4年一轮回(后半部)

四年一轮回,后半部分,写完发现还得有一部分,文章不宜过长,后面再写2018年在非洲吧~~~

------2016至今
  又回到传统OTT行业公司(SW),这两年从高级技术到系统架构再到副总监,在管理和技术上算是有所飞跃。一个人的成就跟他所处的环境有很大关系,公司除了对源代码安全底线控制,对研发技术和管理没有任何限制(支点很重要)。

  从部署系统要2周的土作坊到10分钟内完成整套DevOps流水线式部署,从没有技术积累、流程制度到研发环节各流程流程牵引、一致输出、持续交付。我们一直在努力提升竞争力,缩短差距。

  总结:修己惠人,笃行致远。

--------2016年下旬(9月中下旬)
  在SF大体制下,一个萝卜一个坑,如果没有人拉(顶),想推行自己的想法将面临各种限制。在朋友劝说下来到SW,朋友(James)当时的一句话打动了我,在这里你可以尽情发挥自己的想法。时至今日,他说的是真的~~~

  刚加入公司,被告知要做一个基于YouTube的爬虫项目,爬取的内容元数据供终端盒子使用。该项目项目经理、设计、开发、测试都是我一个人,得知此消息高兴坏了。

    第一周完成项目命名(AF项目)、立项材料撰写、Google YouTube API(V3)技术预研,输出项目任务书、需求设计文档、接口设计、数据库设计。

    第二周完成项目框架搭建,采用SpringMVC+Redis+PostgreSQL+Jetty架构,该框架是公司第一个Java项目框架,后面的项目都是基于此复制延用。完成代码编写和自测试,项目大致框图如下:  

    

    第三周完成项目调优和缓存方案重构,Jenkins自动化编译、打包、安装、部署全流程一键式自动完成,并且集成SonarQueb完成代码质量检测的修改,这便是我们起步自动化V1.0的架构。

    

    第四周完成终端联调和项目上线,记得运维同事非常惊讶,部署升级怎能如此简单。最终项目顺利上线,完成结项报告。这个结项报告我讲了2次,项目正式结项会议,领导看了这一个月做的成绩非常高兴,于是做了第二次全员分享。

  AF项目线上运行2年多,除了几次YouTube爬取故障(爬数失败都会6次重试并且发邮件通知),几乎没有做过维护。采编人员只需要在YouTube编排自己的频道和订阅频道,频道更新内容会自动爬取到AF,终端刷新就能看的最新频道数据。

  心得:在组织内打破原有习惯推行新的流程,势必要有一个已经成型的模范,大家看到收益的同时也有一个模仿对象,不然团队成员遇到任何问题都会跳出来质疑,然后迅速回到舒适圈内。说的再好不如做出来让大家看到,为此项目奖、年终奖、优秀新人奖都收入囊中~~~

-----2017年
  有AF项目的成功,公司新项目全部依此为模板,全部实现了从代码到安装的自动化流水线,为此我输出了Jenkins使用指南、AF项目指南等文档,方便大家查阅和参考。

  此时公司原来一套用Python写的OTT系统遇到性能瓶颈,并马上参与到新项目(WIS)的设计和研发工作,由于OTT系统解决方案在业界已经成熟,大体上就是基于已知业务重构一套。

  项目由朋友(James)主导,前面3个月我们完成V1.0Basic版本交付,并成功完成项目结项演示。具体项目架构和技术这里不细讲,做了非常多的尝试,流控、告警、日志、缓存,前部说的OTT未入行,这次算是彻底入行,并完全熟悉全业务流程。

  公司开发人员有C、Java、Python技能比较单一,而且基本上都是毕业一年的新手,所以架构上采用Java完成门户、注册、认证、计费等在线模块,Python完成数据编排、后台等离线模块,整个项目大体有10几个网元,发布上线至少需要2个小时完成。

  WIS项目的Basic版本后面拉了三个分支,分别是C01、C02、C03:

    我则带了一批人到C01(CK子公司)做互联网APP、盒子、PC端(和腾讯视频、爱奇艺类似),服务对象是海外华人(东南亚区域)。

    C02被另外子公司替换老系统,也从当前团队抽了部分人,当时也帮他们设计了一套DCS调度系统,完成在线模块路由、负载、防黑处理。

    公司在长沙买了2层楼,C03则被朋友(James)带回长沙,组建了长沙研发中心。

  

  在CK主要工作是主导产品设计和研发、交付,是从这个时候开始了解互联网项目运营、快速迭代需求交付的,期间重构梳理了研发需求交付流程,整个团队也有条不紊的交付需求。

  

  在深圳参加了两届DevOps运维大会,接触了DevOps模式,又有了新的方向~~~

2017年底,老板发起非洲项目,后面2次踏上非洲大陆实地考察,下章总结2018年非洲项目~~~

原文地址:https://www.cnblogs.com/huige-you/p/10315373.html

时间: 2024-10-12 11:41:58

4年一轮回(后半部)的相关文章

JS(脚本语言)后半部分、语句:①if...else、②switch:break

JS(脚本语言) 七.运算法表达式 1.数字运算符:+   -  *  /  %  强制类语言:整数/整数=整数(小数点舍) 2.逻辑运算符:&&并   :||或   :! 3.其它:①字符串的拼接“+”  ②三元运算符:a==b?"A等于B":"A不等于B"; 4.比较运算符:① ==  等于 ②!=   不等于③  >=  大于等于 ④<=  小于等于 ⑤>  大于 < 小于 语句 一.顺序: 如:var a=10; va

电子商务系统的设计与实现(十三):分页组件,从前到后,从JS到Java

一.概述   学习实践Web开发5年多了,直到今天,我才算真正实现了最基本最常用的分页组件. 包括:    a.前端JS异步加载并渲染:    b.前端JSP.Freemarker.Struts标签渲染:    c.后端分页       自己写具体的分页算法和逻辑.       使用Mybatis分页插件. 今天,重点介绍下前端JS异步分页,简短介绍下后端Java提供数据.  二. 关键数据结构 public class PageVo { /** 总记录数 */ protected Intege

S3C2416睡眠后唤醒的具体细节

〇.引子 书接上回,即:S3C2416睡眠的底层实现. 话说,春梦了无痕,秋鸿有信终需醒.睡醒后的恢复操作以及恢复哪些东西,在s3c_pm_enter(suspend_state_t state)函数的后半部分有具体实现: arch/arm/plat-samsung/pm.c <span style="font-family:Courier New;">static int s3c_pm_enter(suspend_state_t state) { ...... /* re

机器学习笔记_PRML_Adaboost 算法的原理与推导

转自:http://blog.csdn.net/v_july_v/article/details/40718799 Adaboost 算法的原理与推导 1 Adaboost的原理 1.1 Adaboost是什么 AdaBoost,是英文"Adaptive Boosting"(自适应增强)的缩写,由Yoav Freund和Robert Schapire在1995年提出.它的自适应在于:前一个基本分类器分错的样本会得到加强,加权后的全体样本再次被用来训练下一个基本分类器.同时,在每一轮中加

深度学习(deeplearing)(5月完成)共三部分 第一部分应用数学与机器学习(5.1-5.10)线性代数

第一章:线性代数: 学习一个新东西,首先要从概念开始,抓住其核心点 机器学习相关问题中,数据集多是以矩阵的形式存在,而模型的参数如W也是以矩阵或向量的形式存在,所以一个模型从数学的角度来说,就是矩阵间的运算,而运算中矩阵相乘的运算又是最常用的运算.本章后半部分讲解了在机器学习中会用到的一些矩阵运算的概念,如范数.行列式. 特征分解.奇异值分解等 一.基本单元:标量.向量.矩阵.张量 二.

TCP传输协议

1.TCP中一些名词解释 (1)MSS(maximum segment size) TCP的最大报文段大小,在TCP报文段中有一个16位的部分用于放置该值,因此最大为65535,可以利用setsockopt() 和getsockopt设置和获取TCP_MAXSEG来影响MSS: (2)MSL(maximum segment lifetime) IP报文段能在网络中存在的最长时间,这个是系统级的参数,没有接口修改,windows上可以通过注册表修改,通常为2分钟,最低为30秒,linux上面没法修

Linux文本处理三剑客之GNU awk的使用

awk: Aho, Weinberger, Kernighan,报告生成器,格式化文本输出 有多种版本:New awk(nawk),GNU awk(gawk) gawk –模式扫描和处理语言 基本用法: awk[options] 'program' var=value file- awk[options] -f programfile var=value file- awk[options] 'BEGIN{ action;... } pattern{ action;... } END{ acti

周爱民:真正的架构师是没有title的(图灵访谈)

周爱民,现任豌豆荚架构师,国内软件开发界资深软件工程师.从1996年起开始涉足商业软件开发,历任部门经理.区域总经理.高级软件工程师.平台架构师等职,有18年的软件开发与架构.项目管理及团队建设经验,曾任盛大网络平台架构师.支付宝业务架构师,是 Borland Delphi 产品技术专家,也是 Qomo 开源项目(JavaScript)的发起者.2003年5月被美国 Borland 公司授予「Borland Delphi 产品专家」称号,并授予「论坛特别贡献奖」.著有<大道至简——软件工程实践者

从n-gram中文文本纠错到中文语法纠错以及同义词聚类

前记 本文简单地讲解如何使用n-gram模型结合汉字拼音来作中文错别字纠错,然后介绍最短编辑距离在中文搜索纠错方面的应用:最后从依赖树入手讲解如何作文本长距离纠错(语法纠错),并从该方法中得到一种启示,利用依赖树的特点结合ESA算法来做同义词的聚类. n-gram模型 在中文错别字查错情景中,我们判断一个句子是否合法可以通过计算它的概率来得到,假设一个句子S = {w1, w2, ..., wn},则问题可以转换成如下形式: P(S)被称为语言模型,即用来计算一个句子合法概率的模型. 但是使用上