会在系统内存耗尽的时候，触发杀掉糟糕进程的保护机制，但选择糟糕进程的机制不是很精准，存在误杀的可能。运维规范查看或者搜索日志有很多很好用的命令，比如

产品线容器热点。真实使用率调度在过去一段时间，整个弹性云公共集群一直处于超卖较大的情况，而真实利用率的限制是真正保证高峰期宿主不会被打爆的主要策略。如何算出真实使用率？算法是取当前宿主所有

弹性云作为承载滴滴绝大部分业务的底层容器运行平台，已运行7余年，混部对于云来说并不是陌生的概念，业务上云的第一天就是运行在一个混部的环境中。业务容器化上云，核心诉求是降本增效，其中降本主要通过混部来实现，增效主要通过云上高效的运维方式来实现。本文主要关注弹性云混部相关的部分，包括演进过程、核心技术能力、线上混部现状、以及未来规划等。混部是指将不同的业务服务根据其相关特征，部署到相同的物理机/虚拟机上，以达到尽可能在保证重点业务服务质量的前提下，提升整个集群资源利用率，进而降低总成本。根据混部的类型，可以分为在线服务的混部和在离线服务混部两种。其中在线混部又可以分为公共集群在线业务之间的混部和隔离集群在线业务和存储服务的混部，在离线混部主要是在线业务与离线业务进行混部。

在滴滴客服业务里，通过零代码的方式来配置页面已有丰富的落地经验，大大提高了服务用户的效率和质量。但是传统零代码在页面逻辑配置上表现并不好，很难做到灵活扩展。因此，滴滴客服技术团队探索出一种新思路，用流程编排的方式来编排页面的逻辑，解决零代码的难扩展问题。本文将从复杂交互的难配置困境入手，介绍解决思路和方案，并详细展开如何利用客服技术团队已开源的流程图编辑框架LogicFlow，实现与研发过程中开发、运行、调试三个阶段相对应的编排器、执行器、调试器。背景客服业务是链接用户与公司各事业部的桥梁，为了快速响应事业部业务迭代、持续改进给到用户的服务体验，技术团队需要把客服业务中的多个系统建设成运营人员可配置，才能保障整个客服团队有很高的效率。

桔妹导读：持续稳定并体验良好的测试环境，一直是影响产品迭代效率和稳定性的关键环节，也是DevOps自动化测试环节中最具挑战的一环，滴滴在测试环境上的探索从公司成立之初就从未停止，在这过程中沉淀了很多宝贵的经验和教训。本文细数滴滴在测试环境的发展历程，希望能给大家带来一些启发。1.

