用国外的轮子解决国内的问题，这些技术大牛即将空降北京

那些在某个领域取得巨大成就进展的技术人，他们的思路是否可以举一反三加以应用？

我们遇到的技术问题，在国外是不是已经有更优解决方案？

给你一个非常难得的机会，跟这些人面对面，可以现场 chanllenge他们的研发思路，可以尽情提出你的疑问思考。

为大家盘点即将在 4月召开的 QCon北京 2018中的海外技术实践及思考分享。

推动变革的技术人

Neal Ford

Neal Ford在跨国 IT咨询公司 ThoughtWorks担任总监、软件架构师和文化基因传播人（Meme Wrangler）。他精通各种编程语言，主要的咨询业务是大规模企业应用的设计、构建和工程实践。他还是一位国际知名的讲师，登上过全世界各种开发者会议的讲台。

他著有多本广受好评的畅销书，包括《卓有成效的程序员》、《函数式编程思维》。前不久刚刚出版了《Building Evolutionary Architectures: Support Constant Change》。

Bruce Eckel

Bruce Eckel是《Thinking in Java》（Java编程思想）和《Thinking in C++》（C++编程思想）等畅销书的作者。从 1986开始，他已经发表了 150多篇计算机专业文章，还撰写了 6本书。他曾担任 C++标准委员会委员。

他的《Thinking in C++》一本书在 1995年被评为“最佳软件开发图书”，《Thinking in Java》被评为 1999年 Java World“最受读者欢迎图书”，并且赢得了编辑首选图书奖。

Georges Saab

Saab先生现任 Oracle Java平台事业群 VP，其部门负责 Java语言、核心类库和 Java虚拟机的定义与实现。Saab有 20多年的编程语言和平台开发经验。与此同时，他还是 Swing Group和 Java Webstart的创建者之一，并曾经领导过 JRockit JVM的开发。

Mark Billinghurst

Mark Billinghurst 是南澳大利亚大学人机交互教授。2002年，他在华盛顿大学获得博士学位。他在可穿戴计算、增强现实（AR）、移动交互等领域发表了 300多篇论文。

在加入南澳大利亚大学之前，曾任新西兰坎特伯雷大学人机交互实验室主任。因其对 AR研究和商业化的卓越贡献，他于 2013年荣获 IEEE VR技术成就奖。同年当选新西兰皇家学会院士。

Mads Torgersen

Mads在微软担任 C#编程语言的 Program Manager，负责 C#的设计流程，维护语言规范。在微软 12年，他参与了 C# 5个版本的设计。也是 TypeScript、Visual Basic、Roslyn和 LINQ等语言和技术的贡献者。在加入微软之前，曾在大学担任教职，研究编程语言设计，对 Java泛型也有所贡献。

最新实践及解决方案

Apache Kafka的过去，现在，和未来

2010年，LinkedIn开始开发 Kafka。2011年，Kafka成为 Apache开源项目。从那以后，Kafka的使用在各种企业中迅速增长。目前，超过 30%的世界 500强公司已经在使用 Kafka。怎样做一个非常受欢迎的发布订阅消息系统，未来又如何把 Kafka建成实时流数据处理平台，Confluent的联合创始人，也是 Apache Kafka项目委员会主席 Jun Rao将在 QCon北京 2018带来分享。

Google:借助 Istio，不再重复发明轮子

容器为运行服务提供了一致、可复制的环境。如 Kubernetes等容器编排（Orchestration）系统，可以用一致的 API，帮助我们管理和伸缩容器集群。对于松散耦合的微服务架构而言，这是很好的起点，不过还不够。如何控制服务间的流量和实施策略？如何将服务间的依赖可视化，并快速识别问题？如何提供可验证的服务特性，来处理和测试故障？开发者可以实现自己的定制方案，也可以依赖 Istio这一开放平台来连接和管理微服务，并保障安全。在本次演讲中，我们将学习 Istio的主要特性，并理解其对微服务网络的助力作用。

深入 Apache Spark流计算引擎：Structured Streaming

Apache Spark在 2016年的时候启动了 Structured Streaming项目，一个基于 Spark SQL的全新流计算引擎 Structured Streaming，让用户像编写批处理程序一样简单地编写高性能的流处理程序。经过一年多的改进和完善，目前 Structured Streaming已经在 Databricks内部和客户广泛使用。本次演讲主要向大家介绍 Structured Streaming项目和高级特性，以及如何使用 Structured Streaming来构建高性能的流处理应用。

用 Kafka Streams搭建实时的广告消费系统

Pinterest在设计广告消费系统中遇到一些压力和挑战之后大胆尝试并使用了 Kafka Streams这样一个新兴的流处理技术，并且成功的将其推行成为广告系统的实时运算基础，为什么流处理是广告系统不可或缺的组成部分，如何设计流处理系统，如何高效稳定的运维，怎样优化流处理技术的使用，Pinterest广告系统架构师陈博玚都将一一分享。可以预期未来一定会有更多 Kafka Streams在中国计算机业界的大数据应用。

