Scalability
Source: https://github.com/binhnguyennus/awesome-scalability at
c9ca9f248d4d
License: MIT
Read the English original
This edition is an AI-assisted translation.
Une liste de lecture actualisée et organisée pour illustrer les modèles de systèmes à grande échelle évolutifs, fiables et performants. Les concepts sont expliqués dans les articles d’ingénieurs éminents et de références crédibles. Des études de cas sont tirées de systèmes éprouvés au combat qui servent des millions à des milliards d’utilisateurs.
Si votre système est lent
Section intitulée « Si votre système est lent »Comprendre vos problèmes : problème d’évolutivité (rapide pour un seul utilisateur mais lente sous charge lourde) ou problème de performance (faible pour un seul utilisateur) en examinant certains Principes de conception et vérifier comment scalabilité et performances les problèmes sont résolus dans les entreprises technologiques. La section de l ’ information sont créés pour ceux qui travaillent avec les données et l’apprentissage automatique à grande échelle (données) et à grande échelle (apprentissage).
Si votre système tombe en panne
Section intitulée « Si votre système tombe en panne »“Même si vous perdez tout un jour, vous pouvez construire tout à nouveau si vous gardez votre calme!” - Thuan Pham, ancien CTO d’Uber. Alors, restez calme et gardez l’esprit disponibilité et stabilité Ça compte !
Si vous avez un entretien de conception du système
Section intitulée « Si vous avez un entretien de conception du système »Regardez-en. Notes d’entretien et architectures du monde réel avec diagrammes complets pour obtenir une vue complète avant de concevoir votre système sur le tableau blanc. Vous pouvez vérifier Conférences d’ingénieurs de géants technologiques pour savoir comment ils construisent, mettent à l’échelle et optimisent leurs systèmes. Bonne chance !
Si vous construisez votre équipe de rêve
Section intitulée « Si vous construisez votre équipe de rêve »L’objectif de l’équipe d’échelle n’augmente pas la taille de l’équipe, mais augmente la production et la valeur de l’équipe. Vous pouvez découvrir comment les entreprises technologiques atteignent cet objectif dans divers aspects: l’embauche, la gestion, l’organisation, la culture et la communication dans le organisation Chapitre.
Pouvoir communautaire
Section intitulée « Pouvoir communautaire »Les contributions sont les bienvenues! Vous voudrez peut-être jeter un oeil à la lignes directes concernant les contributions. Si vous voyez ici un lien qui n’est plus entretenu ou qui n’est pas un bon ajustement, veuillez soumettre une demande de tirage!
De longues heures de travail ont été consacrées à ce projet. Si vous le trouvez utile, s’il vous plaît partager sur Facebook, sur Twitter, sur Weibo, ou sur vos groupes de discussion! La connaissance est le pouvoir, la connaissance partagée est le pouvoir multiplié. Je vous remercie !
- Principe
- Échelle
- Disponibilité
- Stabilité
- Remboursement
- Enseignements
- Architecture
- Entretien
- Organisation
- Parle
- Livre
Principe
Section intitulée « Principe »- Leçons de Giant-Scale Services - Eric Brewer, UC Berkeley & Google
- Conceptions, leçons et conseils de la construction de grands systèmes distribués - Jeff Dean, Google
- Comment concevoir une bonne API & Pourquoi ça compte - Joshua Bloch, CMU & Google
- Sur l’efficacité, la fiabilité, l’école - James Hamilton, vice-président chez AWS
- Principes du Chaos Ingénierie
- Trouver l’ordre dans le chaos
- L’application des doublesfacteurs
- Architecture propre
- Haute cohésion et faible couplage
- Monolithes et Microservices
- Théorème de la PAC et compromis
- Bases de données du CP et bases de données du PA
- Scalabilité entre apatride et apatride
- Échelle versus échelle vers le haut: Coûts cachés
- ACIDE ET BASE
- Blocage/non-blocage et sync/Async
- Performance et scalabilité des bases de données
- Niveau d’isolement et effet de la base de données sur la performance et l’évolution
- La probabilité de perte de données dans les grands groupes
- Accès aux données pour des solutions très évolutives : utilisation de SQL, NoSQL et de Polyglot Persistance
- SQL vs NoSQL
- SQL vs NoSQL - Leçon informer chez Salesforce
- Bases de données noSQL : Enquête et orientation des décisions
- Commentaire fonctionnel le rebourrage
- Constante
- Hashing constant : compromis algorithmes
- Ne sois pas trompé par le Hashing Trick
- Hashing uniforme à Netflix
- Finalement cohérent - Werner Vogels, CTO chez Amazon
- Cache est roi
- Anti-cache
- Comprendre la latence
- Nombres de latences que chaque programmeur doit connaître
- Calcul de la disponibilité du service
- Problèmes d’architecture lors de l’expansion des applications Web: goulots d’étrangement, Base de données, CPU, IO
- Goulets d’étrangement fréquents
- La vie au-delà des transactions distribuées
- S’appuyer sur le logiciel pour réorganiser le trafic de manipulation fiable sur différents calques
- Briser les choix sur le but
- Éviter la suringénierie
- Scalabilité Les pires pratiques
- Utilisez les technologies solides - Don=t Réinventer la roule - Gardez-la simple!
