei Yelp verarbeitet
- PriceAggregator: Intelligentes System für Hotel Price Fetching (3 Teile) bei Agoda
- Phoenix: Testplattform (3 Teile) bei Tinder
- Hexagonale Architektur bei Netflix
- Architektur der Sticker Services bei LINE
- Stack Overflow Enterprise bei Palantir
- Architektur der folgenden Feed, Interesse Feed und für Sie bei Pinterest ausgewählt
- API Spezifikation Workflow bei WeWork
- Mediendatenbank bei Netflix
- Mitglied Transaktion Geschichte Architektur bei Walmart
- Sync Engine (2 Teile) bei Dropbox
- Ads Pacing Service bei Twitter
- Rapid Event Notification System bei Netflix
- Architekturen von Finanz-, Bank- und Zahlungssystemen
- Bank Backend bei Monzo
- Handelsplattform für Scale bei Wealthsimple
- Kernbankensystem bei der Margo Bank
- Architektur von Nubank
- Tech Stack bei TransferWise
- Tech Stack bei Addepar
- Vermeidung von Doppelzahlungen in einem verteilten Zahlungssystem bei Airbnb
- Skalierung von Zahlungen (3 Teile) bei Etsy
- Verwaltet täglich Millionen digitaler Transaktionen bei Paytm
- Abrechnungs- und Zahlungsplattform bei Grammarly
Interview
Abschnitt betitelt „Interview“- Entry von Großsystemen
- Mein Scaling-Held - Jeff Atwood (eine Dosis Endorphin vor Ihrem Interview, JK)
- Software-Engineering-Beratung vom Bau große verteilter Systeme — Jeff Dean
- Einführung in Architektursysteme für Maßstab
- Anatomie eines System Design Interviews
- 8 Dinge, die Sie vor einem Systemdesign-Interview wissen müssen
- Top 10 System Design Interview Fragen
- Top 10 Common Large-Scale Software Architekturmuster in einer Nussschale
- Cloud Big Data Design Muster von Lynn Langit
- Wie gestaltet man Netflix NICHT in Ihrem 45-minütigen Systemdesign-Interview?
- API Best Practices: Webhooks, Deprecation und Design
- Erläuterung von Low-Level-Systemen (OS, Netzwerk/Protokoll, Datenbank, Storage)
- “Was passiert wann … und wie” Fragen
Organisation
Abschnitt betitelt „Organisation“- Engineering Levels bei SoundCloud
- Ingenieurrollen bei Palantir
- Engineering Karriere Framework bei Dropbox
- Scaling Engineering Teams bei Twitter
- Skalierung der Entscheidungsfindung in allen Teams bei LinkedIn
- Scaling Data Science Team bei GOJEK
- Skalierung von Agile bei Zalando
- Agil skalieren bei bol.com
- Lehren aus der Skalierung eines Produktteams bei Intercom
- Einstellung, Verwaltung und Skalierung von Engineering-Teams bei Typeform
- Skalierung des Datagram-Teams bei Instagram
- Skalierung des Designteams bei Flexport
- Teammodell zur Skalierung eines Designsystems bei Salesforce
- Building Analytics Team (4 Teile) bei Wish
- Von 2 Gründern zu 1000 Mitarbeitern bei Transferwise
- Wachsendes UX-Team von 10 auf 170 bei Adobe
- Fünf Lektionen aus der Skalierung bei Pinterest
- Anflugtechnik bei Vinted
- Verwendung von Metriken, um den Entwicklungsprozess zu verbessern (und Menschen zu coachen)
- Fehler zu vermeiden, während Sie ein internes Produkt bei Skyscanner erstellen
- RACI (Responsible, Accountable, Consulted, Informed) bei Etsy
- Vier Säulen führender Mensch bei Zalando
- Pair Programming bei Shopify
- Verteilte Verantwortung bei Asana
- Rotierende Ingenieure bei Zalando
- Experiment Idea Review bei Pinterest
- Tech Migration bei Spotify
- Code Ownership bei Yelp verbessern
- Agile Code Base bei eBay
- Agile Data Engineering bei Miro
- Automatisiertes Incident Management durch Slack bei Airbnb
- Refactor Organisation bei BBC
- Code Review
Gespräch
Abschnitt betitelt „Gespräch“- Distributed Systems in einer Lektion - Tim Berglund, Senior Director Developer Experience bei Confluent
- Aufbau einer Echtzeit-Infrastruktur bei Facebook - Jeff Barber und Shie Erlich, Software Engineer bei Facebook
- Aufbau einer zuverlässigen sozialen Infrastruktur für Google - Marc Alvidrez, Senior Manager bei Google
- Aufbau eines verteilten Build-Systems auf Google-Skala - Aysylu Greenberg, SDE bei Google
- Site Reliability Engineering bei Dropbox - Tammy Butow, Site Reliability Engineering Manager bei Dropbox
- Wie Google Planet-Scale für Planet-Scale Infra macht - Melissa Binde, SRE Director für Google Cloud Platform
