雲計算

代碼數據存在雲端，如何保障它的安全？   部分企業管理者對於雲端代碼託管存在一絲擔心：我的代碼存在雲端服務器，會不會被洩露？ 接下來，我們將從代碼服務及代碼安全角度出發，看看雲效代碼加密技術如何解決這一問題。 一、前言 1. 代碼託管服務 什麼是代碼託管服務？ 代碼託管服務是運行在公共環境，提供軟件版本控制管理的服務。 代碼託管服務核心要解決的兩個問題： 存檔：需要具備存檔的能力，也就是，把我們當前工作產出的某個副本保存下來，用於複製、追溯等等。 協作：可以讓不同的人，基於同一個對象內容進行工作，他們的成果可以一起體現在這個內容之上。   Git 自誕生以來，就和“開源”、“共享”這些詞緊緊地聯繫在一起，它之所以能快速推廣，併成為主流的軟件版本控制工具，正是得益於它改變了傳統軟件版本控制工具的協作方式，讓軟件貢獻與協作變得更加高效與便捷。 2. 代碼託管服務的兩種形態 代碼託管服務通常有兩種形態： 使用開源產品或購買私有部署產品，架設在用戶完全可控的部署環境上來提供服務。 使用雲託管服務產品，只擁有對服務的使用權，而不必關注服務的運維。 […]

前言 配置審計（Config）將您分散在各地域的資源整合為全局資源列表，可便捷地搜索全局資源；同時幫助您記錄雲上 IT 資源的配置變更歷史，持續自動地評估雲上資源配置的合規性，實現雲上 IT 合規治理。本文介紹如何使用配置審計（Config）幫助您快速發現未配置防盜鏈的 OSS Bucket 並修復的案例。 實際案例 公司 A 有 10 個垂直的業務部門，每個業務部門分配了 1~2 個 OSS Bucket 用於存儲運營圖片，並直接在網頁上使用的

圖數據庫GDB是阿里雲自主研發的圖數據庫產品，經歷阿里巴巴集團內豐富的應用場景打磨，具備最佳實踐的產品。2020年進入Forrester圖數據平臺競爭者象限，也是國內唯一入選的圖數據庫產品。 阿里雲圖數據庫GDB 不僅僅是構建成本很低，成本僅為外國圖數據庫產品的40%； 不僅僅是兼容性很好，支持Gremlin、Cypher語言， 兼容絕大多數開源社區中的圖查詢、圖計算代碼； 也不僅僅是高度靈活，支持數據存儲模式自由（Schema-free）， 滿足圖數據結構跟隨業務靈活調整； 跟隨直播，來發現我們如何用Graph+AI，幫助華瑞銀行挖掘數據源之間的深層關聯關係，探索數據中的隱祕價值。本期“Graph+AI，揭祕阿里雲新一代圖智能平臺”雲計算情報局將於5月14日14:00開啟直播，精彩不容錯過，敬請期待！ 阿里雲數據庫高級產品專家 楊哲超 議題：阿里雲圖智能平臺助力上海華瑞銀行打造智慧風控 傳統金融風控模型，能收集各個數據源的屬性信息特徵，但比較難挖掘數據源之間的深度關聯關係。要深度並且快速挖掘海量數據的關聯特徵，使用傳統的解決方案則會面臨非常大的技術挑戰。華瑞銀行通過引入阿里雲圖數據庫，提供高效數據關係計算和AI挖掘能力，幫助風控部門抽取、構建、分析各個數據源之間的關係特徵，發現數據中的隱祕價值。

本期導讀 ：【數據遷移】第一講 主題：高效遷移 HDFS 海量文件到 OSS 講師：揚禮，阿里巴巴計算平臺事業部 EMR 開發工程師 主要內容： DistCp 介紹 Jindo DistCp 介紹 性能優化 功能演示 直播回放鏈接： https://developer.aliyun.com/live/246728 背景介紹

