有没有前端学习搭子，每天打卡..有点学不动了

拼多多应该是做加速推理的，拓竹是3D切片软件。拼多多规模更大，更好跳槽；但是拓竹业务很好，未来发展也不错，就很纠结

1. 项目介绍2. 僵尸进程怎么产生、怎么处理3. 进程间通信方式4. time_wait状态八股5. 拥塞控制算法6. mysql select的流程、涉及的模块7. 索引失效的场景8. 怎么看数据库的监控9. 如何评估系统稳定性10. 假如要给线上表加一个字段，怎么评估影响，稳定性11. 线上环境cpu占用飙升，一分钟内该做什么12. 算法：快速排序

百适安壁挂炉售后维修服务热线号码羽技术支持百适安壁挂炉售后业务中的细微变化 作为百适安壁挂炉售后维修企业容器技术支持的一员，每天会面对全球各地企业级客户提出的关于容器的各种问题，通过这几年的技术支持的经历，逐步发现容器问题客户的一些惯性，哪些是重度用户，哪些是轻度客户，这些客户大概分布在什么行业等等。百适安壁挂炉售后服务电话400-186-5660在渐渐地接触过程中，发现有些壁挂炉重度容器使用客户，所提出的问题场景也在逐步变化中，由于涉及法律法规，下面数据无法完整提供，只是提供相关简要说明。纵向维度 从去年底开始，关于边缘集群的工单数量逐渐开始上升，增长幅度较大。其中涉及问题的边缘集群，超过一半左右来的客户集群规模比较大，集群节点规模数量级在几百个节点，甚至几千个节点规模。横向维度 客户一：该用户是目前是国内 ToC 端个性化推荐服务提供商之一，该客户在今年才开始使用 容器服务 Edge 版 ACK Edge 产品，到目前为止边缘集群的节点数已经快速破百。客户二：该用户是目前是国内电动汽车行业先驱者，并且一直处于新能源热门话题榜中，该客户第一次使用容器服务 Edge 版 ACK Edge 产品，到目前为止，边缘集群的节点数已经破千，占该客户所有容器集群节点数的近一半。客户三：该用户是全球著名无人 IoT 设备提供商之一。于去年开始使用容器服务 Edge 版 ACK Edge 产品后，快速增加 ACK Edge 比重，目前边缘集群已经承担了该客户容器的大部分业务形态，同时该客户提问的容器工单，一大半是关于边缘集群的。客户四：该用户是私域电商领域的领头羊企业，于今年开始使用容器服务 Edge 版 ACK Edge产品，并快速的进行集群规模的扩张，到目前为止，边缘集群的节点数规模已经过千。这些客户在边缘集群上的使用，和我这几个月服务企业客户的体感是一致的，那就是边缘计算似乎越来越成为客户业务云原生化的一个方向，并且该比重会越来越高。这些短平快使用边缘集群的客户貌似并没统一的客户行业属性和画像，既有互联网电商，也有制造业，新能源骑车等交通行业线等等，并不像公有云具有强烈的行业属性，比如互联网，教培客户偏向于公有云，ToG，大交通客户偏向于专有云等等，似乎边缘计算出现就是为了终端复杂业务场景而生的。概念和业务形态 边缘云计算构筑在位于中心云与终端之间的边缘基础设施上的新型分布式计算，是云计算能力由中心向边缘的下沉，强调通过云边一体、协同管理实现中心云计算模式下所无法满足的业务需求，是一种更加靠近数据产生源的云计算。“边缘”是一个非绝对的相对概念，边缘业务对网络时延、带宽、数据量级、经济性等多方面的不同需求都会影响边缘云部署的最佳位置。自动驾驶、云游戏等共享型业务，可部署在区域级别 or 省市级别的区域边缘云上，而面向工厂、港口、园区等的专享型边缘云业务既可以部署在贴近客户现场的边缘数据中上，也可以通过边缘网关等更轻量级的设备来实现。