Dolphinscheduler共享组件意见/建议收集

DolphinScheduler Version 3.2.1 功能介绍

DolphinScheduler使用需知，常见使用问题及高危操作合集

DolphinScheduler（DS）数据库表介绍

持续更新~，纯干货分享！纯干货分享！纯干货分享！大数据技术已经深刻影响了各行各业，包括企业、政府、医疗、金融、科学研究等领域。通过对海量数据的挖掘和运用，人们可以更好地了解市场趋势、客户需求、产品性能等信息，从而做出更明智的决策。

简单介绍了运行数据表、事实数据表、维度数据表三大类表的区别。

操作 ElasticSearch 中数据的常见指令，供您参考使用。

Docker查看日志的三种方式

对动力电池状态进行精准评估，从而更好地了解电池当前的状态。动力电池实时状态分析的应用场景非常广泛，涉及到电动汽车的研发、生产、使用、维护等各个环节，是电动汽车发展的重要支撑技术之一。

Paimon 是流批一体的湖存储格式，首先它只是一个文件格式，只是一堆代码将数据存储在 OSS 或者 HDFS 上，没有任何的服务。 可以使用 Flink CDC 来一键入湖到 Paimon 中，也可以通过 Flink SQL 或 Spark SQL 来批写、流写到 Paimon 当中。Paimon 也支持主流开源引擎，包括几乎现在所有的开源引擎。最后，Paimon 也可以被 Flink 或 Spark 流读，这也是它作为流式数据湖的特有能力之一。

Apache Doris 数仓使用规范（经验版）Apache Doris 数仓使用规范（经验版）Apache Doris 数仓使用规范（经验版）

长安汽车智能车云平台，网联车日活达百万级，车联网平台日均接收信号条数达百亿级。面对海量车联网数据分析的挑战，长安汽车建设了一套具备千万级数据接入能力的智能网联汽车云平台。为保证智能汽车数据类业务的开展，长安汽车从初试到深度使用（1.1.0开始投产），选择DolphinScheduler作为数据平台的核心调度系统，实现数据任务的灵活编排、调度，赋能智能汽车产品研发、故障诊断等业务。

Flink CDC 是基于数据库日志 CDC（Change Data Capture）技术的实时数据集成框架，支持了全增量一体化、无锁读取、并行读取、表结构变更自动同步、分布式架构等高级特性。配合 Flink 优秀的管道能力和丰富的上下游生态，Flink CDC 可以高效实现海量数据的实时集成。Flink CDC 社区发展迅速，在开源的三年时间里，社区已经吸引了 111 位贡献者，培养了 8 位 Maintainer，社区钉钉用户群超过 9800 人。

什么是 Dinky： Dinky 是一个开箱即用 、易扩展 ，以 Apache Flink 为基础，连接 OLAP 和数据湖等众多框架的一站式实时计算平台，致力于流批一体和湖仓一体的探索与实践。 愿景：Dinky 通过提供一站式专业的数据开发、作业监控、资源管理等服务，让FlinkSQL纵享丝滑，以帮助用户在实时计算时代，更好地构建、交付、管理自己的实时计算任务，更专注地分析和挖掘业务数据，更快地交付商业数据的价值。

2016年，我们对美团Android热更新方案Robust的技术原理做了详细介绍。近几年，Google 推出了新的代码优化混淆工具R8，Android 热修复补丁制作依赖二次构建包和线上包对比，需要对Proguard切换到R8提前进行适配和改造，本文分享 Robust 在适配 R8 以及优化改进中的一些思路和经验，希望能对大家有所帮助或者启发。

基于过去多年在大规模数据集群保稳方面的实践经验，我们希望能够跟业界进行一些技术交流，美团技术团队举办了第75期技术沙龙。我们邀请到了美团研究员赵应钢担任出品人，同时请邀请到张洪、王占全、蔺瑞超、沈裕锋等4位数据库方向的4位技术专家，围绕进攻、防守、⾃愈、演练等几个方向展开分享。本文系超大规模数据库集群保稳系列的第一篇文章。

用好中间件是每一个开发人员的基本功，一个专业的开发人员，追求的不仅是中间件的日常使用，还要探究这背后的设计初衷和底层逻辑，进而保证我们的系统运行更加稳定，让开发工作更加高效。结合这一主题，本文从一次线上告警问题出发，通过第一时间定位问题的根本原因，进而引出Google Dapper与MTrace（美团内部自研）这类分布式链路追踪系统的设计思想和实现途径，再回到问题本质深入@Async的源码分析底层的异步逻辑和实现特点，并给出MTrace跨线程传递失效的原因和解决方案，最后梳理目前主流的分布式跟踪系统的现状，并结合开发人员日常使用中间件的场景提出一些思考和总结。

美团语音交互部针对交互场景下的低延迟语音识别需求，提出了一种全新的低出字延迟流式语音识别方案。本方法将降低延迟问题转换成一个知识蒸馏过程，极大地简化了延迟优化的难度，仅通过一个正则项损失函数就使得模型在训练过程中自动降低出字延迟。在实验测试集上，本方法能够获得最高近 200 毫秒左右的平均出字延迟降低。

目前，美团内部的日均慢查询数量已经超过上亿条，如何对对这些慢查询进行分析并建立合适的索引，是美团数据库研发中心面临的一项挑战。美团数据库平台研发组与华东师范大学展开了科研合作，通过基于AI+数据驱动的索引推荐，来与基于代价的方法并行地为慢查询推荐索引，以提升推荐效果。

美团到店餐饮算法团队在跨域迁移学习的长期实践中，基于多场景的业务背景，提出了分层信息抽取网络，提升了多场景多任务的建模效果。相关技术方案形成的学术论文已经被国际数据工程会议ICDE 2023收录，本文详细阐述了多场景&多任务学习的解决方案，希望能给从事相关方向研究的同学带来一些帮助或启发。