- Simplicité en distribuant la complexité
- Pourquoi sur-réutiliser est mauvais
- La performance est une caractéristique
- Faire de la performance une partie de votre flux de travail
- Les avantages du rendu côté serveur sur le rendu côté client
- Automate et CV: Leçons sur Facebook
- AWS fait et ne fait pas
- (UI) La conception n’a pas d’échelle - Stanley Wood, directeur du design chez Spotify
- Exécution Linux
- Bâtir des applications Web rapides et résilientes - Ilya Grigorik
- Accepter les défillances partielles, faire la perte de service
- Conception pour la résilience
- Conception pour l’auto-guérison
- Design pour l’écaillage
- Conception pour Evolution
- Apprendre des erreurs
- Microservices et Orchestre
- Architecture de microservice orientée domaine à Uber
- Architecture de services (3 parties : Portes d’entrée de domaine, Services à valeur ajoutée, BFF) chez SoundCloud
- Conteneur (8 pièces) aux Jeux de Riot
- Conteneurisation chez Pinterest
- Evolution de l’utilisation du contenu à Netflix
- Dockerizing MySQL à Uber
- Test de Microservices chez Spotify
- Docker en production à Treehouse
- Microservice chez SoundCloud
- Exploiter les Kubernetes de manier fiable à Stripe
- Trafic croisé miroir avec Istio à Trivago
- Agrarian-Scale Kubernetes (3 parties) au New York Times
- Nanoservices à la BBC
- PowerfulSeal: Outil de test pour les grappes Kubernetes à Bloomberg
- Chef d’orchestre : Microservices Orchestrator chez Netflix
- Docker Conteneurs qui alimentent plus de 100.000 Boutiques en ligne chez Shopify
- Architecture microservice à moyenne distance
- Du métal nu aux Kubernetes chez Betabrand
- Kubernetes chez Tinder
- Kubernetes à Quora
- Kubernetes Plateforme sur Pinterest
- Microservices à Nubank
- Gestion des transactions de paiement en Microservices chez Mercari
- Service Mesh à Snap
- GRIT: Protocole pour les transactions distribuées entre microservices sur eBay
- Rubix: Kubernetes à Palantir
- CRISP: Analyse des chemins critiques pour les architectures de microservices à Uber
- Cadrage distribué
- EVCache: Cache en mémoire distribuée à Netflix
- Infrastructure EVCache Cache Warmer à Netflix
- Memsniff: Robust Memcache Trafic Analyseur à la boîte
- Cache avec hashing constant et cache flottant à Etsy
- Analyse du cache photo sur Facebook
- Exercice d’efficacité de cache sur Facebook
- tCache: Caching Java évolutive pour les données à Trivago
- Pycache : Cache en cours de traitement à Quora
- Réduire l’utilisation de la mémoire memcache de 50% chez Trivago
- Cacher les appels de service interne à Yelp
- Estimation de l’efficacité du cache à l’aide de Big Data chez Allegro
- Cache distribuée à Zalando
- Cache distribuée pour S3 chez ClickHouse
- Cacher les données de l’application de RAM à SSD à NetFlix
- Échanges de Cache en double avec Skyscanner
- Emplacement Cache avec Quadtrees à Yext
- Cache de métadonnées vidéo à Vimeo
- Scaling Redis sur Twitter
- Scaling Job Queue avec Redis chez Slack
- Déplacement des données persistantes de Redis à Github
- Stocker des centaines de millions de paires simples de valeurs clés dans Redis sur Instagram
- Redis à Trivago
- Optimisation du stockage Redis chez Deliveroo
- Optimisation de la mémoire à Redis chez Wattpad
- Redis Flotte à Heroku
- Résoudre le cache de construction à distance manquant (2 pièces) à SoundCloud
- Évaluations et critiques (2 parties) chez Flipkart
- Préfetch cache des articles sur eBay
- Bibliothèque de cache trans-Région à Wix
- Améliorer la performance et l’efficacité du cache distribué chez Pinterest
- Normaliser et améliorer les microservices Cache à DoorDash
- Cachement HTTP et CDN
- Zynga Geo Proxy : produire la latence des jeux mobiles chez Zynga
- Google AMP chez Condé Nast
- Essai A/B sur l’infrastructure d’hébergement à Deliveroo
- HAProxy avec Kubernetes pour le trafic orienté vers l’utiliseur à SoundCloud
- Bandaid: Service Proxy à Dropbox
- Travailleurs des services à Slack
- Services CDN à Spotify
- Verrouillage distribué
- Suivi, répétition et mesure distribués
- Zipkin: Traçage des systèmes distribués sur Twitter
- Améliorer les traces de Zipkin en utilisant Kubernetes Pod Métadonnées à SoundCloud
- Canopy: Traçage et analyse distribués à échelle sur Facebook
- Pintrace : Traçage distribué chez Pinterest
- XCMetrics: Outil tout-en-un pour suivre les mesures de construction de Xcode à Spotify
- Traçage distribué en temps réel à LinkedIn
- Infrastructure de service de suivi à l’église de Shopify
- Traçage distribué à HelloFresh
- Analyse des données de trace distribuées sur Pinterest
- Traçage distribué à Uber
- Profiler JVM: Traçage des applications JVM distribuées chez Uber
- Vérification des données à Dropbox
- Traçage des systèmes distribués à Showmax
- osquery across the Enterprise à Palantir
- Statistiques à Etsy
- Calculateur distribué
- Calendrier distribué des tâches (3 parties) à PagerDuty
- Bâtir Cron chez Google
- Architecture de Cron distribuée à Quora
- Chronos : un remplacement pour Cron à Airbnb
- Planificateur à Nextdoor
- Peloton : Planificateur unifié des ressources pour divers charges de travail en faute à Uber
- Fenzo : planificateur OSS pour les cadres Mesos Apache chez Netflix
- Flux d’air - Orchestration de flux de travail
- Débit d’air à Airbnb
- Débit d’air à Adyen
- Débit d’air à Pandora
- Débit d’air à Robinhood
- Débit d’air à Lyft
- Débit d’air à Drivy
- Débit d’air à Grab
- Flux d’air à Adobe
- Vérification de l’exécution des tâches liées au débit d’air à Walmart
- MaaT : Programmeur de tâches distribuées basé sur le DAG à Alibaba
- Bouche limite: Débits d’air déclarés à Etsy
- Surveillance et alerte distribuée
- Licorne: Système d’essais sur eBay
- M3: Metrics et Monitoring Platform à Uber
- Athena : Système automatisé de gestion de la santé à Dropbox
- Vortex: Surveillance des applications serveur à Dropbox
- Nuage: Cloud Management Service sur LinkedIn
- Témoin: Surveillance de l’application à Netflix
- Trois Yee: Plateforme de suivi sur LinkedIn
- Periskop: Service de surveillance des exceptions à SoundCloud
- Securitybot: Bot d’alerte distribué à Dropbox
- Système de surveillance à Alibaba
- Surveillance de l’utilisateur réel à Dailymotion
- Écosystèmes d’alerte à Uber
- Cadre d’alerte à Airbnb
- Alerte sur les objectifs de niveau de service (ALS) à SoundCloud
- Prévision de l’emploi pour la détection des anomalies à Uber
- Système de surveillance et d’alerte utilisant Graphite et Cabot à HackerTerre
- Observatoire (2 parties) sur Twitter
- Alerte de sécurité distribuée à Slack
- Alerte en temps réel à Bloomberg
- Système de surveillance des pipelines de données à LinkedIn