桔妹导读：曹乐，清华大学毕业，16年初加入滴滴，带领团队建设了滴滴网约车技术体系，现任滴滴网约车技术部负责人。面对技术团队同学的成长困惑，曹乐给同学们写过一封信，他从各个维度去阐明自己的见解与想法，帮助同学们不再局限于从技术视角去看待问题，而是拥有更广阔的视野与方法。他围绕如何成为技术大牛这一话题提出以下一些想法：寻找范式、刻意练习、及时反馈；垂直打透、横向迁移、深度复盘；聪明人要下笨功夫。在此再次分享给大家这封信的内容。很多同学都有关于工程师该如何成长的问题，大家普遍对如何成长为牛人，如何获得晋升，如何在繁忙的工作中持续学习充满了困惑，这其实是每一位同学成长过程中必经之路，在这里也想跟大家分享一下我的一些心得。同学们普遍对成长充满了焦虑感。工作太忙没时间学习，需求太多太琐碎感觉自己没什么进步，做技术是不是做到35岁以后就没人要了，等等，都是对成长焦虑的体现。这种焦虑是正常的，所有的渴望，在内心的投射其实都是焦虑。任何一个渴望成长的人，不管处于什么阶段，一线工程师，架构师，还是总监，副总裁，其实内心中都是充满了焦虑的，无一例外。对于这种焦虑，我们所要做的是接纳，而不需要过度担忧。这种焦虑并不是说，想明白如何成长了就会没有了，到了某个阶段就会没有了的。成长的脚步和期待一刻不止，内心的焦虑也一刻不会停歇。正是这种焦虑感，驱使你写代码追查问题到星夜，驱使你牺牲休息娱乐的时间和一本本厚厚枯燥的书作伴，驱使你不断努力向前，不舍昼夜。相反的，如果内心中没有这种焦虑，反而是值得担忧的。这可能说明已经习惯呆在自己的舒适区了。在现在这样一个高速发展的社会，以及我们这样一个高速发展和变化的行业，失去对成长的渴望和焦虑反而是一个非常危险的信号。所谓的程序员35岁危机，其实背后的根本原因是，有太多太多人在工作几年以后，就觉得自己什么都会了，之后的十几年工作只不过是头2-3年的简单重复而已。在我们这样一个行业里，在招聘的时候，如果摆在管理面前的两个人，一个是初出茅庐或刚工作2-3年，充满了对成长的渴望；另一个工作十多年了但水平和工作2-3年的人差不多，只是更熟练一些，不过在舒适区已经躺了十年了。如果负责招聘的是你，你会做出什么样的选择？而另一方面，其实是高端人才在行业内的极度极度稀缺，这在行业内是非常普遍的现象，真正的大牛太稀缺了。在这样一个行业里，如果一个人能够持续成长，能力和工作年限成正比的持续提升，这样的人，任何时候在行业里都是被疯抢，怎么可能会遇到任何年龄的危机呢？如何学习，其实是有方法论的，那就是刻意练习。所谓的10000小时成为大牛的理论是片面的，如果只是简单重复10000小时，是不可能成为大牛的。刻意练习包含了三个步骤。第一，找到你要学习的这个领域体系的范式（pattern）；第二，针对每个范式刻意的反复学习和练习；第三，及时反馈。大家在过往的工作和学习生活中，或多或少都在实践着刻意练习。拿面临高考的中学生举例子，好的学生通常是把一门功课拆成了很多知识点（寻找pattern），然后针对知识点以及他们的排列组合，有针对性的反复做各种难度的题（刻意练习），每次做完题都对一下答案看看正确与否，如果错了就思考，记录，复盘（持续及时反馈）。这样的学习方法就是事半功倍的。而事倍功半的学习方法，就是不分青红皂白拿起一本习题或卷子就拼命做，我上学的时候身边不少同学非常勤奋但成绩并不好，多半都是这个原因。再举一个我最近在学打羽毛球的例子，正确的学习方法是把打羽毛球拆解成步法和手上动作，小碎步，米字步，正反手挑球，放网，正手和头顶高远球吊球杀球等（寻找pattern），然后针对每一个动作反复练习（刻意练习），然后请教练或者录下来看视频纠正自己的动作（及时反馈）；而错误的学习方法是，上来就盲目找人打比赛，以赛代练，这样的进步是很慢的，而且错误的动作形成习惯以后未来反而很难纠正。当学习方法不正确的时候，刻苦的学习常常只是看起来很勤奋，并没有应有的效果。当接触一个陌生领域的时候，错误的学习方法是不带目的性，上来就找一堆相关的大部头开始啃。而正确的学习方法应该是快速梳理该领域的知识点，形成框架体系（寻找pattern），这里有些小窍门可以快速构建起一个领域的知识点体系，例如看一些该领域的综述性或开创性的文章（看论文，别瞎看网上的文章），或者找本该领域综述性的教科书看它的目录（注意，好的教科书的目录往往就是这个领域的知识框架，内容倒不一定非要看下去）。然后，针对每个知识点，找书里的相关章节，该领域相关paper里的相关section深入学习，建立起自己对这个知识点的理解（刻意练习）。最后，再把知识点和现实工作中的情况（自己工作，或其他公司相关的工作）进行对照（及时反馈），从而建立对一个知识点的深度理解，最后融会贯通建立对一个领域的理解。这样说可能有点抽象，拿我当年学习分布式存储的过程为例子，先结合自己的工作内容梳理出需要深入了解的知识点（例如，元信息组织，Meta

桔妹导读：在网约车行业中，有很多场景中都有着因果推断的相关应用，不仅仅是算法同学等在因果建模时运用到相关知识，很多业务同学在做相关决策时也经常用到。因此采用日常生活中常见的例子以及行业中的常见问题，对因果推断方向进行科普。1.