LinkedIn:大规模系统的性能优化性能优化

精确、高效的互联网服务容量测量对于确保高性能的线上计算环境和数据中心的优化建设至关重要。LinkedIn通过一套名为“Redliner”的系统来进行自动化的系统容量测量和性能瓶颈分析，这套系统直接应用线上环境中的实时流量，采用智能的流量重定向并实时监测系统性能指标，自动地调整测量的强度和时长，得出服务系统的容量极限并分析出系统潜在的性能漏洞，给出系统容量规划和性能优化的建议。

这套系统被应用于数百个 LinkedIn的服务。 通过每日的测量测试，我们可以及时发现微服务系统中的潜在性能瓶颈，从而快速优化微服务系统以提高吞吐量，找到系统资源配置的优化方案，提升数据中心的资源应用率等。

Oracle :GraalVM及其生态系统

Graal是一个用 Java编写的高性能即时编译器。它是 Java 9中 AOT编译的实现基础，并将作为试验性即时编译器与 Java 10一同发布。GraalVM拥有自己的生态系统，为各类托管语言（如 Java，JavaScript，Ruby及 R）提供优越的峰值性能。Graal可以在通用的 Java HotSpot虚拟机或 SubstrateVM上运行。后者是 GraalVM为了实现高启动性能，低 memory footprint而提供的解决方案。

Microsoft:使用云和人工智能技术构建 Web应用

人工智能和机器学习技术为我们从大量数据中获取知识提供了巨大机会。借助云计算和人工智能，我们可以搜索、分析大规模数据，并从中挖掘信息。从数据中找到有意义的信息是最大的挑战之一。

本次演讲将分享如何借助人工智能和机器学习构建智能化云解决方案，涉及内容包括从架构基础设施到使用 TypeScript和 React构建 UI。届时会演示如何开发一款支持文本、文档和图片搜索的 Web应用。最后，演讲将介绍构建解决方案时所用的 Azure Search和 Cognitive Services的内部构件。

Airbnb的闪订功能和增长策略

闪订（Instant Book）功能使得 Airbnb房客不需要获得房东的批准就可以预定，极大的提高了订房成功率，减少了访客的等待时间，目前闪订功能已成为全球民宿行业的标准之一。Airbnb如何创建闪订功能，闪订在技术和产品上的挑战以及 Airbnb如何在短时间内实现从 10%闪订到 70%闪订的转变,完整的产品增长案例分享，包括从产品的创建，建立增长战略，团队的协作以及实施过程中面对的技术与非技术挑战。

Prometheus:设计与实现

Prometheus是一款极具特色的监控系统，很多设计选择不同于监控系统。对于很多已经习惯于其他系统的人而言，这会造成文化冲突；经常有人质疑，为什么不选择“看上去更好”的实现方式呢？

本次演讲将分享 Prometheus核心组件设计背后的设计决策，包括推还是拉、多维数据模型、标签、指标命名等。Prometheus是一款开源的监控报警系统和时间序列数据库。越来越多的公司选择该系统进行运维监控。此外，Prometheus的创始人还将从埋点、报警和查询几个方面入手，分享 Prometheus的最佳实践和常见陷阱。

硅谷人工智能领域探索

Google Translate助力自然语言理解

自然语言理解（NLU）是人工智能的前沿领域，而机器翻译又是弥合语言鸿沟的利器。随着深度学习技术的引入，Google在机器翻译领域取得了长足的进展。田野博士的主题演讲将着重阐释机器翻译深度学习模型的演进、工程实现，以及它们如何为 Google平台上的许多产品中发挥着不可替代的作用。作为拥有十亿级用户的 Google Translate，支持一百多种语言互译，做为 AI落地的成功应用出现在 pixel buds、word lens等产品中。而 Cloud AI更是通过云平台使 Google顶尖的机器翻译引擎实现了共享，使得用户们可以大规模的使用，或者在其基础上进行适合各自应用场景的个性化训练。

Linkedin Derived data platform

本次分享将介绍 Linkedin derived data platform以及其如何帮助 Linkedin更好的管理机器学习的结果数据集。包括 Linkedin机器学习的基本流程，着重于如何将结果数据集应用于线上 application，并阐述原有流程的痛点；介绍 derived data platform的整体设计以及几个关键技术点，例如如何合并批量和实时数据。通过几个实例，例如数据标准化和相关性计算，来介绍 derived data platformr如何存储海量结果数据集，并为线上 application提供高可用，高性能的服务。最后将总结在新平台上线和迁移过程中的一些经验，例如如何进行对用户无感知的迁移。

