開源大資料週刊-第104期

資訊

• 谷歌、亞馬遜、阿里紛紛入局，邊緣計算的潛力如何？

從智慧手機到可穿戴裝置，從醫療到汽車以及工業製造，邊緣計算正在上演一個又一個行業傳奇，它的落腳點是要讓終端成為更智慧的存在——能夠實時處理資料、能夠低延時做出反饋——這不就是我們期待中的智慧裝置嗎？

• 如此多的深度學習框架，為什麼我選擇PyTorch？

不久前，Facebook 在首屆 PyTorch 開發者大會發布了 PyTorch1.0 預覽版，標誌著這一框架更為穩定可用。從去年年初發布以來，PyTorch 已經成為明星框架，發展速度甚至有力壓 TensorFlow 的趨勢。據網友統計，在最新的 ICLR 2019 提交論文中，提及 TensorFlow 的論文數量從 228 升到了 266，而提及 PyTorch 的論文數量從 2018 年的 87 激增到了 252，這是否也是 PyTorch 即將趕超 TensorFlow 的又一證明？

• 資料科學即將迎來“無程式碼”時代

我們正在進入資料科學實踐的新階段，即“無程式碼”時代。 像所有重大的變化一樣，這個變化還沒有在實踐中清晰地體現，但這個變化影響深遠，發展趨勢非常明顯。

技術

• 10個優化Apache Kafka部署的最佳實踐

Kafka是低開銷和易於橫向擴充套件的分散式訊息解決方案。本文介紹十個讓Kafka服務更加高效簡單的運維建議，包括ZooKeeper叢集調整，配置調優和安全協議等。

• 美團點評基於 Flink 的實時數倉建設實踐

近些年，企業對資料服務實時化服務的需求日益增多。本文整理了常見實時資料元件的效能特點和適用場景，介紹了美團如何通過 Flink 引擎構建實時資料倉儲，從而提供高效、穩健的實時資料服務。

• 理解Apache Pulsar工作原理

Apche Pulsar的特性包括：保證不丟失訊息、強順序性保證、可預測的讀寫延遲。本文自頂向下討論各個層次的設計思想，以及Pulsar+BookKeeper(分散式日誌儲存解決方案)對比Kafka的不同點。

• Spark 踩坑記—Spark Streaming+Kafka

本文首先對 spark streaming 嵌入 kafka 的方式進行歸納總結，之後簡單闡述 Spark streaming+kafka 在輿情專案中的應用，最後將自己在 Spark Streaming+kafka 的實際優化中的一些經驗進行歸納總結。

---

版權宣告：資訊都是來自網際網路，如果侵權，請聯絡我們，我們負責刪除。

阿里雲E-Mapreduce團隊出品