桔妹导读：作为网约车业务的技术基石，滴滴网约车技术团队不仅支持了多业务形态的复杂出行平台，更培养出一大批优秀的技术人才。他们务实肯干，持续进化，更非常善于换位思考，很多工程师在这里历练后甚至成为业务的骨干。今天，我们就来看看三位工程师在这里是如何从应届生成长为技术骨干的。你的第一份工作做了多久？这个问题在百度上有17，600，000个结果。大量的年轻人在询问“第一份工作应该做多久比较好”。有人做了几个月就觉得不合适，有人认为2-3年会让职业履历看上去漂亮……眼前的这三位工程师，从2016年毕业就加入了滴滴，一晃五年过去了，他们已然从青涩的学生变成了独当一面的leader，他们在这里是怎么做到加速成长的？现在又面临哪些新的挑战和苦恼？滴滴网约车技术团队从2016年中成立至今，从支持专车、快车两条产品线，演化为支持快车、专车、拼车、城际拼车、优享、豪华车以及更多衍生业务形态的复杂出行平台，除了是业务发展的基石，更培养了一大批优秀的技术人才，孵化和支持了很多新的方向。他们是离业务最近的一批工程师，也在前线“炮火”声中迅速成长的人。滴滴CTO张博常说：“最快的成长来自最激烈的战场”，形容他们最为贴切。5年，足够让一个优秀的年轻人得到最有价值的历练。▲

桔妹导读：为了满足不同用户在价格、体验等方面的差异化诉求，滴滴提供了越来越丰富的品类，这些品类大体流程是类似的，在一些细节体验上有差异，一套架构如何兼顾隔离和复用，同时支持这些品类，且看滴滴服务端技术的湾流平台怎么做。1.

离线评估基于此，我们上线了基于连续因果森林的定价策略。经过多周的在线AB实验后，取得了15%+的ROI收益。目前连续因果森林已作为智能主策略覆盖了全国大部分城市。4.

桔妹导读：基于网约车司机的职业特性，帮助与指引司机在各类复杂的场景下更安全、便捷地完成工作，并尽可能疏导与减轻他们因长时间处于封闭环境下的心理压力，一直是滴滴发力的一个方向。但现有的一些途径，如规则展示、人工客服等，可能存在着司机被动接收信息成本较高、因客服处理速率引发其他情况等弊端。因此，我们在将AI能力与车主端功能结合的过程中做了各类尝试，最终创造了一个可以完善解决这些问题的司机助手：小滴。1.

桔妹导读：近年来，机器学习模型算法在越来越多的工业实践中落地。在滴滴，大量线上策略由常规算法迁移到机器学习模型算法。如何搭建机器学习模型算法的质量保障体系成为质量团队急需解决的问题之一。本文整体介绍了机器学习模型算法的质量保障方案，并进一步给出了滴滴质量团队在机器学习模型效果评测方面的部分探索实践。1.

桔妹导读：滴滴作为一家网约车交易平台，乘客和司机的体验和安全是其核心壁垒之一。在体验和安全优化过程中，缺少准确而大量的标注样本，是制约模型效果、进而影响业务优化的重要技术难题。在滴滴，我们使用few

桔妹导读：13年以后，以外卖、网约车、房产销售为主的O2O平台，极大的改变了社会的运行模式。相比前一代互联网公司，这一代互联网公司都面临着人与人的线下交互，因此在体验、治理上也带来了新的挑战。在滴滴，经过多年的耕耘，我们探索了一套功能强大的治理算法系统，围绕司乘体验提升的核心目标进行了全方位的探索和落地。1.

