© XXX Page 1 of 23 open flags 调研（已实现）© XXX Page 2 of 23 open接口原型 open flags flags定义 flags的含义 libfuse open open flags 在curvefs上的测试 open flags 实现方式 整体flags支持方案 具体flag的实现方案 O_TRUNC I/O模式类 O_DIRECT O_SYNC write fi->direct_io = 0 O_SYNC, O_DSYNC 同步I/O：强制刷新内核缓冲区到输出文件© XXX Page 21 of 23 对chubaofs和cephfs代码调研中发现在write中判断如果是直接IO则调用flush操作，但是对具体flush内容主要是对文件系统自己缓存的内容进行刷盘，没有发现对应内核缓冲区flush的相关设置或调用等。© XXX Page 22

© XXX Page 1 of 33 CurveFs 用户权限系统调研（已实现）© XXX Page 2 of 33 一、Curvefs测试 1. 启动curvefs 问题1：root用户无法访问挂载目录 测试 allow_root 测试allow_other 参考文献 问题2：本地文件系统挂载默认是共享的？ 问题3：文件系统访问控制是在哪一层实现的？ 二、文件系统权限管理 文件类型

Page 2 of 14 时间 修订人 修订内容 2021-03-23 李小翠 初稿(背景，调研，架构设计) 2021-03-30 李小翠 增加快照部分 2021-04-13 李小翠、陈威 补充元数据数据结构 2021-04-19 李小翠、吴汉卿、许超杰等 补充文件空间分配，讨论与确认 背景 调研 开源fs 性能对比 可行性分析 方案对比 对比结论 架构设计 卷和文件系统 元数据架构 据库的场景。当前Curve是实现了块存储，向上提供块设备服务，CurveFS会基于此实现。第一阶段的目标是实现 满足数据库场景的文件接口。 调研 开源fs 当前对已有的开源分布式文件系统进行了调研，主要包括系统架构，元数据内存结构，元数据持久化，调研文档如下： chubaofs: ChubaoFS© XXX Page 3 of 14 1. 2. 3. moosefs: 。测试结果c开发的moosefs和fastcfs元数据性能远优于go开发的chubaofs和c开发的cephfs，理论上分析这个结果是合理的，分布式的元数据设 调研测试 计会涉及到多次rpc的交互。这里需要确认的一点是：我们需要怎样的元数据节点的性能？ 可行性分析 方案对比 根据上述调研和测试结果，我们考虑了三种curvefs的元数据设计方案： CurveFS kv方案设计 curve实现块设备时，元数据不是扁平化的设计，而是采用来有目录层级的

从国内角度看中国开源现状  Gitee2022年平台上开源指标的变化 平台仓库 2500万 新增用户 200万 新仓库 480万 总用户 1000万  CSDN2023年调研：使用开源软件的开发者比例 64% 32% 2% 2% 经常使用 偶尔使用 不清楚 从未使用 42% 49% 2022 2023 开发者参与开 源项目的比例 8 中国开源基础软件 ©2023.11 iResearch Inc. www.iresearch.com.cn 来源：CSDN 2023中国开发者调查报告，艾瑞咨询研究院自主研究及绘制。 来源：OMDIA 中国人工智能框架市场调研报告，艾瑞咨询研究院自主研究及绘制。 AI框架的开源趋势 AI现已经成为最受关注的开源领域，部分得益于海外厂商对AI框架开源的促进。2015年是AI开源的重要一年，TensorFlow、 MXN 作尽最大努力的追 求，但不作任何保证。在任何情况下，本报告中的信息或所表述的观点均不构成任何建议。 本报告中发布的调研数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限 制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目 的，为市场和客户提供基本参考。受研究方法和数据获取资源的限制，本报告只提供给用户作为市场 参考资料，本公司对该报告的数据和观点不承担法律责任。