- Surveillance et observation au pique-nique
- Sécurité distribuée
- Aardvark et Repokid : le moindre privé pour le développement distribué et à grande vitesse à Netflix
- LISA: Pare-feu distribué sur LinkedIn
- Infrastructure sécurisée pour stocker Bitcoin dans le Cloud à Coinbase
- BinaryAlert: Détection de logiciels médicaux sans serveur en temps réel à Airbnb
- Architecture évolutive IAM pour sécuriser l’accès à 100 comptes AWS au segment
- OAuth Audit Toolbox à En effet
- Répertoire actif Mot de passe Liste noire à Yelp
- Syscall Auditing à l’école chez Slack
- Athenz : Contrôle de l’accès à Yahoo, fin et basé sur le rôle
- Cycle de vie du développement de la sécurité à Slack
- Conteneur non privilégié construit à Kinvolk
- Diffy: Moteur différent pour la médecine légale numérique dans le Cloud à Netflix
- Détecter le compromis sur le crédit dans AWS chez Netflix
- Confidentialité évolutive de l’utilisateur à Spotify
- AVA: Vérification des applications Web à En effet
- TTL en tant que service: Révocation automatique des privilèges d’escale à Yelp
- Gestion des clés d’entreprise chez Slack
- Scalabilité et authentification chez Twitch
- Authentification des bords et propagation de l’identité agnostique à Netflix
- Infrastructure de développement Kubernetes avec Cilium à Palantir
- Améliorer la gestion de la vulnérabilité Web grace à l’automatisation chez Lyft
- Clock Skew lors de la synchronisation des charges utiles mot de passe à Drobbox
- Diffusion de messages, de demandes et de flux d’événements
- Cape: Cadre de traitement du flux d’événements à Dropbox
- Brooklin: Service distribué pour la diffusion de données en temps quasi réel à LinkedIn
- Samza: Système de traitement de flux pour les insighs latence sur Linked En
- Bullet: Moteur de demande prospectif pour la diffusion de données à Yahoo
- EventHorizon: Outil pour regarder les événements en streaming à Etsy
- Qmessage: Distribué, Queue de tâches asynchrones à Quora
- Cherami: Système de fichier d’attente pour le transport des tâches Async à Uber
- Dynein: Système de recherche d’emploi distribué à Airbnb
- Timestone: Système d’attente pour charges de travail non parallèles à Netflix
- Service de messagerie aux Jeux de Riot
- Modèle de système de messagerie à Dropbox
- Debugging Production avec l’événement Logging à Zillow
- Service d’Orchestration de Messagerie In-App à Netflix
- Vidéo Gatekeeper chez Netflix
- Élargir la messagerie pour des millions de périodiques à Netflix
- Retarder le traitement des messages asynchrones avec RabbitMQ à En effet
- Analyse comparative des moteurs de calcul de flux à Yahoo
- Améliorer la qualité des données de flux avec la validation du schéma de protobuf chez Deliveroo
- Élargir l’infrastructure de courrier électronique à moyen terme
- Messagerie en temps réel chez Slack
- Base de données Event Stream chez Nike
- Système de suivi des événements à Udemy
- Messagerie animée par un événement
- Design de domaine à Alibaba
- Design de domaine chez Weebly
- Design de domaine à Moonpig
- Scaling Event Sourcing pour Netflix Téléchargements
- Scaling Event-Sourcing sur Jet.com
- Événement Sourcing (2 parties) sur eBay
- Événement Sourcing à GRATUITEMENT
- Flux de contenu évolutif en utilisant les modèles Event Sourcing et CQRS chez Brainly
- Messagerie Pub-Sub
- Kafka - Courtier de messages
- Kafka sur LinkedIn
- Kafka sur Pinterest
- Kafka à Trello
- Kafka chez Salesforce
- Kafka au New York Times
- Kafka à Yelp
- Kafka à Criteo
- Kafka sur Kubernetes chez Shopify
- Kafka sur PaaSTA: Courir Kafka sur Kubernetes à Yelp (2 parties)
- Migrer le Zookeeper de Kafka sans arrêt à Yelp
- Retraite et demandes de lettre morte avec Kafka à Uber
- Chaperone: Audit Kafka de bout en bout à Uber
- Trouver la limite de débit de Kafka dans l’infrastructure de Dropbox
- Orchestration des prix à Walmart
- InfluxDB et Kafka à l’échelle à plus de 1 million de mètres une seconde à Hulu
- Faire évoluer Kafka pour soutenir la croissance des données chez PayPal
- Dédoublement des données du flux
- Exploitation forestière distribuée
- Inscription sur LinkedIn
- Scalable et fiable Log Inggestion chez Pinterest
- Service de revue replié haute performance sur Twitter
- Service d’exploitation avec Spark au CERN Accelerator
- Exploitation forestière et regroupement à Quora
- Collection et analyse des jours Daemon à Badoo
- Analyse de log avec analyse de code statistique à Palantir
- Centralized Application Logging sur eBay
- Enrichissez les jours de flux VPC à Hyper Scale pour fournir un aperçu réseau à Netflix
- LivreKeeper: Stockage de journal distribué à Yahoo
- LogDevice: Magasin de données distribuées pour les jours sur Facebook
- LogFeeder: Système de collecte de jours à Yelp
- DBLog: Cadre général de gestion des données à Netflix
- Recherche distribuée
- Rechercher l’architecture sur Instagram
- Architecture de recherche sur eBay
- Recherche d’architecture dans la forêt
- Rechercher Discovery Indexing Platform chez Coupang
- Système de recherche universelle chez Pinterest
- Améliorer l’efficacité du moteur de recherche de plus de 25% sur eBay
- Indexer et interroger les jours de télémétrie avec Lucene à Palantir
- Demande de renseignements à TripAdvisor
- Rechercher l’architecture de la Fédération à LinkedIn (2018)
- Rechercher chez Slack
- Moteur de recherche à DoorDash
- Stabilité et facilité de recherche sur Twitter
- Service de recherche sur Twitter (2014)
- Recherche automatique (2 parties) chez Traveloka
- Système de correction automatique de données à Canva
- Adapter la recherche à la phonétique indienne à Flipkart
- Nautilus: Moteur de recherche à Dropbox
- Galene: Architecture de recherche de LinkedIn
- Manas: Système de recherche personnalisé haute performance chez Pinterest
- Sherlock: Indexation de la recherche en temps réel à Flipkart
- Nebula: Plateforme de stockage pour construire des moteurs de recherche à Airbnb
- ELK (Elasticsearch, Logstash, Kibana)
- Prédictions en temps réel avec ELK à Uber
- Construire une pile ELK évolutive à Envato
- ELK à Robinhood
- Clusters de recherche élastique à Uber
- Elasticsearch Performance Tuning Pratique sur eBay
- Améliorer la performance à l’aide de plugins Elasticsearch (2 parties) chez Tinder
- Elasticsearch chez Kickstarter
- Parsage de connexion avec Logstash et Google Protocol Buffers à Trivago
- Recherche rapide en utilisant Data Pipeline et Elasticsearch chez Yelp
- Déplacer la recherche d’affaires de base vers la recherche élastique à Yelp
- Sharding out Elasticsearch chez Vinted
- Recherche automatique avec Elasticsearch à Wattpad
- Vulcanizer: une bibliothèque pour l’exploitation de Elasticsearch à Github
