区别于传统的流水线工具，本实验将带你体验云效应用交付平台 AppStack，从应用视角，完成一个 AI 聊天应用的高效交付。
从 2008 年开始，我陆陆续续参与了多个 DevOps 系统的建设，如今，审视这些系统的建设初衷和它们的设计思路或遇到的问题，依然有不少借鉴意义。我会按照时间顺序，把每个 DevOps 系统的特点，诞生的背景，以及在当时所主要解决的问题做一个概要的介绍，同时，我们也会以今天的视角再次审视这些问题，来看下同样的问题，经过十几年的发展，解决方案上有哪些不同。
在 iLogtail 开源两周年这一里程碑时刻，我们邀请到了两位社区 Committer 进行分享，揭秘这些开发者如何在日常工作中与 iLogtail 结缘，又如何在业余时间里为项目添砖加瓦，推动其不断向前发展~
SQL 作为 SLS 基础功能，每天承载了用户大量日志数据的分析请求，既有小数据量的快速查询（如告警、即席查询等）；也有上万亿数据规模的报表级分析。SLS 作为 Serverless 服务，除了要满足不同用户的各类需求，还要兼顾性能、隔离性、稳定性等要求。过去一年多的时间，SLS SQL 团队做了大量的工作，对 SQL 引擎进行了全新升级，SQL 的执行性能、隔离性等方面都有了大幅的提升。
对于众多开发者而言，Serverless 架构的核心优势在于其能够无缝集成多种云产品与组件，从而使得开发者可以更加专注于核心业务逻辑和创新。此外，Serverless 架构还提供了按量付费的灵活计费模式，进一步降低了资源成本。使用云应用开发平台 CAP，在 AI 领域，企业就可以专注于模型训练、算法优化等关键任务，让 AI 应用的开发、部署以及全生命周期的管理更加简单。可以预见 Serverless 技术将催生一系列创新且有趣的应用，而这些应用将不断拓展 AI 技术的边界。
本文主要介绍AI浪潮下的数据安全管理实践，主要分为背景介绍、Access Point、Bucket三个部分
在业务场景中，日志数据可能存储在日志服务 Project 的不同 Logstore/MetricStore 中或不同地域的 Project 中。日志服务的数据集（StoreView）功能支持跨地域、跨 Store 联合查询和分析，让用户基于数据集就能高效便捷地查询分析全地域的数据，真正做到数据分析不受地域边界的限制。
本文从思考日志的本质开始，一览业界对日志使用的最佳实践，然后尝试给出分布式存储场景下对日志模块的需求抽象，最后是技术探索路上个人的一点点感悟。