关于我们滴滴科技生态与发展团队滴滴在携手全球高校、科研机构、科技从业者，积极探索出行前沿科技边界的同时，也在努力打造内部开放、创新、协作的工程师文化。我们一直致力于搭建与高校、科研机构的合作之桥，在科研合作、人才培养、学术交流等方面开展全面而深入的合作；持续推动技术开源吸引全球开发者；努力促进云计算、大数据、人工智能、物联网等新一代信息技术，赋能交通出行产业的智能化变革。共同构建产学研协作共同体，将持续积累的核心科技能力支撑国家科技发展，以全球视野携手推进尖端人才培养，为科技生态创新发展集聚动能。正式岗位←

桔妹导读：DRouter是滴滴乘客端自研的一套Android路由框架，基于平台化解耦的思想，为组件间通信服务。该项目以功能全面、易用为原则，支持各种路由场景，在页面路由、服务获取和过滤、跨进程及跨应用、VirtualApk插件支持等方面都能提供多样化的服务。目前已在滴滴乘客端、顺风车、单车、国际化、滴滴定制车等十多个滴滴的app内使用，得到各种场景的验证。1.

桔妹导读：计算机软硬件系统的研发离不开严格的测试。作为人工智能领域集大成者的自动驾驶系统，更是对测试和验证的环节提出了极高的要求。然而，道路测试面临着安全、成本、时效、规模等诸多方面的挑战。依靠道路测试来收集自动驾驶场景中的“长尾”问题，需要上亿公里级别的驾驶里程。利用仿真系统，研发人员能以极低的成本重演大量的历史驾驶场景，快速测试算法。另一方面，通过创建完全虚拟的场景，我们无需上路就能检验自动驾驶系统在极端情景中的表现。本文将从模拟器技术、大规模云计算、数据分析/管理三个方面，来阐述仿真系统在自动驾驶研发中的核心作用。1.

"//res.wx.qq.com/mmbizwap/en_US/htmledition/style/page/appmsg_new/winwx502976.css";

这一年，我们秉承「价值牵引、技术驱动」的理念不断探索科技生态的边界感恩每一位小伙伴与我们一路同行用爱点亮每一颗「看世界」的科技之心在阅读年度总结长图之前，我们准备了2分钟的速览短视频接下来，敬请浏览滴滴科技生态与发展的2020我们还为大家准备了来自滴滴产品技术团队特别的新年礼2021份「限量新年红包封面」红包封面获取方式一请点击上方「滴滴技术」公众号中回复「2021」即可抽取，首批限量1000份请点击上方「滴滴科技合作」公众号中回复「2021」即可抽取，首批限量1000份红包封面获取方式二除此之外，在本文留言区分享你对于我们的建议或看法或是你的新年计划或愿望前99名留言入选的同学，即可直接获得滴滴程序员+科技星空两款红包封面祝大家新年好运，牛气冲天！

桔妹导读：在过去的几个月里，滴滴技术分享了许多来自滴滴自动驾驶的技术文章，让读者们对滴滴自动驾驶所做的事情有了更多的认知和了解。今天，我们终于迎来了滴滴自动驾驶的专题分享特辑，接下来就跟随小编一起来看看滴滴自动驾驶的成长故事吧！近日，滴滴自动驾驶完成了一笔3亿美元的融资，这个2019年刚成立的独立公司，一年内融资总额达到8亿美元。资本市场的信心给这个团队又重重地踩了一脚油门。2016年，滴滴正式试水自动驾驶领域，这个代表着出行未来的部门有个非常浪漫的名字——Voyager，意味着这群探险者们要去往无人之境。程维对团队说：我们人生的总价值，是看我们对这个世界创造了多少价值，我认为自动驾驶在未来一定是改变这个世界的重要力量。”既然选择了无人到达的远方，便只顾风雨兼程。▲

路测，确保能够捕捉仿真和真实的差距；封闭场地+真实运营区域。封闭场景需要保证系统基本功能一切正常。真实运营区域才是终极目标，在真实的复杂交通中，才能够最客观的评估我们算法的性能。定义Ground

级别的安全管控手段较为薄弱，任何人只要知道kafka集群地址和相应的topic便可进行消费。这无疑会造成数据泄漏的安全风险，因此数据的安全性成首要被解决的问题。服务的稳定性滴滴内部绝大部分的

桔妹导读：自动驾驶系统中的行为预测模块主要负责预判其他交通参与者未来一段时间的行为，其困难主要源自现实世界和人类行为的高度不确定性。本文列举了现实环境中的不同场景，讨论了两种不同预测方法，即基于行为规划的预测和基于机器学习的预测，用于准确预测各种复杂交通行为并刻画其多模态特征和不确定性的困难和挑战。1.