从技术路线上看，区域边缘云和现场边缘云同是基于边缘数据中心，是通过 ICT 基础设施的下沉实现边缘云的能力，而 IoT 边缘云是对于以工业场景为代表的各类现场设备进行云化的升级改造。定位和核心价值边缘云计算出现是为了补充集中式云计算能力的不足，因此边缘云计算的出现不是为了替代集中式云计算，当我们广义上去讨论的时候，其实应放在云-边-端的整体框架之下，将边缘云视作中心云在靠近终端用户的下沉。其实边缘云计算就类比章鱼，章鱼的大脑仅有 40% 的神经元，其余的 60% 神经元分布在章鱼个各个大腿之上，形成了“1 个大脑+N 个小脑”神经计算结构。这个和中心云+边缘云+终端用户架构极为相似，各种各样的终端用户采集到海量数据后，将需要进行实时处理的小规模、局部数据就近在边缘云上完成处理和反馈；而复杂、大规模的全局性的数据处理，则交给中心云进行处理和发布，中心云与边缘云统一管控、智能调度，形成算力的合理分配和业务逻辑的实现。边缘云计算相比中心云计算更加贴近数据产生和使用的终端用户，这些终端用户对网络时延和传输成本方面具有非常大的敏感性，而边缘云计算是云计算能力向边缘的下沉，同时也契合了低延迟和低成本的诉求。但是边缘侧的物理物理设备和运行环境不像中心云有统一的标准，硬件的性能参差不齐，因此边缘云需要与中心云进行协同处理，结合中心云的大规模计算能力和边缘云的低延迟，成本低的特点，既要实现在集中式云计算模式下无法实现的超低延时的信息交互，又要实现一部分的数据自闭环处理和反馈。超低延迟现阶段应用边缘云最主要的动力即为时延，尤其是需要实时交互、实时反馈的场景，比如智能终端设备，车辆网，自动驾驶等等。传统云计算模式下，从终端用户到中心云因物理距离的强力限制，网络延迟难以进一步降低，同时智能终端设备数量级的增长，必然对海量数据处理带来了要求。传输成本中心云计算下终端用户产生的数据都需要回传到云端进行处理，远距离的数据传输消耗的成本比较高，且大多数传回云端的数据，多是无用信息，在终端量级爆发增长下，对中心云的计算能力产生了大量损耗。网络安全有些行业因国家政策、行业特性、数据隐私保护等要求，对数据安全要求极高，敏感数据无法传回云端，但是这些行业也有业务云化的需求。典型应用场景 超低时延需求、海量数据处理、边缘智能调度、数据安全规范是促使企业选择边缘云计算的几个主要因素，目前超低延迟特性和海量数据处理是边缘云计算相比中心云计算的最大优势。如右图所示，在工业互联网、 车联网、智慧交通、云游戏和 VR/AR 等场景中，数据的传输和计算能力的需求是巨大的，边缘云计算恰好能满足这些高要求。Kubernetes：从中心化走向边缘化 经过前面的铺垫，我们可以对未来云计算有大概的一个初步判断。那么作为云原生基石的 Kubernetes 在边缘计算场景下又是该如发展呢？是类似于 IOE 这种随着时代潮流逐渐淘汰，还是类似 Vmware 在自己的私域里不受影响，还是像现在 AI 大模型成为未来主流呢。这里先说下个人观点，Kubernetes 插件体系和 list-watch 机制，让它天生就适合边缘云计算。Kubernetes 是以应用为中心而设计的架构方案，以 Kubernetes 为编排工具，向下屏蔽底层基础设施和架构，实现不同底层资源架构的统一调度和管理；向上通过标准的容器镜像手段，实现承载多种业务形态和应用的自动化部署和快速恢复；横向拓展实现了突破中心云计算的边界，让底层算力的调用突破地域、云厂商和物理设备的限制，形成了云-边-端一体化的协同部署方案。Kubernetes 在边缘云计算下的挑战 Kubernetes 是一个分布式架构的云原生系统，实现了管控-业务的分离，master 节点负责管理 worker 节点，调度 Pod 以及控制集群运行状态。