用國外的輪子解決國內的問題，這些技術大牛即將空降北京

那些在某個領域取得巨大成就進展的技術人，他們的思路是否可以舉一反三加以應用？

我們遇到的技術問題，在國外是不是已經有更優解決方案？

給你一個非常難得的機會，跟這些人面對面，可以現場 chanllenge他們的研發思路，可以盡情提出你的疑問思考。

為大家盤點即將在 4月召開的 QCon北京 2018中的海外技術實踐及思考分享。

推動變革的技術人

Neal Ford

Neal Ford在跨國 IT諮詢公司 ThoughtWorks擔任總監、軟體架構師和文化基因傳播人（Meme Wrangler）。他精通各種編程語言，主要的諮詢業務是大規模企業應用的設計、構建和工程實踐。他還是一位國際知名的講師，登上過全世界各種開發者會議的講台。

他著有多本廣受好評的暢銷書，包括《卓有成效的程序員》、《函數式編程思維》。前不久剛剛出版了《Building Evolutionary Architectures: Support Constant Change》。

Bruce Eckel

Bruce Eckel是《Thinking in Java》（Java編程思想）和《Thinking in C++》（C++編程思想）等暢銷書的作者。從 1986開始，他已經發表了 150多篇計算機專業文章，還撰寫了 6本書。他曾擔任 C++標準委員會委員。

他的《Thinking in C++》一本書在 1995年被評為「最佳軟體開發圖書」，《Thinking in Java》被評為 1999年 Java World「最受讀者歡迎圖書」，並且贏得了編輯首選圖書獎。

Georges Saab

Saab先生現任 Oracle Java平台事業群 VP，其部門負責 Java語言、核心類庫和 Java虛擬機的定義與實現。Saab有 20多年的編程語言和平台開發經驗。與此同時，他還是 Swing Group和 Java Webstart的創建者之一，並曾經領導過 JRockit JVM的開發。

Mark Billinghurst

Mark Billinghurst 是南澳大利亞大學人機交互教授。2002年，他在華盛頓大學獲得博士學位。他在可穿戴計算、增強現實（AR）、移動交互等領域發表了 300多篇論文。

在加入南澳大利亞大學之前，曾任紐西蘭坎特伯雷大學人機交互實驗室主任。因其對 AR研究和商業化的卓越貢獻，他於 2013年榮獲 IEEE VR技術成就獎。同年當選紐西蘭皇家學會院士。

Mads Torgersen

Mads在微軟擔任 C#編程語言的 Program Manager，負責 C#的設計流程，維護語言規範。在微軟 12年，他參與了 C# 5個版本的設計。也是 TypeScript、Visual Basic、Roslyn和 LINQ等語言和技術的貢獻者。在加入微軟之前，曾在大學擔任教職，研究編程語言設計，對 Java泛型也有所貢獻。

最新實踐及解決方案

Apache Kafka的過去，現在，和未來

2010年，LinkedIn開始開發 Kafka。2011年，Kafka成為 Apache開源項目。從那以後，Kafka的使用在各種企業中迅速增長。目前，超過 30%的世界 500強公司已經在使用 Kafka。怎樣做一個非常受歡迎的發布訂閱消息系統，未來又如何把 Kafka建成實時流數據處理平台，Confluent的聯合創始人，也是 Apache Kafka項目委員會主席 Jun Rao將在 QCon北京 2018帶來分享。

Google:藉助 Istio，不再重複發明輪子

容器為運行服務提供了一致、可複製的環境。如 Kubernetes等容器編排（Orchestration）系統，可以用一致的 API，幫助我們管理和伸縮容器集群。對於鬆散耦合的微服務架構而言，這是很好的起點，不過還不夠。如何控制服務間的流量和實施策略？如何將服務間的依賴可視化，並快速識別問題？如何提供可驗證的服務特性，來處理和測試故障？開發者可以實現自己的定製方案，也可以依賴 Istio這一開放平台來連接和管理微服務，並保障安全。在本次演講中，我們將學習 Istio的主要特性，並理解其對微服務網路的助力作用。

深入 Apache Spark流計算引擎：Structured Streaming

Apache Spark在 2016年的時候啟動了 Structured Streaming項目，一個基於 Spark SQL的全新流計算引擎 Structured Streaming，讓用戶像編寫批處理程序一樣簡單地編寫高性能的流處理程序。經過一年多的改進和完善，目前 Structured Streaming已經在 Databricks內部和客戶廣泛使用。本次演講主要向大家介紹 Structured Streaming項目和高級特性，以及如何使用 Structured Streaming來構建高性能的流處理應用。

用 Kafka Streams搭建實時的廣告消費系統

Pinterest在設計廣告消費系統中遇到一些壓力和挑戰之後大膽嘗試並使用了 Kafka Streams這樣一個新興的流處理技術，並且成功的將其推行成為廣告系統的實時運算基礎，為什麼流處理是廣告系統不可或缺的組成部分，如何設計流處理系統，如何高效穩定的運維，怎樣優化流處理技術的使用，Pinterest廣告系統架構師陳博瑒都將一一分享。可以預期未來一定會有更多 Kafka Streams在中國計算機業界的大數據應用。