com/wangfakang 目 录 MoE 背景介绍 01 MoE 方案介绍 02 MoE 实践效果 03 MoE Roadmap 04 MoE 背景介绍 MoE 是什么 为什么做 MoE 方案调研与分析 MoE 背景介绍 — 什么是 MoE 处理性能高 （C++） 研发效能高 (GoLang、生态) 高性能、高研发效能、生态打通 MoE = MOSN + Envoy 相互融合，各取所长 Envoy 和 MOSN 优势 • 增强 Envoy 和 GoLang 社区生态粘性 MoE Envoy 和 GoLong 生态打通 维护成本高、可扩展性弱 MoE 背景介绍 — 方案调研 方案名称 优势 劣势 Lua Extension Lua 编写简单业务处理方便 Lua 脚本语言,开发复杂功能不方便 支持的库（SDK）相对较少 WASM Extension 跨语言语言支持（C/C++/Rust）、 研发效率高，灵活性高； GoLang 支持的库比较多（Consul、 Redis、Kafka etc），生态较好 引入 GoLang 扩展后,有一定性能损 耗,业务场景可接受，另外有优化 空间 扩展方案调研 MoE 背景介绍 — 方案分析 方案名称 稳定性 性能 成本 生态 Lua Extension 高 高 高 较低 WASM Extension ES 低 高 活跃 External Processing

一种方案基于神经网络的代码生成算法虽然简单粗暴，但复杂层布局的准确率较低、 可解释程度不高导致后续无法持续优化。方案二中 Sketch 源文件信息量丰富、算法 自定义程度高、优化空间大。因此，我们调研了业界基于 Sketch 的代码自动生成方 案（已对外公布或者开源），发现了一些不足并尝试解决，下面从算法准确率、代码可 读性、研发流程覆盖度等方面做一下对比（该对比结果仅考察业界方案对我们自己业 最终我们的核心痛点围绕在了美团系·小程序和美团系·App 矩阵上的同一个需求 的多次开发运维上，为了解决研发人力瓶颈问题，我们需要一款“一次研发，多终端 前端 < 75 容器复用”的研发框架来提升研发效率。 调研整个前端领域，我们找到了一些业界的解决方案，像是美团最早的 mpvue、腾 讯的 Wepy、滴滴的 Chameleon、京东的 Taro 等等。在经过比较与试用之后，我 们最终基于投入产出比的价 容器、Mach 容器、PC 浏览器容器）运行的需求。 ● 业务方有特定的场景化诉求，包括推广页、模块化、小游戏、PC/App 同构等等。 三、挑战与优势 3.1 业界调研 针对上述核心目标和应用场景，我们对市面上的跨容器框架进行了调研。由于美团外 卖的技术栈统一是 React 为主，所以我们的必备要求是：一款以 React 为 DSL 语言 的复用框架，能快速融入美团的技术生态。 根据下表的对比，如果以

rename 接口实现方案（已实现，选用方案二）© XXX Page 2 of 15 1. 2. 3. 4. 1. 2. 1. 3. 1. 2. 背景 方案调研 Chubaofs Juicefs 方案实现 方案一：chubaofs 方案二：事务方案 方案三：利用 KV 自带的分布式事务 Q&A 1. 是否需要实现跨文件系统的 rename 操作？ rename 接口实现的调研及方案设计。 rename 操作，主要操作的是 dentry，如 rename /dir1/file1 /dir2/file2，主要有 2 个步骤：(1) 删除 file1 的 dentry，(2) 增加 file2 的 dentry（该 dentry 的 inodeid 等同 file1 的 inode id）。 关于 rename 接口的实现，主要调研了 chubaofs chubaofs 和 juicefs，而 rename 的实现难点主要在于其原子性的保证。 方案调研 Chubaofs chubaofs 中的 rename 实现不是原子性的，它是通 用创建源文件的硬连接，然后删除源文件的方式来实现的，主要有以下 4 步 ： 将源文件的 nlink 加一 创建目标文件的 dentry 删除源文件的 dentry 将源文件的 nlink 减一 而每一步骤都有可能出错，chubaofs