- Stocks distribués
- Stockage en mémoire
- Architecture MemSQL - Le rapide (MVCC, InMem, LockFree, CodeGen) et famille (SQL)
- Optimisation de l’efficacité memcache à Quora
- Entrée de données en temps réel avec MemSQL sur Cisco UCS
- Déménageur à MemSQL à Tapjoy
- MemSQL et Kinesis pour les Insights en temps réel chez Disney
- MemSQL à interroger des centaines de milliards de lignes dans un tableau de bord à Pandora
- Stock des objets
- Élargissement du HDFS à Uber
- Raisons pour choisir S3 sur HDFS chez Databricks
- Système de fichiers sur Amazon S3 à Quantcast
- Récupération d’image à l’échelle en utilisant la version S3 à Trivago
- Cloud Object Store à Yahoo
- Ambry: Magasin d’objets immobiliers distribués sur LinkedIn
- Dynamètre: Test à l’échelle HDFS sur le matériel minimal avec une fidélité maximale sur Linked En
- Hammerspace: Stockage continu, concurrent, hors-pape à Airbnb
- MezzFS: Montage du stockage des objets dans la plate-forme de traitement des médias à Netflix
- Magic Pocket: Système de stockage interne multi-exaoctets à Dropbox
- Stockage en mémoire
- Bases de données relationnelles
- MySQL à Uber
- MySQL chez Pinterest
- PostgreSQLTM à Twitch
- Élargir le système d’information financière MySQL à Airbnb
- Scaling MySQL à Wix
- Construction et déploiement du radeau MySQL chez Meta
- Proxy de base de données MaxScale (MySQL) à Airbnb
- Passage de Postes à MySQL à Uber
- Gérer la croissant avec Postgres sur Instagram
- Élargir la base de données analytiques (postgres) à TransferWise
- Mise à jour d’une base de données Téraoctet PostgreSQL à Adyen
- Extension de l’accès à la base de données pour 100 de milliards de demandes par jour chez PayPal
- Minimiser l’écriture de lecture MySQL Arrêt à Yelp
- Migrer MySQL de 5.6 à 8.0 sur Facebook
- Migration de HBase vers MyRocks à Quora
- Réplication
- MySQL Parallel Replication (4 parties) sur Booking.com
- Atténuer le retard de réplication de MySQL et faire la charge de lecture à Github
- Lire la cohérence avec les réponses de base de données à Shopify
- Audit Black-Box : vérifier l’intégrité de la réplication de bout en bout entre MySQL et Redshift à Yelp
- Partitionnement MySQL principal Base de données Airbnb
- Herb: Moteur de réplication multi-DC pour Datastore Schemaless à Uber
- Rembourrage
- Sharding MySQL chez Pinterest
- Sharding MySQL à Twilio
- Sharding MySQL à Square
- Sharding MySQL à Quora
- Bouche de rembourrage de la Datastore Schemaless à Uber
- Sharding & IDs sur Instagram
- Réparation des postgres à la Notion
- Sharding Postgres à Figma
- Solr: Améliorer la performance pour l’indexation des lots à la boîte
- Recommandations générales (3 parties) à Tinder
- Scaling Services avec Shard Manager sur Facebook
- Presto du moteur de demande SQL distribué
- Bases de données NoSQL
- Bases de données de valeurs clés
- DynamoDB chez Nike
- DynamoDB au segment
- DynamoDB à Mapbox
- Manhattan: Base de données sur la valeur des clés distribuées sur Twitter
- Sherpa: Magasin de valeurs clés NoSQL distribué à Yahoo
- HaloDB: Moteur embarqué de stockage de la valeur des clés à Yahoo
- MPH: Des magasins de valeur clé immuables rapides et compacts à En effet
- Venise: Base de données distribuées sur la valeur des clés à Linkedin
- Bases de données
- Cassandra
- Cassandra sur Instagram
- Stocker des images dans Cassandra à Walmart
- Stockage de messages avec Cassandra à Discord
- Découplage du cluster Cassandra à Walmart
- Scaling Ad Analytics avec Cassandra à Yelp
- Vers plus de 100 millions de conférences/écrits utilisant Spark et Cassandra chez Dream11
- Déplacement des aliments de Redis à Cassandra à Zomato
- Benchmarking Cassandra Scalability sur AWS chez Netflix
- Décomposition de service à l’échelle avec Cassandra à Intuit QuickBooks
- Cassandra pour ranger les comptes en synchro à SoundCloud
- Configuration du pilote Cassandra pour améliorer les performances et l’équilibre de charge à Glassdoor
- cstar: Outil d’orchestration Cassandra chez Spotify
- HBase
- Déplacement
- Cassandra
- Bases de données documentaires
- eBay: Bâtir des applications multi-centres de données critiques avec MongoDB
- MongoDB à Baidu: stockage de plus de 200 milliards de documents en grappes multi-tendants sur 160 requins
- Migration des données de mongo à Addepar
- L’infrastructure AWS et MongoDB de Parse (acquis par Facebook)
- La migration des montagnes de Mongo Data à Addepar
- Écosystème de Couchbase à LinkedIn
- SimpleDB chez Zendesk
- Espresso: Magasin de documents distribués sur LinkedIn
- Bases de données graphiques
- Bases de données de valeurs clés
- Bases de données des séries chronologiques
- Beringei: Moteur de stockage de séries chronologiques haute performance sur Facebook
- MetricsDB: Base de données TimeSeries pour stocker des médicaments sur Twitter
- Atlas: Base de données des séries chronologiques dimensionnelles en mémoire à Netflix
- Heroic: Base de données des séries chronologiques à Spotify
- Roshi: Système de stockage distribué pour l’événement série chronologique à SoundCloud
- Goku: Base de données des séries chronologiques sur Pinterest
- Stock de données (2 pièces) à Netflix
- Calque d’absorption des données des séries chronologiques à Netflix
- Druide - Base de données analytiques en temps réel
- Gestion des dépôts, des dépenses et des configurations distribuées
- DGit: Git distribué à Github
- Forme : Serveur Git distribué à Palantir
- Gestion de la configuration pour les systèmes distribués sur Flickr
- Dépôt Git à Microsoft
- Résoudre le problème Git avec les grands dépôts chez Microsoft
- Dépôt unique sur Google
- Élargissement des infrastructures et des flux de travail à Adyen
- Dotfiles Distribution sur Booking.com
- Détecteur secret : préparer les secrets dans le code source à Yelp
- Gestion de la dépendance des logiciels à l’échelle de LinkedIn
- Fusion du code dans les dépôts à grande vitesse à LinkedIn
- Configuration dynamique sur Twitter
- Configuration dynamique chez Mixpanel
- Configuration dynamique à GoDaddy
- Gestion de la flotte (3 parties) à Spotify
- Développement de l’intégration continue et de la prestation continue
- Stack d’intégration continue sur Facebook
- Intégration continue avec les dépôts et dépenses distribués à Netflix
- Intégration et déploiement en continu avec Bazel à Dropbox
- Adopter Bazel pour le Web à Airbnb
- Déploiements continent à BuzzFeed
- Tournevis: Système de construction de livraison continue pour l’infrastructure dynamique à Yahoo
- IC/CD à l’amélioration
- IC/CD chez Brainly
- Élargir iOS CI avec Anka chez Shopify
- Scaling Jira Server à Yelp
- Cluster CI/CD à l’échelle automatique chez Flexport