LinkedIn:大規模系統的性能優化性能優化

精確、高效的互聯網服務容量測量對於確保高性能的線上計算環境和數據中心的優化建設至關重要。LinkedIn通過一套名為「Redliner」的系統來進行自動化的系統容量測量和性能瓶頸分析，這套系統直接應用線上環境中的實時流量，採用智能的流量重定向並實時監測系統性能指標，自動地調整測量的強度和時長，得出服務系統的容量極限並分析出系統潛在的性能漏洞，給出系統容量規劃和性能優化的建議。

這套系統被應用於數百個 LinkedIn的服務。 通過每日的測量測試，我們可以及時發現微服務系統中的潛在性能瓶頸，從而快速優化微服務系統以提高吞吐量，找到系統資源配置的優化方案，提升數據中心的資源應用率等。

Oracle :GraalVM及其生態系統

Graal是一個用 Java編寫的高性能即時編譯器。它是 Java 9中 AOT編譯的實現基礎，並將作為試驗性即時編譯器與 Java 10一同發布。GraalVM擁有自己的生態系統，為各類託管語言（如 Java，JavaScript，Ruby及 R）提供優越的峰值性能。Graal可以在通用的 Java HotSpot虛擬機或 SubstrateVM上運行。後者是 GraalVM為了實現高啟動性能，低 memory footprint而提供的解決方案。

Microsoft:使用雲和人工智慧技術構建 Web應用

人工智慧和機器學習技術為我們從大量數據中獲取知識提供了巨大機會。藉助雲計算和人工智慧，我們可以搜索、分析大規模數據，並從中挖掘信息。從數據中找到有意義的信息是最大的挑戰之一。

本次演講將分享如何藉助人工智慧和機器學習構建智能化雲解決方案，涉及內容包括從架構基礎設施到使用 TypeScript和 React構建 UI。屆時會演示如何開發一款支持文本、文檔和圖片搜索的 Web應用。最後，演講將介紹構建解決方案時所用的 Azure Search和 Cognitive Services的內部構件。

Airbnb的閃訂功能和增長策略

閃訂（Instant Book）功能使得 Airbnb房客不需要獲得房東的批准就可以預定，極大的提高了訂房成功率，減少了訪客的等待時間，目前閃訂功能已成為全球民宿行業的標準之一。Airbnb如何創建閃訂功能，閃訂在技術和產品上的挑戰以及 Airbnb如何在短時間內實現從 10%閃訂到 70%閃訂的轉變,完整的產品增長案例分享，包括從產品的創建，建立增長戰略，團隊的協作以及實施過程中面對的技術與非技術挑戰。

Prometheus:設計與實現

Prometheus是一款極具特色的監控系統，很多設計選擇不同於監控系統。對於很多已經習慣於其他系統的人而言，這會造成文化衝突；經常有人質疑，為什麼不選擇「看上去更好」的實現方式呢？

本次演講將分享 Prometheus核心組件設計背後的設計決策，包括推還是拉、多維數據模型、標籤、指標命名等。Prometheus是一款開源的監控報警系統和時間序列資料庫。越來越多的公司選擇該系統進行運維監控。此外，Prometheus的創始人還將從埋點、報警和查詢幾個方面入手，分享 Prometheus的最佳實踐和常見陷阱。

矽谷人工智慧領域探索

Google Translate助力自然語言理解

自然語言理解（NLU）是人工智慧的前沿領域，而機器翻譯又是彌合語言鴻溝的利器。隨著深度學習技術的引入，Google在機器翻譯領域取得了長足的進展。田野博士的主題演講將著重闡釋機器翻譯深度學習模型的演進、工程實現，以及它們如何為 Google平台上的許多產品中發揮著不可替代的作用。作為擁有十億級用戶的 Google Translate，支持一百多種語言互譯，做為 AI落地的成功應用出現在 pixel buds、word lens等產品中。而 Cloud AI更是通過雲平台使 Google頂尖的機器翻譯引擎實現了共享，使得用戶們可以大規模的使用，或者在其基礎上進行適合各自應用場景的個性化訓練。

Linkedin Derived data platform

本次分享將介紹 Linkedin derived data platform以及其如何幫助 Linkedin更好的管理機器學習的結果數據集。包括 Linkedin機器學習的基本流程，著重於如何將結果數據集應用於線上 application，並闡述原有流程的痛點；介紹 derived data platform的整體設計以及幾個關鍵技術點，例如如何合併批量和實時數據。通過幾個實例，例如數據標準化和相關性計算，來介紹 derived data platformr如何存儲海量結果數據集，並為線上 application提供高可用，高性能的服務。最後將總結在新平台上線和遷移過程中的一些經驗，例如如何進行對用戶無感知的遷移。

