Jinkela（金坷垃）Pipeline 是一套用于前端 DevOps 的实验性的胶水工具，解决了许多开发流程中的细节问题，希望简化前端发布的操作难度，如今能力被集成到 Dejavu(逮虾户) 这个在线平台，承载上百个前端业务仓库的 CI/CD 能力。
2023 年H1，B 站集中出现了多个因变更导致的应急事件。从Google SRE和行业的分享经验我们知道 70%的此类事件是由变更导致的。 需要认识到，历史上任何技术债务都不会自行消失。如果我们不加以治理，这些问题将在某个不经意的时候爆发，届时我们将不得不付出数倍的代价。 H1 的几个变更风险，未能被及时扼杀在摇篮中，以至于发布到线上环境才发现问题，甚至还需要较长时间才得以恢复。我们深入分析了几个典型情况：
英雄联盟全球总决赛是英雄联盟赛事每年度最受瞩目的节点，也是B站全年赛事热度最高的时段。第13届英雄联盟全球总决赛（下文简称S13）今年继续在B站进行直播，本文主要分享S13赛事保障的实践和思考。
在云原生的架构下，微服务的数量呈现爆炸式增长，服务间的调用关系错综复杂，对系统可靠性也提出了更高的要求。在这样的背景之下，混沌工程的关注度也不断提升。 事实上，混沌工程早就不是什么新鲜的概念，早在2008年开始，混沌工程的思想就已经始萌芽，彼时，网飞公司由于数据库发生故障，导致了三天时间的停机，使得 DVD 在线租赁业务中断，造成了巨大的经济损失，正是这次线上事故推动了后续的 ChaosMonkeyV1 项目的诞生。在那之后，类似于 SimianArmy、ChaosKong、Gremlin、ChaosMonkeyV2、ChaosBlade、ChaosMesh、ChaosMeta 等混沌工程相关产品在各个大公司的实践中走入公众视野。
AV1是开放媒体联盟（AOM， Alliance for Open Media）开发的第一代开放，免版税的视频编码标准。AV1于 2018 年 3 月定稿，相同画质下，码率比 H.265/HEVC 低 20% 左右。经过 Google、Netflix、Meta、Amazon 等互联网巨头的不断推广，目前 AV1 生态逐步发展成熟：PC 侧显卡供应商 AMD､ Intel 和 Nvidia 均已经发布支持 AV1 硬解的相关产品；移动端 MediaTek､ Qualcomm 和 Apple 的旗舰手机芯片都已经支持 AV1 硬解；软件解码器 dav1d 已经具备主流平台的实时解码能力[1]。2020年底 B 站开始自研 BILIAV1 编码器，2022年初开始在 PC 侧点播业务部署 AV1 编码，目前正在积极筹备 AV1 编码在直播业务上的应用。
事件简述：2023年8月4日 21:00-21:20 云厂商 CDN 服务故障，回源流量突增导致 BFS SLB 过载，影响依赖图片、JS/CSS静态资源的服务，大量用户出现白屏和无法播放视频的问题。 事件原因：因为云厂商 CDN 故障，自动执行域名下线策略，策略如下： 解析回源：域名被下线时，域名会解析回主源站 停用域名：域名被下线时，域名会被调整为”停用“状态，停止 CDN 加速服务，并且返回403 解析回源策略，瞬间产生几百G的流量，”攻击”源站BFS服务，服务瘫痪 停用域名策略，会造成大量用户被403处理，用户表现为页面白屏或者打不开
罗马不是一天建成的。语聊房当前架构也是不断演进的结果。 在技术架构层面，语聊房作为搭建在直播体系上的业务，使用既有技术架构体系可以帮助我们快速搭建早期产品，但随着业务迭代，已有技术体系又成为新的技术架构的负债。 同样在业务架构层面，语聊房产品已经迭代一年，产品形态依然在快速变化，已有的业务架构又会成为新的业务架构的阻碍。 每一次产品需求的迭代，都会对已有技术架构和业务架构造成双重冲击。 本文将结合语聊房持续演进的过程，谈谈业务视角下的架构演进。以及如何构建能应对各种变化的系统，不断达到新的平衡。
从产品运营角度来说，功能的用户触达是实现用户价值转化的最基本前提。所以如何快速将一个新的功能触达到用户，同时减少触达过程中对运营推广、用户带来额外的成本就成了一个必须被重视的课题。对于APP而言，以一个相对固定的节奏进行版本迭代，在一个迭代周期内，新版本基本可以达到一个相对较高的覆盖率。但对SDK而言，因为其并非直接面向用户，更像是一个ToB类产品，快速的版本迭代显然不是一个有效的途径，游戏SDK也不例外。
随着人工智能技术的快速发展，B站已经有非常多的AI算法可以用来助力多媒体业务，诸如超分辨率、人脸增强、视频插帧、窄带高清等等。如今，以扩散模型（Stable Diffusion）和大语言模型（LLM）掀起的生成式AI浪潮又给多媒体业务带来了更多技术可能。相对于各类AI算法模型的研发，模型推理与视频处理框架在多媒体业务部署中的重要性更为凸显，是工程化”基座“的存在。一个优秀的多媒体AI算法工程化框架，不仅可以提供更高的运行性能、异构计算及多平台支持等功能，同时也增加代码复用率，提升开发效率，加速了业务部署上线。为此，我们研发了一套多媒体业务算法工程化SDK，Bilibili Vision Toolkit (简称BVT)，为B站的各类点/直播业务提供AI算法支撑，已在线上提供了上亿量级的视频稿件处理。另外，BVT是对之前同样也是我们研发的一款视频处理引擎BANG做了重新设计和全面的改进升级，集成了更多的算法，提供更广泛的推理引擎支持，改善多平台兼容性，以及增加可自定义任务流等特性。
Kafka 是我们公司各个部门的重要数据中间件，主要用于上报、暂存和分发各种数据。我们不仅支持大数据场景，同时也保障在线场景的稳定性。 我们拥有1000+台Kafka机器，组成了20多个集群，针对不同业务场景配置了不同规格的机器，磁盘类型包括HDD，SSD和NVME。每日PB级输入，输出数十PB，肩负着公司数据传输的重任。随着集群规模的扩张，我们也遇到了越来越多的挑战。
