當法拉利說:”we did not expect the tires to last so long, maybe we should have been braver” 的同時,平治就 expect the unexpected。咁無 🉐️ 鬥喎。
// THURSDAY:預期有出奇 - 丹尼爾
假如你預期出奇,那一切都不出奇。若你出奇,便可能制勝。相反,敵人進不可攻,退不可守,只有被宰的份。一場比賽前,F1 車設定有數以十億計的可改動參數組合。近年 F1 周末期間,策略師如何在數以千計兼多變的數據頻道(data channels)內,用比人少的時間、更準確地分析、提供見解及可行方案已成為最大戰場之一。
在極速 350 公里的 F1 世界,機會名副其實「眨吓眼」就沒了。機會出現的時間長則數分鐘(數圈),短則數十秒(一圈)。例如:上場墨西哥,法拉利有只此一圈的機會 match 平治車手咸姆頓的「早一停」戰術,以免被 undercut。可惜,當法拉利策略師計完後建議進站時,車手維特爾已路過 pitlane 入口高速飆走。機會一圈即逝。蘇州過後無艇搭。由於最佳時機已過,維特爾自行決定不進站,改用「遲一停」戰術。平治「早一停」是神來之筆嗎?是由於咸姆頓起步與兩大車手格鬥後跌落第五,讓平治認為「無嘢輸」而放膽試嗎?是其策略師勝人一籌嗎?還是其機械學習(machine learning)系統一早抽出異常數據頻道,並提醒策略師呢?
平治 F1 車隊 CTO Matt Harris 本月初透露,正在研究如何把戰車各項遙測數據(telemetry data)坎入 TSDB(time series databases),從而更好呈現有用的 datasets。「這將是我們明年一大躍進,因在沒篩選下解讀數千條數據頻道實在太難。如果你知道某頻道特別重要,你自然懂得解讀。這個新 project 就是要告訴我們哪條頻道『熱門』(trending),那我們才能出奇制勝。」平治 CTO 說。奇就是短暫的機會,若能適切地利用這機會,以旋乾轉坤變換狀況,即奇變為正。
今場「奇」在歷斯亞度起步用的白色胎出奇地耐用。我有理由懷疑,明年大躍進是假,「躍進 ed」才真。
體育主持 丹尼爾//
同時也有10000部Youtube影片,追蹤數超過2,910的網紅コバにゃんチャンネル,也在其Youtube影片中提到,...
tsdb 在 Kewang 的資訊進化論 Facebook 的最佳貼文
Gorilla 是 Facebook 這兩年開發的 time-series 資料庫,這篇論文是去年下半年就已經發表了,小編當時想說找時間慢慢看,沒想到已經有強者寫了一篇導讀文,真的是該拜一下 XD
Facebook 為了要讓監控系統操作人員快速容易取得系統發生狀況時的主因,並同時兼顧高效率、可擴充性及可靠度,所以開發了這套 in-memory 的 TSDB。
Facebook 在 Gorilla 上面存了許多系統資料,比如說 CPU loading, latency......等,而且每秒可以存上千萬級的資料點,相同資料只需要幾毫秒就能取得。
另外 Gorilla 要接受的挑戰還有以下這些:
* 一個字串可以一次表示 20 億個時序數字
* 1 分鐘可以存 70 億筆 timestamp 及數值
* 可以存 26 個小時的資料
* 高峰時 1 秒可以容納 4 萬個以上的讀取
* 1 毫秒以內可以讀取成功
* 能支援 15 秒的粒度
* 不在同一區域,但又要相同的兩份 in-memory 資料
* 單一台伺服器當掉時仍然可以正常讀取資料
* 可以很快速的掃描所有資料
* 至少支援每年 2 倍以上的成長。
這篇文章內另外介紹的是 Gorilla 如何壓縮資料,用的是 delta of delta 及 XOR 運算,導讀文跟原論文的內容都很棒!推薦 Backend 的大家一讀!
* Gorilla: A Fast, Scalable, In-Memory Time Series Database: http://www.vldb.org/pvldb/vol8/p1816-teller.pdf
#facebook #gorilla #tsdb #hbase
tsdb 在 軟體開發學習資訊分享 Facebook 的最讚貼文
http://www.evanlin.com/gorilla-facebook-tsdb/
[中文導讀] Facebook 的時間序列資料庫 - Gorilla (Gorilla: A Fast, Scalable, In-Memory Time Series Database) 包括 Go code 解析.
Facebook 在之前發表了他們的時間序列資料庫論文 "Gorilla: A Fast, Scalable, In-Memory Time Series Database" http://www.vldb.org/pvldb/vol8/p1816-teller.pdf
具有 12 倍以上的有效的資料壓縮,並且透過 In-memory time-series database 的方式.可以讓資料存取的 Query Latency 減少 73 倍.
透過一個很棒的網站 "Morning Paper" 的導讀 https://blog.acolyer.org/…/gorilla-a-fast-scalable-in-memo…/
加上很棒的範例程式碼(Golang): https://github.com/dgryski/go-tsz
我還是稍微整理了一下壓縮演算法的概念,並且寫成中文導讀,希望有興趣的人可以來一起討論.