随着人工智能技术在多媒体领域的广泛应用， 深度学习算法的部署对计算平台资源的需求也在飞速增长。由于 GPU 资源总数和成本的限制，我们设计和部署了基于 CPU 的深度学习推理优化方案。方案通过封装 Intel VINO SDK 提供的基于 CPU 的深度学习加速底层软件，结合 docker 及 mesos 集群技术，完成深度学习算法在云端部署的自动化和服务化，将深度学习推理的性能在 CPU 上提升了 2~10 倍以上，满足多媒体业务的深度学习部署需求, 解决了 GPU 资源的依赖和稀缺问题。

主要内容：

1. 使用 VINO SDK 实现 CPU 上的深度学习推理性能优化；
2. 不同深度学习算法在 CPU 上加速的性能评估和对比；
3. 基于 Docker 及 Mesos 的集群深度学习推理应用自动化部署方案。

听众受益：

1. 学习 CPU 上深度学习的性能优化技术和实践；
2. 了解大规模集群的深度学习应用部署管理方案；
3. 理解深度学习推理的性能评估和监测方法。

京东JDOS平台阿基米德调度项目为了更精确的提取资源使用的特征，要求数据中心的监控指标全面升级到秒级。同时京东门店IoT海量时序数据的接入后，JDOS平台监控系统的性能面临巨大挑战。为了支撑海量的监控指标存储和查询性能，必须引入高性能分布式时序数据库。
本次演讲将重点分析秒级监控系统的采集、传输、存储和查询等环节的性能优化技术，以及如何优化时序数据库在最小化资源占用下支撑起百万级别容器、近亿个监控指标数据的存储和查询。

主要内容：

1. JDOS平台秒级监控系统面临的性能挑战；
2. 秒级监控系统全链路性能优化最佳实践；
3. 高性能分布式时序数据最佳实践。

听众收益：

1. 学习大规模集群秒级监控性能优化技术落地实践；
2. 学习高性能分布式时序数据库架构设计和性能优化技术实践。

DevCloud是一站式DevOps研发工具链平台，整体基于微服务架构进行开发。整体网站开发团队开发人数众多，维护15+Portal服务。
本次主题主要分享在业务交付压力下，如何通过可视化牵引等一系列DevOps实践，结合产品本身的技术架构与特点，以及过往的技术债务，制定详细可执行、有优先级的性能优化迭代（CDN、加载优化、骨架屏、AppShell等），并有效的落入每一个服务的每一个迭代中，持续提升。迈向毫秒级的产品网站。

主要内容：

1. DevCloud面临的性能挑战；
2. 结合产品自身技术架构特点的网站性能优化措施；
3. 可视化牵引，确定优先级；
4. 小批量交付，快速上线。

听众受益：

1. 网站性能优化实践；
2. 大型团队的协同合作；
3. DevOps实践。