機器學習和 AI在 Uber Eats外賣服務中的應用

Uber Eats自 2015年 12月在多倫多推出以來，已經在超過 30個國家 200個城市上線並持續快速發展。本次議題將討論機器學習和 AI在 Uber Eats中的應用和我們在過去兩年高速增長中遇到的挑戰。通過介紹餐廳推薦，動態定價，時間預測，智能派單和一些案例分享來了解人工智慧在 Uber外賣服務中的迭代和影響，並了解我們的工程師和數據科學家為讓 Uber Eats無論何時、無論何地都能快速、可靠、高效地送達所做的努力。

Pinterest的視覺搜索（Visual Search at Pinterest）

作為月活用戶超過 2億，擁有數十億圖片儲存的初創公司，Pinterest一直致力於依靠視覺搜索和推薦，幫助用戶發現，儲存創意並應用到日常生活中。

本次主題演講將介紹 Pinterest的視覺搜索架構和搜索流程，包括圖片特徵向量提取、模型訓練、分散式視覺搜索渠道的流程，以及在 Flashlight、Len Your Look等主要相關產品中的應用。

無人店之人臉識別技術探討

隨著深度學習的廣泛發展，人臉識別的準確率有了巨大的飛躍。計算機通過自我學習得到的人臉特徵更為可靠。將深度學習應用到人臉特徵提取，使得人臉識別的精度有了進一步的提高。 VGGNet、GoogLeNet、ResNet是現今普遍流行的深度卷積神經網路（CNN）架構，基於這些架構訓練出的的人臉識別模型，在公共數據集 LFW（Labeled Face in the Wild）都得到了不錯的效果。研究發現 ResNet殘差網路的結構可以加快收斂速率，提高訓練速度和性能。而 GoogleNet中的 Inception模塊，通過同一層中不同大小的卷積核可以得到不同尺度的特徵。將 GoogleNet中的 Inception模塊和 ResNet相結合得到新的架構，可以進一步提高人臉識別模型的精確度。我們在此架構的基礎上，訓練出的新的人臉識別模型，在人臉識別公共數據集 LFW達到了 99.63%的準確率。

從鍵盤鍵入到神經網路——深度學習在彭博的應用

在金融數據領域，彭博用三十多年的時間從一個向用戶提供部分美國公司金融數據的公司成長到了現在覆蓋全球基本上所有公司的全方面的超大型集成平台。這些金融數據都需要從不同的格式中被儘可能快速並且準確的提取出來，標準化，最後通過統一的格式反饋到市場。在本次演講中，我們將講述在神經網路領域最新的突破如何幫助彭博對文件進行自動化處理，並將展示其在數據提取及分析方面體現出來的更高準確度和更快處理速度。

使用開源分散式存儲系統 Alluxio來有效的分離計算與存儲

本次主題演講將著重介紹如何利用開源分散式存儲系統來有效的分離計算與存儲。首先跟聽眾分享開源分散式存儲系統 Alluxio的設計理念，以及其在大數據與 AI生態系統中的位置。之後將介紹存儲與計算分離這樣一個大數據與 AI領域新的架構趨勢，並從系統搭建、數據本地化、雲部署等多方面分析 Alluxio在這個架構上的優點，以及如何使用 Alluxio搭建一個高效靈活的去耦大數據與 AI訓練平台。在演講結束之前，講師還將分享設計，構建與實現 Alluxio分散式系統過程中的心得與思考。

人工智慧系統中的安全風險

深度學習引領著新一輪的人工智慧浪潮，受到工業界以及全社會的廣泛關注。隨著深度學習系統在各個領域的逐漸推廣，人工智慧系統中的安全問題也漸漸暴露出來。360安全團隊對深度學習系統及應用的分析在 2017年發現了多種漏洞，包括前一段時間公開的深度學習平台框架的漏洞。但對人工智慧系統的攻擊和深度學習系統的潛在風險遠遠不只是平台和框架上的漏洞問題。

此次演講將全面講述框架攻擊之外的多種針對深度學習系統的攻擊方式，涵蓋深度學習系統的數據流和控制流，涉及深度學習圖像識別等多種應用。

AI大數據時代電商攻防：AI對抗 AI

AI大數據時代京東和其它電子商務平檯面對的新風險和新問題：如何用 AI技術和系統化的安全方式來對抗內外部威脅，成為當今京東安全研究人員所面臨的一個重要問題。 主要分析 AI大數據時代安全與傳統安全的不同，以及目前基於電子商務平台以 AI的攻防對抗。

藉助 Intel SGX技術進行安全的機器學習

越來越多的機器學習的訓練和預測運算在公有雲平台或者手機、IoT設備上進行。這些機器學習模型的輸入數據和模型參數經常具有相當高的價值，容易成為攻擊者的目標。但是這些計算平台對於數據保護可能存在瑕疵，使得攻擊者可以偷取到模型的輸入輸出和模型參數。因此，如何保護機器學習模型是一個亟待解決的問題。本演講關注於在機器學習中結合 Intel SGX可信計算技術，構造可信、安全的機器學習平台。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！