技术 in Netflix

综合市面上的公开资料总结了Netflix在技术上面的一些实践和创新，从中能够得到不少启发和提示.

最近参与了公司 API Gateway 的搭建工作，技术选型是 Netflix Zuul，主要聊一聊其中的一些心得和体会. 本文主要是介绍使用 Zuul 且在不强制使用其他 Neflix OSS 组件时，如何搭建生产环境的 Gateway，以及能使用 Gateway 做哪些事. 不打算介绍任何关于如何快速搭建 Zuul，或是一些轻易集成 Eureka 之类的的方法，这些在官方文档上已经介绍的很明确了.

Netflix近日开源了一个叫做Suro的工具，可以收集来自多个应用服务器的事件数据，并实时定向发送到目标数据平台如Hadoop和Elasticsearch. Netfix的这项创新有望成为大数据主流技术. Netflix用Suro进行数据源到目标主机的实时导向，Suro不但在Netflix的数据管道中扮演关键角色，而且也是脱胎大型互联网公司的众多开源数据分析工具中的佼佼者.

Netflix团队首先要做的一件事是改进他们的整体前端架构. 改版前的netflix.com网站对于服务端生成html标记与客户端的增强这两个过程进行了严格的分离，采用这一设计的主要原因在于前后端所使用的编程语言不同. 服务端主要使用Java的技术栈以生成基本的html页面，而在浏览器端的工作则主要是通过jQuery等JavaScript库的使用为服务端生成的html添加一些客户端的行为.

Surus是NetFlix开源的UDFs，是基于pig和hive的数据分析工具. Surus中的功能能够解决多种多样的问题，例如评分预测模型、异常检测与模式匹配等. 目前开源的UDF功能主要包括两个，包括ScorePMML和Robust Anomaly Detection (RAD). 预测模型的应用随处可见，然而这些应用都不相同，唯独相同的是模型的创建和部署是相同的.

【编者的话】Netflix是全球最大的在线视频网站之一，它是怎么设计的呢. 这篇文章介绍了Netflix系统架构的设计方案. 原文： Netflix System Architecture. 我们来讨论一下如何设计Netflix. 相信每个人都会通过某些网站或应用在线追剧或者看电影，而Netflix是我最喜欢的在线视频网站，不过今天我不推荐任何电影，相反，我想展示的是Netflix背后令人惊艳的系统逻辑.

7月1日，Wired杂志,中文名为连线,最近杜克大学 行为经济学家 丹•艾瑞里（Dan Ariely）撰文在线公司如何让我们共享更多，消费更多. Ariely经济学家用行为经济学理论分别对亚马逊Amazon、Netflix、团购Groupon、 Zynga、Facebook和苹果的网络营销做了分析.

十年前TiVo定义了DVR（数字视频录像机）这个行业. 现在 TiVo已经变成一个动词，如果你想在有限电视公司提供的DVR上录制电视节目，你可以直接说“TiVo一段电视节目”. 但知名度也无法挽救TiVo产品线的颓势，数字媒体科技已经发生彻底变革. 也正是这种变革可以解释为什么微软会在Windows 8中淡化Windows媒体中心（Media Center）的概念.

Netflix最近发表了第二篇关于他们推荐系统的技术blog，相比第一篇，这篇blog透露了不少技术细节. 因此这里我准备翻译并分析一下这篇博客. 这篇blog很长，这里首先分析第一部分：排序. We will discuss some of our current models, data, and the approaches we follow to lead innovation and research in this space..

Netflix的推荐和个性化功能向来精准，前不久，他们公布了自己在这方面的系统架构. 3月27日，Netflix的工程师 Xavier Amatrain和 Justin Basilico在官方博客 发布文章，介绍了自己的个性化和推荐系统架构. 要开发出这样的一个软件架构，能够处理海量现有数据、响应用户交互，还要易于尝试新的推荐方法，这可不一点都不容易.