读写比”， 也就是每次模型生成的内容可以被用户多次使用，一种模式是内容社区，创作者利用 AI 生成内 容，大量的用户访问这些内容；另一种模式是用户的问题有很高比例是重复的，例如拍照搜题、 生成调研报告等。 总体来说，目前 AI 应用尚处于“iPhone 1”时代，模型能力、应用生态、用户习惯都在快 速进化中。所谓“AI 一天，人间一年”，即使是 AI 专家，也很难跟上所有最新的科研进展。大 胆预言，未来编程只需要狂按 Tab 就够了。Cursor 确实好用，包括新推出的“光标位置预测” 功能。 但是 AI 编程发展没有那么快，在国内生成代码采纳率还比较低，根据《2024 软件研发应 用大模型国内现状调研报告》，多数团队在 10-40%之间，如图 1 所示。 图 1 大模型（LLM）在编程上的应用及其生成代码的采纳率 在 2024 年，我们还看到了“AI 程序员”Devin 的诞生，Devin 能够独立完成复杂的编码和 面提升代码评审的能 力。  有些团队，根据 UI 设计图，让 LLM 自动生成相应的前端代码，大大减少了手动编码的时间， 加快了从设计到实现的流程。 43 / 111 从应用效果看，前面调研的数据可供参考。在国内 AI 编程开展比较好的大厂，超过 80%的 工程师在使用 AI 编程工具完成日常的编程工作，近 30%入库的代码由 AI 生成，生成代码平均 采纳率超过 40%，有些产品线达到

网络层扩展思考和选型 02 对应解决方案和实践介绍 03 MOSN 开源进展同步 04 MOSN 云原生演进历程 MOSN 简介 — 演进历程 MOSN 从 Service Mesh 技术调研，到产品孵化，历经重重困难，最终通过双 11 规模化验证。借力开源、反哺开 源，进行 Cloud Native 生态融合，在实践的道路上一步步的走向云原生。 2018年3月 MOSN 诞生 支持 Envoy 和 MOSN 优势 • 增强 Envoy 和 GoLang 社区生态粘性 MOE Envoy 和 GoLong 生态打通 维护成本高、可扩展性弱 MoE 背景介绍 — 方案调研 方案名称 优势 劣势 Lua Extension Lua 编写简单业务处理方便 Lua 脚本语言,开发复杂功能不 方便；支持的库（SDK）相对较 少 WASM Extension 跨语言语言支持 Notes …… CGO 一次调用开销在 0.08 ~ 1.626 us，另 外 CGO 调用开销呈线 性增长；CGO 中增加 Go 自身计算逻辑时, 其 Go 的计算消耗也 呈线性增长 CGO 开销调研 MOE 解决方案及实践介绍 MOE 方案介绍 — 整体架构 proxy_golang API spec proxy_golang_request • params headers body

布了开发者调查报告，旨在从多种维度呈现国内的开源发展情况。今年我们再次启程，结合数 据分析⼿段和调查报告等多种形式，绘制⼀份 2020 年中国开源世界的地图。 这份问卷是每年中国开源年报的重要⼀环，不基于调研的分析报告不过是纸上谈兵。在往年的 基础上，我们参考了其他现存的主流开发者问卷内容，并加⼊了⼀些新的视⻆。基于 2020年 COVID-19 这个不容忽视的⼤背景，这份调查问卷进⼀步将视⻆发散到开源世界的线上协 开源参与者的主⼒依旧是 20-39 岁⼈群，相⽐去年⽐例仍在上升，⽽在开源社区的年龄 分布中，20-30 岁⼈群占据了 64%，说明开发者的年龄仍在趋于年轻化；  相较于 2019 年，今年参与调研的开发者中，还未⼯作的⼈群占了绝⼤部分，从参与者从 事领域和职位分布也可以看出，这些“还未⼯作”⼈群多数指向学⽣群体，这和当前社会普 遍追求更⾼学历深造有关，和本次问卷传播形式有关，但是同时也能说明开源在教育领域 您的⼀⼩步，整个中国开源社区的⼀⼤步。 此报告问卷篇作出贡献的开源社中国开源年度报告⼩组成员：夏⼩雅，宁泽欣；社区合作伙 伴：X-lab，Gitee，微软 Reactor。感谢特邀的开源领域的专家，更要特别感谢积极参与我们 调研的每⼀位朋友。 ⼆、GitHub 数据篇 1、概述 1.1 背景 本部分内容采⽤ GitHub 全域事件⽇志进⾏统计分析（2020 年共计 8.74亿条），相较 2019 年的 5.46