机器学习和 AI在 Uber Eats外卖服务中的应用

Uber Eats自 2015年 12月在多伦多推出以来，已经在超过 30个国家 200个城市上线并持续快速发展。本次议题将讨论机器学习和 AI在 Uber Eats中的应用和我们在过去两年高速增长中遇到的挑战。通过介绍餐厅推荐，动态定价，时间预测，智能派单和一些案例分享来了解人工智能在 Uber外卖服务中的迭代和影响，并了解我们的工程师和数据科学家为让 Uber Eats无论何时、无论何地都能快速、可靠、高效地送达所做的努力。

Pinterest的视觉搜索（Visual Search at Pinterest）

作为月活用户超过 2亿，拥有数十亿图片储存的初创公司，Pinterest一直致力于依靠视觉搜索和推荐，帮助用户发现，储存创意并应用到日常生活中。

本次主题演讲将介绍 Pinterest的视觉搜索架构和搜索流程，包括图片特征向量提取、模型训练、分布式视觉搜索渠道的流程，以及在 Flashlight、Len Your Look等主要相关产品中的应用。

无人店之人脸识别技术探讨

随着深度学习的广泛发展，人脸识别的准确率有了巨大的飞跃。计算机通过自我学习得到的人脸特征更为可靠。将深度学习应用到人脸特征提取，使得人脸识别的精度有了进一步的提高。 VGGNet、GoogLeNet、ResNet是现今普遍流行的深度卷积神经网络（CNN）架构，基于这些架构训练出的的人脸识别模型，在公共数据集 LFW（Labeled Face in the Wild）都得到了不错的效果。研究发现 ResNet残差网络的结构可以加快收敛速率，提高训练速度和性能。而 GoogleNet中的 Inception模块，通过同一层中不同大小的卷积核可以得到不同尺度的特征。将 GoogleNet中的 Inception模块和 ResNet相结合得到新的架构，可以进一步提高人脸识别模型的精确度。我们在此架构的基础上，训练出的新的人脸识别模型，在人脸识别公共数据集 LFW达到了 99.63%的准确率。

从键盘键入到神经网络——深度学习在彭博的应用

在金融数据领域，彭博用三十多年的时间从一个向用户提供部分美国公司金融数据的公司成长到了现在覆盖全球基本上所有公司的全方面的超大型集成平台。这些金融数据都需要从不同的格式中被尽可能快速并且准确的提取出来，标准化，最后通过统一的格式反馈到市场。在本次演讲中，我们将讲述在神经网络领域最新的突破如何帮助彭博对文件进行自动化处理，并将展示其在数据提取及分析方面体现出来的更高准确度和更快处理速度。

使用开源分布式存储系统 Alluxio来有效的分离计算与存储

本次主题演讲将着重介绍如何利用开源分布式存储系统来有效的分离计算与存储。首先跟听众分享开源分布式存储系统 Alluxio的设计理念，以及其在大数据与 AI生态系统中的位置。之后将介绍存储与计算分离这样一个大数据与 AI领域新的架构趋势，并从系统搭建、数据本地化、云部署等多方面分析 Alluxio在这个架构上的优点，以及如何使用 Alluxio搭建一个高效灵活的去耦大数据与 AI训练平台。在演讲结束之前，讲师还将分享设计，构建与实现 Alluxio分布式系统过程中的心得与思考。

人工智能系统中的安全风险

深度学习引领着新一轮的人工智能浪潮，受到工业界以及全社会的广泛关注。随着深度学习系统在各个领域的逐渐推广，人工智能系统中的安全问题也渐渐暴露出来。360安全团队对深度学习系统及应用的分析在 2017年发现了多种漏洞，包括前一段时间公开的深度学习平台框架的漏洞。但对人工智能系统的攻击和深度学习系统的潜在风险远远不只是平台和框架上的漏洞问题。

此次演讲将全面讲述框架攻击之外的多种针对深度学习系统的攻击方式，涵盖深度学习系统的数据流和控制流，涉及深度学习图像识别等多种应用。

AI大数据时代电商攻防：AI对抗 AI

AI大数据时代京东和其它电子商务平台面对的新风险和新问题：如何用 AI技术和系统化的安全方式来对抗内外部威胁，成为当今京东安全研究人员所面临的一个重要问题。 主要分析 AI大数据时代安全与传统安全的不同，以及目前基于电子商务平台以 AI的攻防对抗。

借助 Intel SGX技术进行安全的机器学习

越来越多的机器学习的训练和预测运算在公有云平台或者手机、IoT设备上进行。这些机器学习模型的输入数据和模型参数经常具有相当高的价值，容易成为攻击者的目标。但是这些计算平台对于数据保护可能存在瑕疵，使得攻击者可以偷取到模型的输入输出和模型参数。因此，如何保护机器学习模型是一个亟待解决的问题。本演讲关注于在机器学习中结合 Intel SGX可信计算技术，构造可信、安全的机器学习平台。

更多一线技术专家分享请识别二维码或点击「阅读原文」查看，目前 QCon大会 9折报名中，立减 680元。有任何问题欢迎咨询票务经理 Hanna，电话：010-84782011，微信：qcon-0410。