worker 节点，负责运行容器，架空容器状态并及时上报。在边缘云计算场景下，主要面临以下挑战：Kubernetes 是一个强一致性的中心存储架构，相关 Kubernetes 资源的状态都会记录到管控侧并对这些资源进行统一调度和管理，那么在边缘多场景下，边缘和中心之间的网络状态是不稳定的，那么这种强一致性的逻辑就会遇到挑战；Worker 节点通过 List-Watch 机制与 Matser 节点通信，实现该节点的上 Kubernetes 资源的同步，但是当出现边缘和中心的网络瓶颈时候，Worker 节点是无自治能力，无法进行自我决策。Kubelet 所需要执行的策略比较多，比如容器 CRI，CSI， CNI 等网络，存储，计算等资源，在大规模节点，有时候 kubelet 占用的资源接近 1GB，这对边缘低配置硬件版本设施是个挑战。Kubernetes 社区的主版本并没有主流开源边缘版本，而且边缘云计算涉及场景更加复杂，目前 CNCF 社区的边缘云计算开源项目主要针对就是上面三点挑战，利用 Kubernetes 多插件支持能力，将管控中心任务分布是部署，实现 Kubernetes Master 节点统一管控，智能调度；各个边缘集群节点有独立管控实现各自边缘的自治和业务同步，从而实现了云端管控、边缘自治的云-边-端一体化协同。

一、背景介绍本人是27届本科，目前在🐧实习，目前对于实习段数，简历拷打，学习建议有一些问题咨询，目标冲刺明年的sp（大佬勿喷，个人的目标，不一定实现，多多担待），但也在纠结是否考研实习组内情况缺点：1.组里是b端业务，流量不大，更多的做的是一些b端定制化需求2.组内技术栈和本人技术栈不对口（这个其实我不太重视，感觉语言不太重要，但写着确实难受）3.业务流程不太好，不像大厂的规范，产品大多数只给需求和拉群，不怎么提前对一下，导致给了需求有时候不知道怎么写，开发效率低，经常问正职，总的来说landing熟悉项目给的时间少，开发流程规范不好优点1.Dw 比较少，实习生做正式工的活，之前挺闲的，最近组里开始非常忙2.正直都挺好，但是都挺忙3.能学到东西，但感觉总一个人搞，效率低我之前在美团实习过一段，避免开盒把组隐藏了。第一个组干了两个月，产出基本只有第一个和第二个，别的都是包的。第二个组产出是自己做的，业务看着牛逼，但是很简单，都是封装好的，什么短链接、短信通知都是封装好的sdk，直接调用就🉑（大厂是这样的，都是复用之前写好的….）腾讯产出也很简单，用ai润色了一下，把产出大概写上了（很多都是dw，后面会删掉，这Ai 润色的太高大上了…..）而且个人在大模型时代热潮的冲击下，也有想要尝试学习和接触AI大模型的想法，萌生了考研的想法（30%的意愿吧），当然也了解并不是读了研就能搞算法，但感觉研究生的选择相对来说还是更多一些。所以有必要读研，选择更多一些呢？不知道大家对于大模型LLM发展与就业场景、大模型时代下开发未来发展前景（总有感觉会被替代，至少会被疯狂冲）想法如何，希望可以一块交流一下二、问题1️⃣我想着1月份还需要再找一段吗？有同学说质量+时长最重要，有同学说3个月+段数最重要…但感觉有些拿到ssp的确实段数非常多…1. 1月份找一段，再沉淀一段2.直接实习到明年暑期开，边实习边沉淀，暑期开了投递2️⃣顺便咨询一下大佬们的学习建议1.拓展一下技术栈，尝试学习Ai agent类似的热门方向2.尝试搞一下开源3.多读后端技术文章，一直强化八股4.学习国外公开课，做lab projs3️⃣简历修改建议个人觉得有一些产出包的过于夸张，希望大佬指正修改4️⃣就业 or 考研如上