免费领取阿里云大礼包3150元+新客享0.26折起优惠

gydtep2002

需要识别处理大量的交通参与者，比如机动车、非机动车、行人、动物等，以及其他的突发状况。100万单的背后，是小蛮驴的算法技术、运营技术和安全保障能力在做支撑，

gydtep2002

特殊场景：除了场景的公司内通用场景外，针对不同的行业属性，也可以衍生出特定行业的观测场景与应用，例如阿里云的城市大脑，就是通过观测道路拥堵、信号灯、交通事故等信息，通过控制不同红绿灯时间、出行规划等手段降低城市整体拥堵率。

gydtep2002

数据：传感器产生数据后，我们需要有足够的能力去获取、收集各种类型的数据，并把这些数据归类分析。
算力：可观测场景的核心是需要覆盖足够多的数据，数据一定是海量的，因此系统需要有足够的算力来计算和分析这些数据。

gydtep2002

可观测数据引擎的整体架构如下图所示，从底到上的四层也基本符合方案落地的指导思想：传感器+数据+算力+算法：

传感器：数据源以OpenTelemetry为核心，并且支持各类数据形态、设备/端、数据格式的采集，覆盖面足够的“广”。
数据+算力：采集上来的数据，首先会进入到我们的管道系统（类似于Kafka），根据不同的数据类型构建不同的索引，目前每天我们的平台会有几十PB的新数据写入并存储下。除了常见的查询和分析能力外，我们还内置了ETL的功能，负责对数据进行清洗和格式化，同时支持对接外部的流计算和离线计算系统。

gydtep2002

说了这么多，收回话题，总结一句话就是：Getty 只考虑使用 Go 语言原生的网络接口，如果遇到网络性能瓶颈也只会在自身层面寻找优化突破点。

gydtep2002

当然，其进一步优化手段之一是可以启动一个全局的 goroutine，定时轮询检测所有 client 的 session pool，不必每个 client 单独启动一个 goroutine。

gydtep2002

针对传统算法存在的弊端，业界在2014年开始探索数据驱动类算法，也就是深度学习相关的算法，比较典型的是RNN Noise和 CRNN方法。

gydtep2002

以更好的发挥MNN的优化效果的策略为主，在实用性上，传统算法经验参数多，场景适应性差，而数据驱动类算法，场景适应性是比较好。

gydtep2002

因此它们通常是低功耗、节能的设备，没有内置或内置很少的安全框架。此外，每个网络都由数千个甚至数百万个这样的设备组成

gydtep2002

由于大多数物联网设备缺乏有效的加密和安全框架，因此机器学习可以高效地在网络级别提供适应性强且灵活的物联网安全性。