Disponibilité
Section intitulée « Disponibilité »- Ingénierie de la résilience : apprendre à faire face à l’échec
- Génie de résilience avec projet Waterbear à LinkedIn
- Résistance contre la sursaturation du trafic à iHeartRadio
- La résilience des systèmes distribués à GO-JEK
- Modèle pratique de conception de résilience NoSQL pour l’entreprise sur eBay
- Assurer la résilience face aux catastrophes à Quora
- Résilience du site à Expedia
- Résilience et reprise après sinistre avec Kafka sur eBay
- Relèvement après sinistre pour plusieurs régions Kafka à Uber
- Échec
- L’évolution du réseau et de l’échec du trafic mondial
- Essai de reprise après sinistre
- Concevoir une architecture de microservices en cas de dégradation
- ELB pour l’échec automatique chez GoSquared
- Éliminer la base de données pour une disponibilité plus élevée à American Express
- Échec avec Redis Sentinel chez Vinted
- Infrastructure SaaS à haute disponibilité chez FreeAgent
- MonSQL Haute disponibilité chez GitHub
- MySQL Haute Disponibilité à Eventbrite
- Continuité des activités et reprise après sinistre à Walmart
- Équilibre de charge
- Introduction à l’équilibre et à la procuration des charges réseau modernes
- Cinq modèles de scalabilité (équilibre de charge)
- Charger une infrastructure d’équilibre pour soutenir plus de 1,3 milliard d’utilitaires sur Facebook
- DHCPLB: Balanceur de charge DHCP sur Facebook
- Katran: Balanceur de charge réseau évolutif sur Facebook
- Ouverture déterministe : Algorithme parti et équilibre de charge sur Twitter
- Équilibre de charge avec Eureka à Netflix
- Équilibre de charge des bords à Netflix
- Zuul 2: Passerelle Cloud à Netflix
- Charger l’équilibre à Yelp
- Charger l’équilibre à Github
- Hashing cohérent pour améliorer l’équilibre de charge à Vimeo
- Équilibre de charge UDP à 500 pixels
- QALM: Cadre de gestion de la charge QoS à Uber
- Direction routière utilisant Rum DNS sur LinkedIn
- Infrastructure routière à Dropbox
- Équilibrage de charge intelligent DNS chez Dropbox
- Surveiller les systèmes DNS à Stripe
- Architecture multi-DNS (3 parties) lundi
- Dynamique Anycast DNS Infrastructures à Hulu
- Limite des taux
- Limite de taux pour l’élargissement à des millions de domaines à Cloudflare
- Bounceur nuage : Limite de débit distribuée à Yahoo
- Extension de l’API avec limiteurs de débit à Stripe
- Limites tarifaires distribuées à Allegro
- Ratqueue: Système de lecture et de lecture de base à Twilio
- Service des quotas à Grab
- Limite de taux à Figma
- Étalonnage automatique
- Autoscaling Pinterest
- Autoscalage basé sur une demande de recherche à Square
- Jenkins d’escalade automatique à Trivago
- Autoscaling Pub-Sub Consommateurs chez Spotify
- Autoscalage des clusters Bigtable basés sur CPU Load at Spotify
- Autoscaling AWS Step Fonctions Activités à Yelp
- Scryer: Moteur de calibrage automatique predictif à Netflix
- Bouncer: Simple AWS Auto Scaling Rollovers à Palantir
- Clusterman: Autoscaling Mesos Clusters à Yelp
- Disponibilité dans les systèmes de stockage distribués partout sur Google
- NodeJS Haute disponibilité à Yahoo
- Opérations (11 pièces) chez LinkedIn
- Pouvoirs de surveillance Haute disponibilité pour LinkedIn Feed
- Soutenir les événements mondiaux sur Facebook
- Haute disponibilité chez BlaBlaCar
- Haute disponibilité chez Netflix
- Infrastructure Cloud haute disponibilité à Twilio
- Haute disponibilité avec DB distribuée sur Kubernetes à Airbnb
- Automatiser les opérations Datacenter à Dropbox
- Mondialisation des comptes des joueurs aux Jeux de Riot
Stabilité
Section intitulée « Stabilité »- Déjoncteur
- Décupé de circuits dans les systèmes distribués
- Disjoncteur pour bacs à étrier
- Leçons de résilience chez SoundCloud
- Protecteur: Disjoncteur pour les bases de données de séries chronologiques à Trivago
- Amélioration de la capacité de production avec les disjoncteurs à Heroku
- Disjoncteur à Zendesk
- Disjoncteur à Traveloka
- Disjoncteur à Shopify
- Délais
- Réplication sans risque pour MySQL sur Booking.com
- Défaut de confinement et de tolérance dans une partie
- État stable : Toujours mettre des jours sur un disque séparé
- Throttling: Maintenez un Pace Stady
- Multi-Clustering: Améliorer la résilience et la stabilité d’un service d’API monolithique à grande échelle sur LinkedIn
- Déterminisme (4 parties) dans League of Legends Server
Rendement
Section intitulée « Rendement »- Optimisation des performances sur OS, stockage, base de données, réseau
- Amélioration de la performance avec les données de base Préfetking sur Instagram
- Correction des régressions de performance du système de fichiers Linux sur LinkedIn
- Techniques de compression pour résister aux goulots d’étrangement E/S réseau sur eBay
- Optimisation des serveurs Web pour un débit élevé et une faible latence à Dropbox
- Analyse des performances Linux en 60.000 Millisecondes chez Netflix
- Disques persistants de Google Cloud (PD-SSD) en direct à Mixpanel
- Diminuer l’utilisation de la RAM de 40% Utilisation de jemalloc avec Python & Celery chez Zapier
- Réduction de l’empreinte de mémoire à Slack
- Essai de charge continue à Slack
- Améliorations de la performance chez Pinterest
- Rendu latéral du service à Wix
- 30x Améliorations de la performance de MySQLStreamer à Yelp
- Optimisation des API chez Netflix
- Surveillance des performances avec Riemann et Clojure à Walmart
- Tableau de bord de suite des performances pour les jeux en direct à Zynga
- Optimisation du rapport CAL Hadoop MapReduce Jobs sur eBay
- Tuning de performance sur Quartz Planificateur à eBay
- Profil C++ (Partie 1: Optimisation, Partie 2: Mesure et analyse) aux Jeux de Riot
- Profiler le rapport à l’aide du service à domicile
- Transcodage vidéo assisté de matériel à Dailymotion
- Opérations croisées à 10 millions de SRP à Dropbox
- Profil API sur Pinterest
- Pagelets Paralléliser le traitement côté serveur à Yelp
- Améliorer l’expiration de la clé à Redis sur Twitter
- Optimisation des performances du réseau de distribution de publicité avec les graphiques de flamme à MindGeek
- Isolation predictive des conteneurs CPU chez Netflix
- Amélioration de l’utilisation des E/S HDFS pour l’efficacité à Uber
- Jewels Cloud: Estimation du kWh dans le Cloud à Etsy
- Unthrottled: Fixation des limites du processeur dans le nuage (2 parties) à Enable
- Optimisation des performances par l’écoute de la collection des ordures
- Collection de déchets dans les applications Java sur LinkedIn
- Collection de déchets dans les services d’apprentissage automatique à haut débit et à faible latence chez Adobe
- Collection de déchets dans les applications Redux chez SoundCloud
