机器学习平台的建设是一个交叉应用领域，涉及到的技术非常广泛，至少包含了机器学习算法、容器化、分布式系统、Serverless、分布式存储、容器编排等工程技术；同时这类平台一般由工程开发人员主导建设，交付算法以及数据分析团队使用，在需求的挖掘与取舍上也与其它平台有很大区别，是一类跨界系统。

信也科技为适应自身业务需求，从0开始自研了机器学习平台，目前平台已交付使用，并稳定接入了内部绝大部分模型。

本次分享将介绍信也科技机器学习平台的架构与落地经验，听众将了解到机器学习平台建设过程中的一些特点与难点以及云原生技术如何在机器学习领域发挥作用。

演讲提纲：

1. 机器学习平台总体架构
2. 容器化机器学习环境的分层构建实践
3. 模型开发环境的设计、底层计算资源的隔离方案
4. 异构集群下的分布式训练方案
5. 模型服务高效低延迟的弹性伸缩特点与应对方案
6. 大规模集群下的平台监控与告警实践
7. Kubernetes 集群搭建与运维的一些经验与教训
8. 目前依旧存在的难点与展望

你将获得：

1. 对于 DevOps 工程师来说可以了解到云原生技术在机器学习领域的应用经验
2. 对于系统架构工程师来说可以了解到对机器学习平台的一些抽象思路与设计经验
3. 对于机器学习算法工程师来说可以了解到适当的机器学习工具或系统可以为开发带来哪些提升。

该演讲的内容主要描述 TiDBCloud 是如何在云上构建一个 Cloud Native TiDB Database 服务，内容包括 TiDB Cloud 和传统 on-premise 数据库服务的区别，TiDB Cloud 的价值。为什么我们在 Kubernetes 上构建 TiDB SaaS 服务？在云上如何保证安全性、可靠性、可用性、可观测性？

以安全性为例，我们使用 git-secret 来保证研发不会 push 透明的敏感信息，对仓库中 secret 信息进行加密。使用会过期的自动 rotate 的凭证来访问 Kubernetes 和 Cloud Provider。如何通过 OIDC 协议打通 Kubernetes APIServer 和 Cloud 的 Auth。

以可观测性为例，我们通过 Thanos 和 Loki 提供了全局的监控报警日志平台来观测整个 TiDB Cloud，使用 S3 来存储长期的冷数据，节约了大量的成本。

演讲提纲：

1. 什么是 TiDB Cloud-Native Database Service
2. TiDB Cloud 的价值
3. TiDB Cloud 架构（为什么基于 Kubernetes 搭建 TiDB Cloud，多租户管理方案）
4. TiDB Cloud 敏捷开发实践（Infra as Code、CI/CD、GitOps）
5. TiDB Cloud 安全性（如何保证云上网络安全、数据安全)
6. TiDB Cloud 稳定性（如何让数据库长期稳定的运行）

你将获得：

1. 云上敏捷性开发，尤其是 Infra as Code、GitOps 的一些最新实践
2. 在安全、稳定性方面的实践

云原生技术在业界十分火热，相关理念和技术标准层出不穷，但因为云原生技术对应用架构带来的变革和增量价值一直体现不明显，阿里国际化中台过去一年，基于云原生理念和基础技术体系，成功探索了一条完全基于云原生的应用架构，与业务快速交付体系，彻底改变了传统应用架构模式，在业务研发模式升级、业务平台分离、稳定性和交付体系上有大量的创新实践，并在电商交易核心链路上落地，且通过大促考验。

演讲提纲：

1. 基于 IAC 理念的云原生应用架构和快速交付体系介绍
2. 云原生到底能给研发效率带来哪些提升
3. 云原生技术能给应用架构带来哪些创新思路
4. 在稳定性、容器弹性和资源利用率上云原生有哪些新的实践经验