应用的持续集成和交付，并实现对发布版本进行线上跟踪，统计版本覆盖率和激活率等。平台还具有线上崩溃信息的上报和报警能力，能够轻松进行应用质量管控，提升应用稳定性。Hummer技术架构图▍

桔妹导读：在电动化、智能化、网联化、共享化的趋势下，自动驾驶技术的发展对车辆与硬件的形态提出了新的要求。在车规、量产、安全、性能、成本五大难题的压力下，车辆与硬件应该如何挑战与应对？本文将从车辆平台、传感器技术、硬件系统、集成与测试验证等方面展开剖析。重点问题：什么是合适的无人驾驶车辆平台？复杂场景下的“无人驾驶”，传感器硬件系统还有哪些挑战？告别

桔妹导读：滴滴感知大量使用机器学习和深度学习来解决问题，但要解决L4自动驾驶的感知问题，并非只是引入最先进的深度学习模型即可解决。本文归纳出感知能力逐步进化的三个阶段。并分析了以下几大难题给感知带来的挑战：深度学习模型本身存在的缺陷、多传感器需要进行扬长避短的融合、低延迟要求和有限算力间的矛盾、难以准确表征和处理不确定性。最终，对感知的未来发展提出展望。1.

桔妹导读：滴滴开始做自动驾驶可以追溯到2016年。4年来，整个行业经历过大众的狂欢与围观，也经历过资本的追捧与冷静。由于今天的技术还处于比较早期，自动驾驶作为“还没有被真正做成“的事情，外界对技术长期主义的不解与质疑也客观存在。本文将从自动驾驶基础架构面临的挑战出发，客观聊聊在技术演进过程中，这个方向上的一些矛盾权衡以及背后思考。1.

桔妹导读：客服是连接事业部和用户之间的桥梁，相较于一些垂直业务主要专注于业务领域内的问题，客服业务有一个特点：面向各种业务各种场景解决用户的各类问题。面对多样化的场景需求以及业务的不断发展迭代，解决方案平台通过标准化的思路，整合业务提供的业务信息和服务能力，拉齐不同渠道的答案和处置方案，提供可视化的方案管理平台。本文介绍了体验平台团队如何针对客服业务的特点和挑战建设解决方案平台以及相关技术沉淀。1.

桔妹导读：自动驾驶作为多种复杂人工智能技术的缩影，和传统互联网产品有着本质的不同，开发成本高、开发周期长、技术破冰难，身在其中的工程师们屡屡遭遇挑战，还要面对来自社会各界的压力。技术到底打磨到什么程度才能和人类驾驶相媲美，至今也没有人敢在机器与人类之间画上等号。用户体验的

桔妹导读：道路交通事故每年都给人类带来巨大的生命和财产损失。滴滴作为交通领域的深度参与者，不断地探索降低交通事故的方法。本文重点介绍车载视觉团队是如何在滴滴的场景下，在桔视设备上，使用超低功耗的桔视ADAS（高级辅助驾驶系统）技术，降低交通事故发生率，守护司乘安全。1.

桔妹导读：车联网时代，由于驾驶舱环境中视觉与触觉都受到高度约束，语音交互成为了车载场景下最自然的交互方式。通过车机/手机的语音助手，车主只需要说说话就可以完成车辆控制、信息查询、导航娱乐等功能，减少了在驾驶过程中的分神现象，提升了车辆行驶的安全性。在滴滴也有丰富的语音交互场景落地，为了更快更稳定地输出语音识别模型，提高业务识别准确率，我们开发了语音识别模型自学习平台，通过平台，一方面非专业人员也可以轻松参与业务专属模型的自助优化，另一方面可以实现业务数据回流，达到模型闭环迭代和自主学习的目的。1.