- Collecte d’ordonnances dans une demande d’entrée chez Twitch
- Analyser les registres de la collection des ordonnances V8 à Alibaba
- Collection Python Garbage pour la chute de 50% de croissant mémoire par demande sur Instagram
- Impact sur la performance de l’investissement du collecteur d’ordonnances de bande (OOBGC) à Github
- Déboguez les fuites de mémoire Java à Allegro
- Optimisation du JVM chez Alibaba
- Tuning JVM Mémoire pour les services à grande école à Uber
- Solr Performance Tuning à Walmart
- Tuning mémoire d’un microservice à haut débit chez Flipkart
- Optimisation des performances sur l’image, la vidéo, le chargement de page
- Optimiser 360 photos à l’église sur Facebook
- Réduire la taille du fichier image dans l’infrastructure de photos à Etsy
- Améliorer la performance du GIF chez Pinterest
- Optimisation de la performance de lecture vidéo chez Pinterest
- Optimisation du flux vidéo pour la largeur de bande basse avec l’optimisation dynamique chez Netflix
- Diffusion vidéo adaptive sur YouTube
- Réduction du temps de chargement de la vidéo à Dailymotion
- Améliorer la performance de la page d’accueil à Zillow
- Le processus d’optimisation du rendez-vous client chez Expedia
- Web Performance à la BBC
- Optimisation des performances par compression Brotli
- Optimisation du remboursement des langues et des cadres
- Python à Netflix
- Python à l’église (3 parties) sur Instagram
- Meilleurs pratiques d’OCaml (2 parties) à Issuu
- PHP chez Slack
- Aller à Trivago
- TypeScript à Etsy
- Kotlin pour apprendre l’état à Etsy
- Kotlin à DoorDash
- BPF et aller à Bumble
- Ruby on Rails à GitLab
- Rouille en production chez Figma
- Choisir une pile de langue à WeWork
- Passage de Aller à Rust à Discord
- Optimisation des performances de base ASP.NET chez Agoda
- Les modèles de cours de données en aller à Uber
- Java 21 Fils virtuels chez Netflix
Renseignements
Section intitulée « Renseignements »- Données massives
- Plateforme de données à Uber
- Plateforme de données chez BMW
- Plateforme de données à Netflix
- Plateforme de données à Flipkart
- Plateforme de données à Coupang
- Plateforme de données à DoorDash
- Plateforme de données à l’Académie Khan
- Infrastructure de données à Airbnb
- Infrastructure de données à LinkedIn
- Infrastructure de données à GO-JEK
- Infrastructure d’intégration de données chez Pinterest
- Architecture d’analyse de données chez Pinterest
- Service d’orchestration de données à Spotify
- Big Data Processing (2 pièces) chez Spotify
- Big Data Processing à Uber
- Pipeline analytique à Lyft
- Pipeline analytique à Grammarly
- Pipeline analytique chez Teads
- ML Data Pipelines pour la prévention de la fraude en temps réel chez PayPal
- Données massives Analyse et techniques ML chez LinkedIn
- Plateforme de reporting sur Hadoop chez LinkedIn
- Préservation de la vie privée Analyse et rapports sur LinkedIn
- Plateforme analytique pour le suivi de la disponibilité des articles chez Walmart
- Analytics en temps réel pour les crashes d’applications mobiles utilisant Apache Pinot à Uber
- HALO: Analyse matérielle et optimisation du cycle de vie sur Facebook
- RBEA: Plateforme d’analyse en temps réel chez King
- AresDB: Moteur d’analyse en temps réel Alimenté par GPU à Uber
- AthenaX: Plateforme d’analyse en streaming à Uber
- Jupiter: Config Driven Adtech Batch Ingestion Platform à Uber
- Delta: Plateforme de synchronisation et d’enrichissement des données à Netflix
- Keystone: Plateforme de traitement du flux en temps réel à Netflix
- Carnet de données: Transformer les méthodes en connaissances avec les méthodes à Uber
- Amundsen: Découverte de données et moteur de métadonnées à Lyft
- Maze: Plateforme de visualisation des entonnoirs à Uber
- Metacat : rendez les grandes données découvertes et significatives chez Netflix
- SpinalTap: Système de détection de données de changement à Airbnb
- Accélérateur: Cadre de traitement rapide des données sur eBay
- Omid: Plateforme de traitement des transactions à Yahoo
- TensorFlowOnSpark: Recherche avancée distribuée sur les grappes de Big Data à Yahoo
- CaffeOnSpark: Un apprentissage adapté distribué sur les prises de données massives à Yahoo
- Spark on Scala: Architecture de référence analytique chez Adobe
- Plateforme d’expérimentation (2 parties) à Spotify
- Plateforme d’expérimentation à Airbnb
- Smart Product Platform chez Zalando
- Plateforme d’analyse de log à LINE
- Plateforme de visualisation de données à Myntra
- Construction et calibrage de la ligne de données à Netflix
- Construire un système de gestion de données évolutives pour les tâches de vision informatique chez Pinterest
- Données structurelles à Etsy
- Élargissement d’un pipeline de données matures - Gestion des frais généraux à Airbnb
- Stratégies de partage de l’étincelle à Airbnb
- Élargir le système de fichiers distribués Hadoop sur LinkedIn
- Cluster Hadoop YARN au-delà de 10 000 nœuds sur LinkedIn
- Élargir les contrôles d’accès Big Data chez Pinterest
- L’apprentissage automatique distribué
- Plateforme d’apprentissage automatique à Yelp
- Plateforme d’apprentissage automatique à Etsy
- Plateforme d’apprentissage automatique à Zalando
- Développement de l’infrastructure AI/ML à Uber
- Système de recommandation à Lyft
- Plateforme d’apprentissage du contrôle à Lyft
- Plateforme pour le service des recommandations à Etsy
- Infrastructure pour exécuter les prévisions des utilisateurs à Spotify
- Aroma: Utilisation de ML pour la recommandation de code sur Facebook
- Flyte: Cloud Native Machine Learning and Data Processing Platform à Lyft
- LyftLearn: ML Model Training Infrastructure construit sur Kubernetes à Lyft
- Horovod: Cadre d’apprentissage dérivé en source ouverte pour TensorFlow à Uber
- Gen AI Copilote sur appel à Uber
- COTA: Améliorer les soins à la clientèle avec NLP & Machine Learning chez Uber
- Manifold: Outil de débogage visuel modèle-agnostique pour l’apprentissage automatique chez Uber
- Repo-Topix: Cadre d’extraction théorique à Github
- Concours : général des notifications de contenu personnalisé en temps quasi réel sur LinkedIn
- Altus Care: Appliquer un Chatbot à l’ingénierie de la plate-forme sur eBay
- PyKrylov: Accélérer la recherche d’apprentissage automatique sur eBay
- Graphique en encadré : Réseau social spontané à Box
- TarificationNet: Modélisation de la tarification avec les réseaux neuronaux chez Skyscanner
- PinText: Multitask Text Embedding System à Pinterest
- RechercheSage: Apprentissage Recherche Demandes Représentants chez Pinterest
- Cannes: ML économique 1,7 M$ par an sur les prévisualisations de documents chez Dropbox