技術分享： 王紹翾(大沙) 阿里達摩院機器智能實驗室 資深技術專家 肖允鋒(鶴衝) 阿里達摩院機器智能實驗室 資深技術專家 阿里雲搜索推薦產品： 開放搜索（OpenSearch）：https://www.aliyun.com/product/opensearch 智能推薦（AIRec）：https://www.aliyun.com/product/bigdata/airec    人工智能，簡稱 AI，是計算機發明時就存在的一個技術領域。它的一大核心特點就是可以類人腦地輔助人類工作。其通過一系列數學的方法，如概率論、統計、線性代數等，分析和設計出能讓計算機自動學習的算法。 如下圖所示，人工智能算法可以對物理世界的人/物/場景所產生各種非結構化數據（如語音、圖片、視頻，語言文字、行為等）進行抽象，變成多維的向量。這些向量如同數學空間中的座標，標識著各個實體和實體關係。我們一般將非結構化數據變成向量的過程稱為 Embedding，而非結構化檢索則是對這些生成的向量進行檢索，從而找到相應實體的過程。 非結構化檢索本質是向量檢索技術，其主要的應用領域如人臉識別、推薦系統、圖片搜索、視頻指紋、語音處理、自然語言處理、文件搜索等。隨著 AI 技術的廣泛應用，以及數據規模的不斷增長，向量檢索也逐漸成了 AI 技術鏈路中不可或缺的一環，更是對傳統搜索技術的補充，並且具備多模態搜索的能力。

本期導讀 ：【數據遷移】第二講 主題：數據無憂：利用 checksum 遷移 HDFS 數據到 OSS 講師：焱冰，阿里巴巴計算平臺事業部 EMR 技術專家 主要內容： Checksum 技術科普 DistCp 技術解密 Jindo DistCp 操作實戰 直播回放鏈接：（1/2講）

作者 | 林青來源 | 阿里技術公眾號 隨著 IoT 技術的快速發展，物聯網設備產生的數據呈爆炸式增長，數據的總量（Volume）、數據類型越來越多（Variety）、訪問速度要求越來越快（Velocity）、對數據價值（Value）的挖掘越來越重視。物聯網產生的數據通常都具備時間序列特徵，時序數據庫是當前針對物聯網 IoT、工業互聯網 IIoT、應用性能監控 APM 場景等垂直領域定製的數據庫解決方案，本文主要分析物聯網場景海量時序數據存儲與處理的關鍵技術挑戰及解決方案。 一 時序數據存儲挑戰 1 典型時序應用場景 隨著 5G/IoT 技術的發展，數據呈爆炸式增長，其中物聯網 (IoT)

客戶關鍵詞：總部位於香港的中資一流投行/多次獲評大中華區“最佳債券承銷商”/中資企業海外上市最佳合作伙伴 該用戶是海外市場上最大最強的中資投行之一，是極少數有能力提供多元化、統一化金融服務的機構。在IT基礎設施安全建設上，用戶對彈性防護與全球性合規能力尤為看重。 用戶安全建設路徑： 用戶行情資訊APP、企業官網率先於2019年上線阿里公共雲，隨即部署整合了國際高防能力的加速線路； 隨著交易理財APP上雲，同步開啟Web應用防火牆、雲防火牆與雲安全中心進行基礎安全防護，並啟用阿里雲內容安全產品，滿足合規要求； 在國內多家“頂流企業”上市期間，承載行情資訊與交易流量大幅波動與週期性訪問特性，實現安全資源支撐業務按需彈性伸縮，業務無延遲； 網絡攻擊事件高發期，高性能雲安全產品與自動化安全託管整合聯動，實現入侵100%防護、威脅0爆發、業務0影響； 在金融用戶最看重的合規領域，率先滿足HKMA與SFC行業法規要求，並提供完整的合規解決方案及能力。 該投行用戶證券系統上雲安全體系架構 國際高防智能聯動加速，證券交易實時性第一位 股票交易中，股價、成交量、市值和買賣力度等高頻交易數據構成了一個動態的變市值系統，呈分時隨機、階段趨勢特性。對於股民來說，該機構證券APP承載的行情資訊和交易信息是他們獲取港股、美股上市企業信息並進行買賣操作的關鍵入口。 APP應用系統穩定性與低延遲至關重要。一旦遭遇大流量DDoS攻擊，既需要保證網絡鏈路不因擁塞而中斷、延遲或丟包，又要實現全球其他區域用戶對該機構所處香港地區服務器的業務加速訪問，不影響用戶交易。 DDoS高防安全加速線路 阿里雲的DDoS高防國際版，使用世界領先的分佈式近源清洗方式清洗攻擊流量，並將過濾後的正常流量返回至源站服務器，保障業務穩定運行。 分佈式近源清洗資源世界領先，利用Anycast和GSLB技術，根據攻擊來源就近調度阿里雲全球DDoS防護節點； 全球超過10 Tbps的海量防禦帶寬資源，有效抵禦所有各類基於網絡層、傳輸層及應用層的DDoS攻擊； 支持彈性調整防護帶寬，自助升級，秒級生效，且無需新增任何物理設備，同時，業務上也無需進行任何調整，整個過程服務無中斷； 全自動檢測和攻擊策略匹配，提供實時防護，清洗服務可用性達99.99%； 支持加速線路、安全加速線路和全局高級防護，全球其他區域用戶均可實現跨區域的業務加速訪問。