- Netflix Guide to Microservices - Josh Evans, Director of Operations Engineering bei Netflix
- Schnelle Reaktionszeiten bei großen Online-Diensten - Jeff Dean, Google Senior Fellow
- Architektur behandelt 80K RPS Celebrity Sales bei Shopify - Simon Eskildsen, Engineering Lead bei Shopify
- Lessons of Scale bei Facebook - Bobby Johnson, Director of Engineering bei Facebook
- Performance-Optimierung für den Großraum China bei Salesforce - Jeff Cheng, Enterprise Architect bei Salesforce
- Wie GIPHY ein GIF an 300 Millionen Nutzer liefert - Alex Hoang und Nima Khoshini, Services Engineers bei GIPHY
- High Performance Packet Processing Platform bei Alibaba - Haiyong Wang, Senior Director bei Alibaba
- Lösung von Problemen mit großen Rechenzentren und Cloud-Verbindungen - Ihab Tarazi, CTO bei Equinix
- Scaling Dropbox — Kevin Modzelewski, Backend-Ingenieur bei Dropbox
- Skalierung mit Leistung bei Facebook - Bill Jia, VP Infrastruktur bei Facebook
- Skalierung von Live-Videos auf einer Milliarde Nutzer bei Facebook - Sachin Kulkarni, Director Engineering bei Facebook
- Skalierung der Infrastruktur bei Instagram - Lisa Guo, Instagram Engineering
- Skalierung der Infrastruktur bei Twitter - Yao Yue, Software-Ingenieur bei Twitter
- Skalierung der Infrastruktur bei Etsy — Bethany Macri, Engineering Manager bei Etsy
- Skalierung der Echtzeit-Infrastruktur bei Alibaba für globale Shopping-Urlaub - Xiaowei Jiang, Senior Director bei Alibaba
- Skalierung der Dateninfrastruktur bei Spotify - Matti (Lepistö) Pehrs, Spotify
- Scaling Pinterest - Marty Weiner, Gründungsingenieur von Pinterest
- Scaling Slack - Bing Wei, Software Engineer (Infrastruktur) bei Slack
- Skalierung Backend bei Youtube - Sugu Sougoumarane, SDE bei Youtube
- Scaling Backend bei Uber - Matt Ranney, Chief Systems Architect bei Uber
- Scaling Global CDN bei Netflix - Dave Temkin, Director of Global Networks bei Netflix
- Skalierung von Load Balancing Infra zur Unterstützung von 1,3 Milliarden Nutzern bei Facebook - Patrick Shuff, Produktionsingenieur bei Facebook
- Skalierung (eine NSFW-Site) auf 200 Millionen Views pro Tag und darüber hinaus - Eric Pickup, Lead Platform Developer bei MindGeek
- Scaling Counting Infrastructure bei Quora — Chun-Ho Hung und Nikhil Gar, SEs bei Quora
- Skalierung von Git bei Microsoft - Saeed Noursalehi, Hauptprogrammmanager bei Microsoft
- Skalierung der Multitenant-Architektur in mehreren Rechenzentren bei Shopify - Weingarten, Engineering Lead bei Shopify
Ein Stück Kuchen
Abschnitt betitelt „Ein Stück Kuchen“Rosen sind rot. Veilchen sind blau. Binh Mag süß. Handle Binh ein Tiramisu? :Kuchen:
HagiCode
HagiCode ist ein agentischer Coding-Arbeitsplatz. Vielseitige, komfortable Interaktionen in der Benutzeroberfläche machen Planung, Agent-Ausführung und Projektarbeit zugänglich und leicht nachvollziehbar – für ein ansprechendes Entwicklungserlebnis.
Entdecken Sie ein ansprechendes Entwicklungserlebnis mit vielseitigen, komfortablen Interaktionen in der Benutzeroberfläche.
- IntelligentOpenSpec-Workflows machen aus einer Absicht einen umsetzbaren Weg vom Vorschlag über Design und Aufgaben bis zur Auslieferung.
- EffizientMulti-Agent-Ausführung führt Recherche, Umsetzung und Prüfung parallel aus, über mehrere Repositories und die Agent CLIs, die Sie bereits nutzen.
- InteressantVielseitige, komfortable Interaktionen in der Benutzeroberfläche machen Planung, Agent-Ausführung und Projektarbeit zugänglich und leicht nachvollziehbar.
Für Windows herunterladen
HagiCode teilen
Aus Ideen wird ausgelieferte Software.
HagiCode ist ein agentischer Coding-Arbeitsplatz: OpenSpec-Workflows planen die Änderung, Multi-Agent-Ausführung setzt sie um, und Hero Scenario macht den langen Weg sichtbar, bis aus der Idee ausgelieferte Software wird.
- Intelligent
- OpenSpec-Workflows machen aus einer Absicht einen Weg vom Vorschlag bis zur Auslieferung.
- Effizient
- Multi-Agent-Ausführung treibt Recherche, Umsetzung und Prüfung parallel voran.
- Unterhaltsam
- UI-Interaktionen erleichtern Planung, Agent-Ausführung und Projektarbeit.
© 2026 HagiCode | Powered By hagilight-starlight@0.21.0 | Branch: main | Commit: 745b50b | Built: