openspace

摘要：本次分享将介绍爱奇艺多类型的直播业务现状，以及直播整体技术架构和客户端直播网络模块Livenet的实现。回顾直播技术顺应业务多样化的演进过程，包括从偏P2P架构发展到结合CDN&P2P混合架构，为多端适配而实现的多协议支持和切换等演变，直播P2P和直播推流SDK的技术实现等。 演讲 / 周志伟 整理 / LiveVideoStack 大家好，我是爱奇艺的周志伟，今天会跟大家分享爱奇艺的HCDN直播，可能大家对爱奇艺比较了解，但是HCDN可能不是太清楚。HCDN在我们内部是一个部门的名称，也是一种技术方式，它是通过庞大的CDN网络和P2P网络为公司所有的产品提供视频服务，主要包括点播和直播两大部分，今天主要跟大家分享直播这一部分。我的分享大概由四大部分组成，首先是直播背景，接着会介绍大规模直播，也就是我们现在主要的直播方式，以及实时直播，最后做一些展望。 直播背景 1.直播类型 首先说一下我们的直播类型，爱奇艺主要是以娱乐为主，因为创始人、CEO龚宇在爱奇艺的大会上也表达过，我们要做一家以科技创新为驱动的娱乐公司，所以在类型上主要包括晚会盛宴，像每年的春晚我们都是有直播的以及演唱会；第二个是体育赛事，比如说澳网、法网这种赛事；商业发布，像小米发布会、华为手机发布会等等；电视轮播，主要是在PC上面，有单独的轮播台，会轮番播放一些大片、动画、电影等等，就像电视台一样

【今日推荐】：为什么一到面试就懵逼！>>> 本文作者：HelloDeveloper 2014 年 9 月 20 日，在由@百度主办、@InfoQ负责策划组织和实施的第 54 期百度技术沙龙活动上，来自百度自然语言处理部的杨程和来自清华大学自动化系控制理论与技术研究所的赵明国，两位讲师分享了各自在人工智能及机器学习领域的相关经验。 本次分享的话题分别是“ 计算机围棋 - 蒙特卡洛搜索与统计学习”和“ RoboCup 人形组的技术与挑战”。本文将对这两个主题分享做下简单的回顾，同时提供相关资料的下载。 主题一：计算机围棋 - 蒙特卡洛搜索与统计学习（下载讲稿） 计算机博弈在人工智能这个领域是一个重要的研究方向，这与围棋的特性息息相关。杨程举例道：比如说 19 路的围棋它有 361 个交叉点，如果我们简单地估计它的组合数的话，应该是大概 361 个节程，这可谓一个天文数字了。所以我们也常说它的空间复杂度是近似无穷大的概念。除了空间无穷大以外，它的状态也没有办法评估。任意地给一个棋盘的状态，有 ABCD 可选的点，我们怎么样知道哪个点是最好的，或者说哪个点的价值高，好有多好，坏有多坏。围棋这块，到现在也没有办法做。这和人工智能的某些领域还比较类似，所以我们把这个领域作为试金石，如果这个领域研究好，相关的领域也会有所提升，蒙特卡洛搜索就是在这样的背景下应运而生。 在介绍完蒙特卡洛搜索的背景后

【今日推荐】：为什么一到面试就懵逼！>>> 本文作者：HelloDeveloper 在 4 月 16 日的百度技术沙龙里，我们邀请百度前端通用组技术组负责人雷志兴和去哪儿网的前端组负责人胡金埔，在沙龙分别跟大家分享百度和去哪儿网在 JavaScript 库的设计和运用实践经验。本文对他们的分享做简单回顾。并提供相关音视频、文字资料下载。 百度前端的七巧板——Tangram Javascript 库（点击下载音视频、文字资料） 雷志兴在他的分享中向我们介绍了百度设计 Tangram 库的原因，设计目标，以及 Tangram 库的架构和特点。 在分享中雷志兴提到百度的产品主要分为三类： ● 搜索类产品：用户的需求是想尽可能快的得到响应，尽快获取自己想要的内容。 ● 社区类产品：这类产品每天都在变化，以适应不同用户各种情况下的需求。 ● 商业类产品：大家了解的比较少，比如百度的广告管家，是面向客户的应用，对页面交互要求很高。注重的是用户体验。 百度自 99 年成立到现在，前端产品有很多遗留的代码。一方面是为了解决这些遗留代码，另一方面是为了更好的设计产品，让工程师快速开发出好的可持续维护的前端产品。百度前端通用技术组设计了他们的 JS 库——Tangram 百度的 JS 代码可以分为四层： ● 第一层：Base 基础库，职能单一的基础方法。为其他层提供基本的操作支持。 ● 第二层

本文作者：HelloDeveloper 2014 年 8 月 16 日，在由@百度主办、@InfoQ负责策划组织和实施的第 53 期百度技术沙龙活动上，来自百度研究院大数据实验室数据科学家沈志勇，和中国科学院大学管理学院讲师刘颖，分享了他们在大数据领域的实战经验。 本次分享的话题分别是“ 大数据与预测”和“ 基于互联网数据的社会经济预测”。本文将对这两个主题分享做下简单的回顾，同时提供相关资料的下载。 主题一：大数据与预测（下载讲稿） 百度的沈志勇首先提到了自己对大数据时代的理解，他认为这其实是机遇与挑战并存的时代，大数据使整个社会都有了数据意识。大家都知道怎么样采集和记录，把数据都写下来或者是记通过各种各样的方式记下来，以前没有这个意识。这样其实对于机器学习来讲，才能有更加广阔的数据源，对于算法来讲也可以有更多的数据。数据多了以后，多元数据往往存在分布的问题，这样会带来很多问题，我们要解决这种问题往往需要采用一种复杂的模型，这样可以应对下面列出来的问题。这样形成一个时势造英雄的态势。 沈志勇提到：“我们是用机器学习的方法做预测，这里我大概讲一下人的预测和机器的预测大概是什么样的。首先我们看一个正常的人，它是根据自己的经验或者是精力出发归纳一下，这个事情怎么办，根据预测的归纳去推测将来，它是这样的。还有一个比较直接的方法，我直接看别人怎么做，我一个老农民可能知道天气怎么样