阿里雲體驗實驗室（https://developer.aliyun.com/adc/labs）是為開發者打造的一站式體驗學習平臺，在這裡你可以瞭解並親自動手體驗各類雲產品和雲計算基礎，無需關注資源開通和底層產品，無需任何費用。只要有一顆想要了解雲、學習雲、體驗雲的心，這裡就是你的上雲第一站。 活動說明：1.活動期間 體驗函數計算相關場景，即可領取禮品。（同一用戶的不同賬號限領一次）；2.禮品每日刷新50件，領完即止。每日領取禮品不同，請按需領取；3.獎品以實物為主，圖片僅供參考。獎品數量有限，領完活動即終止，本活動最終解釋權歸阿里雲所有。 禮品刷新說明5月18日（週二） 50件1024定製帽子5月19日（週三） 50件1024定製帽子5月20日（週四） 50件1024定製衛衣（M）5月21日（週五） 50件1024定製衛衣（L）5月24日（週一） 50件1024定製衛衣（XL）5月25日（週二） 50件1024定製衛衣（2XL） 活動時間：2021.5.18-2021.5.25 Step1 登陸 阿里雲開發者實驗室，進入活動頁面Step2 體驗函數計算相關場景Step3 領取獎品，填寫您的收件人信息。（獎品將在活動結束後20個工作日內發出） 開發者實驗室地址：https://developer.aliyun.com/adc/labs/活動地址：https://developer.aliyun.com/adc/series/activity/serverless 加入釘釘群，瞭解更多活動詳情 FAQ：為什麼我還沒有開始體驗直接可以領取？感謝您對體驗實驗室場景支持， 體驗並完成了場景實踐，本次任務會自動完成獎品什麼時候刷新？每日上午10時刷新獎品，每次50件。可以更換獎品嗎？暫不支持（活動結束後可至釘釘群諮詢

作者簡介：睿德，淘系技術部高級算法專家。從事推薦技術召回, 排序算法的開發。 內容簡要：一、 問題背景二、 算法思路三、 系統架構 一、 問題背景 (一) 應用場景 在一個典型的推薦場景中，推薦算法的任務是將一個經過篩選排序的，貼近用戶興趣的商品列表推薦給用戶。下面兩張圖片展示了手機淘寶兩個比較典型的推薦場景，分別是首頁的信息流場景和微詳情頁場景。正如場景名字猜你喜歡所表達的，推薦算法的目標是使得推薦結果儘可能貼合用戶的興趣，滿足用戶的需求。 在實際的場景中，淘寶的數據體量相對較大，面對的是億級的用戶與億級的商品。在這樣體量的工業場景中，我們通常將整個推薦系統拆分為多個環節，其中召回(Match) 與排序 (Rank)是其中兩個比較典型的環節。MIND 算法是我們團隊針對召回環節的一項工作。 (二) 召回 召回系統負責從海量的候選商品中挑選出與用戶興趣相關的商品集合。它作為推薦算法的第一環，直接決定了整個系統的效果上限。與此同時，面臨億級別的候選集合，也就要求所使用的召回算法在計算上足夠地高效。通常計算效率上的要求是通過建立索引的方式來達到。很長一段時間，協同過濾，尤其是 Item-based 的協同過慮都是業界主要使用的一種召回算法，例如圖中的基於圖的算法和基於