- Scaling Gradient boosted Trees for Click-through-Rate Prediction at Yelp
- Apprendre avec la vie privée à l’église d’Apple
- Deep Learning for Image Classification Experiment at Mercari
- Deep Learning for Frame Detection in Product Images at Allegro
- Prédiction de la pertinence vidéo basée sur le contenu chez Hulu
- Modérer le contenu vidéo inapproprié à Yelp
- Améliorer la sélection de photos avec un apprentissage profond à TripAdvisor
- Recommandations personnalisées pour les expériences utilisant l’apprentissage profond à TripAdvisor
- Systèmes de recommandation personnalisés à BBC
- Machine Learning (2 pièces) chez Condé Nast
- Traitement du langage naturel et analyse du contenu (2 parties) chez Condé Nast
- Mapping the World of Music Using Machine Learning (2 parties) à iHeartRadio
- L’apprentissage automatique pour améliorer la qualité de streaming chez Netflix
- Apprentissage automatique pour jumeler pilotes et cavaliers chez GO-JEK
- Améliorer les vignettes vidéo avec les réseaux nouveaux fonds sur YouTube
- Régression quantitative pour vivre à temps à Instacart
- Recherche cross-Lingual de bout en bout de produit avec Deep Learning à Zalando
- Apprentissage automatique à Jane Street
- Apprentissage automatique pour le classement des réponses de bout en bout à Quora
- Plateforme de classement sur Booking.com
- Cluster des histoires similaires Utilisation de LDA à Flipboard
- Recherche de similitude sur Flickr
- Pipeline d’apprentissage automatique à grande échelle pour les recommandations d’emploi à En effet
- Apprendre descriptif du prototype à la production à Taboola
- Atom Smashing utilisant l’apprentissage automatique au CERN
- Cartographie des étiquettes à moyen
- Clustering avec le modèle de mélange de processus Dirichlet à Scala à Monsanto
- Pins de carte avec DBSCAN & Forêts aléatoires à Foursquare
- Prévisions à Uber
- Prévisions financières à Uber
- Production de ML avec Workflows sur Twitter
- Tests GUI Powered by Deep Learning sur eBay
- Élargir l’apprentissage de la machine pour recommander des itinéraires de conduite à Pivotal
- Prédictions en temps réel à DoorDash
- Apprentissage automatique pour l’indexation du texte de milliards d’images à Dropbox
- Modélisation des voyages des utilisateurs via les écueils sémantiques à Etsy
- Détection automatique des faux comptes à LinkedIn
- Création d’un graphique des connaissances à Airbnb
- Modélisation de base sur Instagram
- Recherche d’architecture neurale (NAS) pour la décoration d’objets interdits à Mercari
- Vision informatique à Airbnb
- Algorithmes 3D Home Backend à Zillow
- Prévisions à long terme à Lyft
- Découvrir des plats populaires avec un apprentissage profonde à Yelp
- Architecture SplitNet pour le classement des candidats à la publicité sur Twitter
- Emplois Filtre à En effet
- Architecting Restaurant Prédictions des temps d’attente à Yelp
- Personnalisation musicale chez Spotify
- Deep Learning pour l’évaluation des noms de domaine à GoDaddy
- Similitude de regroupement pour risquer des anneaux frauduleux à Stripe
- Recherche personnalisée à Etsy
- Infrastructure d’entretien des fonctions ML à Lyft
- Système d’appel d’offres spécifiques au contexte chez Etsy
- Spam promotionnel modifié et contenu inapproprié dans les photos à l’échelle à Yelp
- Optimiser les soins avec l’apprentissage automatique chez Dropbox
- Scaling Media Machine Learning chez Netflix
- Similarité Moteur sur eBay
- Machine Learning in Content Moderation at Etsy
Architecture
Section intitulée « Architecture »- Stack technique à moyen
- Tech Stack à Shopify
- Services des bâtiments (4 pièces) à Airbnb
- Architecture de Evernote
- Architecture du service de clavardage (3 parties) aux Jeux de Riot
- Architecture de League of Legends Client Update
- Architecture de la plateforme publicitaire sur Twitter
- Architecture de API Gateway à Uber
- Architecture de API Gateway à Tinder
- Architecture de base de Slack
- Architecture distribuée légère pour gérer des milliers de publications de bibliothèque sur eBay
- Back-end sur LinkedIn
- Retour chez Flickr
- Infrastructure (3 pièces) à Zendesk
- Infrastructure Cloud à Grubhub
- Plateforme de présence en temps réel sur LinkedIn
- Configuration Plateforme sur LinkedIn
- Système quasi linéaire pour l’église et la performance (2 parties) chez Glassdoor
- Système de traitement en temps réel pour les annonces chez Pinterest
- API Platform aux Jeux de Riot
- Plateforme des Jeux au New York Times
- Kabootar: Plateforme de communication chez Swiggy
- Simone: Service de simulation distribué chez Netflix
- Seagull: Système distribué qui aide à courir > 20 millions de tests par jour à Yelp
- PrixAgrégateur: Système Intelligent pour Hotel Prix Récupération (3 pièces) à Agoda
- Phoenix: Plateforme de test (3 parties) chez Tinder
- Architecture hexagonale chez Netflix
- Architecture de Sticker Services chez LINE
- Entreprise de démantèlement à Palantir
- Architecture de suivre les aliments, les aliments d’intérieur et choisis pour vous sur Pinterest
- API Spécification Flux de travail à WeWork
- Base de données médiatiques à Netflix
- Architecture de l’histoire des transactions chez Walmart
- Synchroniser le moteur (2 parties) sur Dropbox
- Service de localisation des annonces sur Twitter
- Système de notification d’événements rapides à Netflix
- Architectures des systèmes financiers, bancaires et de paiement
- Banque Backend à Monzo
- Plateforme de négociation pour l’école à Wealthsimple
- Système bancaire de base à Margo Bank
- Architecture de Nubank
- Stack technique à TransferWise
- Support technique à Addepar
- Demander les doubles paiements dans un système de paiements distribués à Airbnb
- Augmentation des paiements (3 parties) chez Etsy
- Gérez des millions de transactions numériques en toute sécurité chaque jour à Paytm
- Plateforme de fabrication et de paiement à Grammarly
Entretien
Section intitulée « Entretien »- Conception de systèmes à grande échelle
- Mon héros - Jeff Atwood (une dose d’endorphines avant votre entrée, JK)
- Conseils en génie logique de la construction de systèmes distribués à grande échelle - Jeff Dean
- Introduction aux systèmes d’architecture pour l’église
- Anatomie d’une entreprise sur la conception du système
- 8 choisis que vous devez savoir avoir une expérience de conception de système
- Les 10 principales questions d’entente sur la conception du système
- Top 10 des modèles architectes communs de logiciels à grande échelle dans une coquille de noix
- Modèles de conception de Big Data Cloud - Lynn Langit
- Comment ne PAS concevoir Netflix dans votre intermédiaire de conception de système de 45 minutes?