车内摄像头是桔视司乘安全的重要抓手，它主要负责行程中的车内录像，用于判责取证，它看到的所有内容都会被加密存储，如无合规取证需求，无论滴滴平台，车主，乘客及任何第三方都无法查看，而且还会定期删除。

CNN将时域信号变换到一个二维潜空间中；Separator在变换域当中进行语音的分离，学习出针对不同声源的mask，与混合信号做一个元素级别相乘，由此实现变换域中的语音分离操作；Decoder

针对网络复杂，推理速度慢的问题，滴滴翻译将Transformer模型改造成支持TensorRT加速推理的框架。在实践中基于TensorRT框架的推理速度相较于原生TensorFlow模型提升了9倍。

客服坐席通常同时服务多个客户，由于查询知识库、查询系统判责处置结果、输入延时或网络延时等原因，客服往往不能十分及时的回复客户的问题。这导致以客服回复时机作为监督信号来训练应答响应模型变得不可行。

pruning）。输出通道剪枝是直接删除一个卷积层中的一个卷积核。输入通道剪枝是删除一个卷积层中每个卷积核对应的相同位置的输入通道。输出通道形状剪枝是删除一个卷积层中每个卷积核上相同位置的权重。图

document.getElementById('js_content').addEventListener("selectstart",function(e){

物理资源隔离上文说到，对性能要求高的业务与大查询业务方混合跑，查询性能容易受到影响，只有单独搭建集群。而单独搭建集群导致Presto集群太多，维护成本太高。因为目前我们Presto

总体来说，路径规划分为算路和排序两个阶段，在算路阶段召回能到达用户指定OD的线路，分为离线和在线两个阶段；排序阶段综合步行距离，到达时间，换乘次数，乘车价格等不同的用户偏好给出最匹配用户的N条结果。

桔妹导读：所谓需求响应式公交，就是根据用户出行需求，提供非固定路线的、能够实时拼单的公交系统。目前滴滴动态公交可通过灵活调配运力、实时规划行驶路线，为用户提供经济、直达、有座、高效的响应式公交服务。

约束，基于用户历史轨迹行为特征建模，实时观测目标用户轨迹行为空间分布特征，从而检测路线偏移行为。基于用户轨迹的路线偏移检测，我们最终构建了实时触达用户的轨迹安全产品与路网状态更新体系。

桔妹导读：AgileTC是一套敏捷的测试用例管理平台，支持测试用例管理、执行计划管理、进度计算、多人实时协同等能力，方便测试人员对用例进行管理和沉淀。产品以脑图方式编辑可快速上手，用例关联需求形成流程闭环，并支持组件化引用，可在各个平台嵌入使用，是测试人员的贴心助手！1.

document.getElementById('js_content').addEventListener("selectstart",function(e){

Adjustment）将这些图像中的点恢复为空间的三维点。整个问题最终被转化为大型非线性最优化问题求解，优化目标是重建的三维点重投影到图像中的位置与图像中的观测点位置差最小，也就是最小化重投影误差。

didi_tech

桔妹导读：Ceph是国际知名的开源分布式存储系统，在工业界和学术界都有着重要的影响。Ceph的架构和算法设计发表在国际系统领域顶级会议OSDI、SOSP、SC等上。Ceph社区得到Red

从“场”的视角，我们比较关心的就是哪个渠道用户点击量大曝光率大，带来了多少新用户，完成多少交易订单，客单价是多少；或者是哪个活动拉新或促活效果怎么样转化率多少，结合场景数据实际情况制定对应策略。

第三：汇总层建设过程中，还会涉及到衍生维度的加工。在顺风车券相关的汇总指标加工中我们使用Hbase的版本机制来构建一个衍生维度的拉链表，通过事件流和Hbase维表关联的方式得到实时数据当时的准确维度

消息队列的加入主要用于数据复用，削峰填谷以及上下游解耦。采集一份数据，多个下游可以根据需要消费后自行处理，同时借用消息队列的高吞吐能力，减少上下游的耦合，在流量突增的时候可以起到缓冲的效果。

随着滴滴云规模的不断扩大，业务层面对延迟以及带宽的要求越来越高。2018年滴滴云网络团队上线了基于开源社区的OVS-DPDK方案。DPDK是X86平台报文快速处理的库和驱动的集合,