浅谈异地多活及阿里云容灾经验分享
异地多活，英文Multi-Site High Availability，顾名思义就是分布在异地多个站点同时对外提供服务。与传统灾备最主要的区别是“多活”里所有站点都是同时在对外提供服务的，具体有以下几点不同：
- 传统的灾备中心平时不提供服务，关键时刻无法确定切换到灾备中心是否可以切换成功。
【阿里在线技术峰会】蒋晓伟：Blink计算引擎
在首届阿里巴巴在线峰会上，阿里资深搜索专家蒋晓伟为大家带来了题为《Blink计算引擎》的分享，相比于Flink，在上层，Blink具有批和流一体化的完备Table API，使得其能够支撑各类业务需求；在底层，Blink重新开发了兼容Flink以及生态的Runtime，实现了流处理和批处理完美的统一。
时间序列数据的存储和计算 - 开源时序数据库解析（一）
开源时序数据库
如图是17年6月在db-engines上时序数据库的排名，我会挑选开源的、分布式的时序数据库做详细的解析。前十的排名中，RRD是一个老牌的单机存储引擎，Graphite底层是Whisper，可以认为是一个优化的更强大的RRD数据库。
【HBase从入门到精通系列】如何避免HBase写入过快引起的各种问题
首先我们简单回顾下整个写入流程
client api ==> RPC ==> server IPC ==> RPC queue ==> RPC handler ==> write WAL ==> write memstore ==> flush to filesystem
整个写入流程从客户端调用API开始，数据会通过protobuf编码成一个请求，通过scoket实现的IPC模块被送达server的RPC队列中。
阿里云HBase Ganos在海量实时轨迹中的应用(一)
场景需求
在移动对象轨迹监控与分析的项目中，收集了数十万的车辆信息，每个车辆会定时的上报当前位置、事件、状态等信息，每天约数亿条轨迹点，需要能够存储。且前端用户在查询时，要能快速返回目标船舶的信息。
入库需求：
轨迹数据，每日新增10亿条左右，包括时间点、经纬度坐标、对象当前的属性信息基本不涉及到数据的修改（不断的追加数据）
查询需求：
区域回放：根据时间和空间范围两个维度共同查询。
数据库分布式架构巧设计，水平拆分不再难
在阿里云生态日，袋鼠云首席数据库架构师赵晓宏分享了《高容量大并发数据库服务——数据库分布式架构设计》。他从分布式需求、拆分原则、拆分难点及解决方案、数据库规范设计、运维相关五个方面进行了分享。在分享中，他主要介绍了水平拆分的原则以及解决方案，分享了DRDS的架构与实践。