- Pratiques exemplaires de l’API : Webhooks, Deprecation et Design
- Expliquer les systèmes de bas niveau (OS, réseau/protocole, base de données, stockage)
- “Ce qui arrive quand… et comment”
Organisation
Section intitulée « Organisation »- Niveau d’ingénierie à SoundCloud
- Rôles d’ingénieur à Palantir
- Cadre de carrière en génie chez Dropbox
- Équipes d’ingénierie sur Twitter
- Élargir la prise de décision dans les équipes à LinkedIn
- Équipe de développement des données scientifiques à GOJEK
- Scaling Agile à Zalando
- Scaling Agile sur bol.com
- Leçons tirées de la création d’une équipe de produits à Intercom
- Embaucher, gérer et développer des équipes d’ingénierie chez Typeform
- Élargir l’équipe de Datagram sur Instagram
- Élargir l’équipe de conception chez Flexport
- Modèle d’équipe pour développer un système de conception chez Salesforce
- Building Analytics Team (4 parties) chez Wish
- De 2 Fonds à 1000 Salariés à Transferwise
- Leçons écoutes La croissant d’une équipe UX de 10 à 170 chez Adobe
- Cinq leçons du scalping sur Pinterest
- Ingénierie d’approche à Vinted
- Utiliser les mesures pour améliorer le processus de développement à En effet
- Erreurs à inviter lors de la création d’un produit interne chez Skyscanner
- RACI (responsable, comptable, consulté, informé) chez Etsy
- Quatre piliers du leadership (l’empathie, l’inspiration, la confiance, l’honneur) à Zalando
- Paire la programmation à Shopify
- Responsable régional à Asana
- Ingénieurs rotatifs à Zalando
- Test d’idées sur Pinterest
- Migrations technologiques à Spotify
- Améliorer la propriété du code à Yelp
- Base de code agile sur eBay
- Ingénierie des données agiles à Miro
- Gestion automatisée des incidents par Slack à Airbnb
- Refactor Organization à BBC
- Révision du code
- Les systèmes distribués en une seule leçon - Tim Berglund, directeur principal de l’expérience des développeurs chez Confluent
- Construire une infrastructure en temps réel sur Facebook - Jeff Barber et Shie Erlich, ingénieur logiciel sur Facebook
- Bâtir une infrastructure sociale fiable pour Google - Marc Alvidrez, Senior Manager chez Google
- Construire un système de construction distribué à l’église de Google - Aysylu Greenberg, SDE chez Google
- Ingénierie de fiabilité du site à Dropbox - Tammy Butow, Gestionnaire d’ingénierie de fiabilité du site à Dropbox
- Comment Google fait Planet-Scale pour Planet-Scale Infra - Melissa Binde, directrice SRE pour Google Cloud Platform
- Guide de Microservices Netflix - Josh Evans, Directeur d’ingénierie opérationnelle chez Netflix
- Attendre les temps de réponse rapide dans les grands services en ligne - Jeff Dean, Google Senior Fellow
- Architecture pour gérer les ventes de célébrités RPS 80K chez Shopify - Simon Eskildsen, responsable technique chez Shopify
- Leçons d’échelle sur Facebook - Bobby Johnson, Directeur de l’ingénierie sur Facebook
- Optimisation des performances pour la région de la Grande Chine chez Salesforce - Jeff Cheng, architecte d’entreprise chez Salesforce
- Comment GIPHY livre un GIF à 300 millions d’utilisateurs - Alex Hoang et Nima Khoshini, ingénieurs de services chez GIPHY
- Plateforme de traitement de paquets haute performance à Alibaba - Haiyong Wang, directeur principal à Alibaba
- Résous les problèmes d’interconnexion de données à grande échelle et de Cloud - Ihab Tarazi, CTO chez Equinix
- Scaling Dropbox - Kevin Modzelewski, ingénieur back-end chez Dropbox
- Évoluer avec la performance sur Facebook - Bill Jia, vice-président de l’infrastructure sur Facebook
- Scaling Live Videos to a Million Users at Facebook - Sachin Kulkarni, Directeur de l’ingénierie sur Facebook
- Élargissement des infrastructures sur Instagram - Lisa Guo, Ingénierie Instagram
- Développement de l’infrastructure sur Twitter - Yao Yue, ingénieur logiciel du personnel sur Twitter
- Élargissement de l’infrastructure à Etsy - Bethany Macri, directrice technique à Etsy
- Élargir l’infrastructure en temps réel à Alibaba pour des vacances commerciales mondiales - Xiaowei Jiang, directeur principal à Alibaba
- Élargir l’infrastructure de données à Spotify - Matti (Lepistö) Pehrs, Spotify
- Scaling Pinterest - Marty Weiner, l’ingénieur fondateur de Pinterest
- Slack - Bing Wei, ingénieur logique (infrastructure) chez Slack
- Scaling Backend sur Youtube - Sugu Sougoumarane, SDE sur Youtube
- Déroulement du moteur à Uber - Matt Ranney, architecte en chef des systèmes à Uber
- Scaling Global CDN chez Netflix - Dave Temkin, directeur des réseaux mondiaux chez Netflix
- Exploiter l’équilibre de charge Infra pour soutenir 1,3 milliard d’utilitaires sur Facebook - Patrick Shuff, ingénieur de production sur Facebook
- Scaling (un site de la NSFW) à 200 millions de vues par jour et au-delà - Eric Pickup, développeur de plateforme principal à MindGeek
- Élargissement de l’infrastructure de traitement à Quora - Chun-Ho Hung et Nikhil Gar, SE à Quora
- Scaling Git chez Microsoft - Saeed Noursalehi, directeur de programme principal chez Microsoft
- Élargissement de l’architecture polyvalente à travers plusieurs centres de données à Shopify - Weingarten, chef d’ingénierie chez Shopify
Un morceau de gâteau
Section intitulée « Un morceau de gâteau »Les roses sont rouges. Les violettes sont bleues. - Oui. J’aime bien. Traitre Binh un tiramisu ? - C’est quoi ?
HagiCode
HagiCode est un espace de développement agentique. Des interactions d’interface riches et pratiques rendent la planification, l’exécution des agents et le travail sur les projets accessibles et faciles à suivre, pour une expérience de développement engageante.
Une expérience de développement engageante grâce à des interactions d’interface riches et pratiques.
- IntelligentLes workflows OpenSpec transforment une intention en parcours exécutable, de la proposition à la livraison en passant par la conception et les tâches.
- EfficaceL’exécution multi-agent fait avancer recherche, réalisation et revue en parallèle, sur plusieurs dépôts et avec les Agent CLI que vous utilisez déjà.
- IntéressantDes interactions d’interface riches et pratiques rendent la planification, l’exécution des agents et le travail sur les projets accessibles et faciles à suivre.
Télécharger pour Windows
Partager HagiCode
Transformez vos idées en logiciels livrés.
HagiCode est un espace de développement agentique : les workflows OpenSpec planifient le changement, l’exécution multi-agent le réalise et Hero Scenario rend le long parcours visible, pour transformer vos idées en logiciels livrés.
- Intelligent
- Les workflows OpenSpec transforment une intention en parcours, de la proposition à la livraison.
- Efficace
- L’exécution multi-agent mène recherche, réalisation et revue en parallèle.
- Ludique
- Les interactions d’interface facilitent la planification, l’exécution des agents et les projets.
© 2026 HagiCode | Powered By hagilight-starlight@0.21.0 | Branch: main | Commit: 745b50b | Built: