今年4月，阿里收购饿了么新闻还未退去，美团收购摩拜消息又起，阿里系与腾讯系又开始进行新一轮业务与技术上的竞争。

将眼界放大至世界互联网，2017年人工智能获得了120亿美元的风险投资，2018年区块链开始成为很多人讨论的热门话题。毫无疑问，巨头们的动作、人工智能及区块链等新技术获得了近两年最大的关注。

在这个技术面临大变革的时代背景下，InfoQ即将在7月6-9日深圳举办ArchSummit全球架构师峰会，已邀请了Google研究院技术专家、前Tesla深度学习负责人、阿里、腾讯、百度等国内外顶尖技术人前来分享新技术新业务背后的架构实践和思考。

读者可进一步识别下方二维码获取大会演讲目录，目前大会8折报名即将结束，本文简单列举大会已确定的技术分享，希望对你有所帮助。

腾讯：揭秘微信背后万级机器的管理者Yard平台

微信作为一款国民App，每天承载着数百亿条的消息收发，而支撑着微信功能的后台服务也多达数万个，如何确保这些在线服务的稳定可用和可控，是资源管理系统面临的一大挑战

ArchSummit邀请了腾讯微信专家工程师文杰前来分享《揭秘微信背后万级机器的管理者Yard平台》，将通过系统架构、资源隔离的“舍”与“得”、调度AI、网红Docker在Yard中的应用、以及踩过的“坑”与“坑”外的思考等几个角度分享诸多实践心得。

阿里：使用标准的ANSI SQL驱动大数据流计算

近些年随着大数据技术的不断发展和成熟，无论是传统企业还是互联网公司都已经不再仅仅满足于批处理，对流处理的场景和需求也越来越强烈。阿里巴巴的核心业务现在完全由数据处理引擎Blink驱动，它是一款阿里巴巴实时计算部基于Apache Flink改进的项目。

目前阿里内部几乎所有的Blink作业都是由Flink SQL编写，借此机会ArchSummit邀请了阿里高级技术专家大沙前来分享Flink SQL在阿里内部的大规模应用的场景和经验。

滴滴：出行平台地图引擎架构实践和AI技术应用

滴滴已成为日成交订单千万量级的全球最大出行平台，作为中台三个最核心引擎之一的地图引擎是整个平台的基石，重度参与了线上业务流程的几乎每一个环节。

ArchSummit邀请了滴滴高级专家朱智青前来分享服务迭代过程中面对的全新技术挑战（业务高性能要求与严苛的效果约束，经典地图算法与AI的结合等），涉及全量+局部更新体系、海量离线数据的回溯、ETA技术的演变、路径规划架构的迭代、道路匹配问题的优化等重点内容。

菜鸟：全球跨域RPC架构

在菜鸟业务全球化背景下，菜鸟自己在全球建立站点，站点间的应用存在依赖关系，另外与海外合作伙伴间的数据和服务调用变成常态。但全球化的服务调用受网络因素过大，RT高但成功率低一直是一个非常大的问题。基于这样的背景，菜鸟网络研发了自己的解决方案：建设一套全球化的数据&服务集平台。

此次ArchSummit邀请了菜鸟技术主管高良前来分享跨域RPC基础架构建设，包含全球服务注册、全球服务发现&调用、全球部署&SLA（包括容灾）、全球数据同步、全球智能路由、全球调度决策等核心内容。

微众银行：金融业务中区块链技术架构解析

微众银行已通过区块链技术，优化微粒贷业务中的机构间对账流程，实现了准实时对账、提高运营效率、降低运营成本等目标。截至目前，平台稳定运行1年多，保持零故障，记录的真实交易笔数已达千万量级。

此次ArchSummit深圳站邀请了微众银行区块链首席架构师张开翔前来分享《金融业务中区块链技术架构解析》，内容涉及区块链架构的分层模型、密码学、链式区块数据的确定性效果、分布式网络的传播模型、共识算法介绍和博弈逻辑等内容。

区块链安全实践

目前，很多公司在宣传通过区块链技术来对所有信息施行单向密码机制，加密过程不可逆，且每一段数据信息上都会有一个时间戳。想随意侵犯用户隐私和篡改用户信息都相当困难。可是，所有区块链真的有那么安全么？区块链实际用途范围到底有多广泛呢？

ArchSummit邀请了旧金山比特币初创公司Wyre的技术专家Neil Woodfine前来分享《区块链安全的核心》，此次Neil会详细介绍区块链安全的核心概念，包括其中所隐藏的一些安全漏洞，同时也会通过数字货币案例分析，帮助大家在区块链技术应用过程中避免撞墙踩坑。

前Tesla视觉深度学习负责人：自动驾驶中的计算机视觉技术

此次ArchSummit深圳站邀请了前Tesla视觉深度学习负责人徐雷前来分享《自动驾驶中的计算机视觉技术》。自动驾驶是机器学习的集大成者，有广泛的市场和应用前景。

近几年随着机器学习的应用，尤其是卷积神经网络最近有了长足的进步，在一定程度上都促进了计算机视觉技术在自动驾驶领域的落地。此次分享会向听众讲解计算机视觉的关键技术研究内容，并向外界展示多个基于深度学习的障碍物检测、识别跟踪等领域的产品demo。

Google研究院：深度学习在大规模推荐系统中的应用

随着电子商务和在线服务越来越普及，海量在线资源很多时候多到让用户无从选择，因此推荐系统的质量变得至关重要。传统的线性回归方法在很多系统里应用广泛，只不过，随着深度神经网络在图像视觉领域的突破，很多研究人员开始利用神经网络搭建深度推荐系统，推荐质量显著超越传统基于线性回归系统，同时也简化了以往搭建推荐系统所需专家知识(domain knowledge)。

深度推荐系统被广泛应用于Google多项面向用户的产品，一次又一次的突破质量瓶颈。此次ArchSummit深圳站邀请了**Android应用商店、Google广告排名推荐系统负责人**Dekun Zou前来分享《深度学习在大规模推荐系统中的应用》及《TensorFlow在深度学习中的应用》。此次分享会由浅入深探讨如何构建基于深度学习的推荐系统，并讨论最新的技术发展。

Facebook：万亿级混合复杂时空数据的处理决策

此次ArchSummit深圳站邀请了Facebook技术领导宾理涵前来分享《万亿级混合复杂时空数据的处理决策》。

大规模空间数据除了在规模上的挑战以外，还有一些独特的问题需要解决，例如：

• 经纬度，直线距离和弧面距离的区别

• 同样的经纬度差在两极和赤道的面积差等

  
  

这些特性既是挑战也是性能优化上的机遇。Facebook团队处理大规模时空数据过程中，在内部技术和开源技术之间采取折中而务实的办法。此次分享将会涵盖经过验证的，在处理每天万亿级混合复杂操作的时空数据背后的多个设计决策，和架构选型内容（包括在线和面向分析的用户案例），分享大纲如下：

• 处理Facebook级别的时空数据所要面对的挑战

• Facebook数据仓库一览

• 深度剖析Facebook大规模时空数据

• 安全和隐私方面的考虑

热门微博背后的个性化推荐技术

新浪微博每天有上亿条内容产生并在万亿级关系的社交网络上进行传播。目前“热门微博”能够大幅降低用户使用微博的阅读成本，并有效提高用户在线时长。本次分享将主要围绕主流前沿机器学习技术在热门微博中的应用成果，并探讨如何打造适合自己产品的推荐系统。

此次ArchSummit深圳站邀请了新浪微博算法总监朱红垒前来分享《热门微博：AI时代精准的个性化推荐》，大纲如下：

• 个性化推荐引擎框架：基础层/推荐层/排序层

• 特征挖掘与特征工程：超短文本内容特征构建/超大规模关系特征提取

• 大规模实时协同推荐

• 大规模多目标机器学习排序：千亿级排序模型/多目标排序模型

• 深度学习在推荐场景的应用

  
  

• Facebook：机器学习技术在安全性和完整性方面的探索

• Google：如何设计下一代主流语言-Go/Go2

• eBay：QE团队向工程效率团队转型的实践之路

• IBM：Istio - Weaving, Securing and Observing microservices

• Netflix：Severless与FaaS实践

• Pinterest：搭建一个大规模高性能的时间序列大数据平台

• 腾讯：深度学习在信息融合和欺诈风险识别中的应用

• 华为：开源版Spark距离公有云服务有多远

  ...