<b>david:既省錢又可靠？如何改造企業級大規模系統</b>
對于業務量峰谷需求明顯的企業級架構，在業務請求峰值突然增大時，消息可靠對業務連續性的影響顯著增強，david展示如何利用消息服務賦能使用者快速完成系統并上線。
<b></b>
<b>應俊：移動社交場景中的資料模型實踐</b>
媒體，娛樂，社群等等移動社交應用日益豐富，這些應用面臨着一些相同的技術問題和挑戰。以比較常見的即時消息通訊為例，該場景的功能需求通常包括：群組中的消息需要及時送達到群衆的每個人，每條消息推送到每個人的多個移動用戶端，客戶段之間要保持群組會話狀态的同步，一般通過如下的分層技術架構來應對：
其中資料存儲層特别是海量的消息存儲通常使用nosql資料存儲技術，面臨的技術挑戰包括：1）消息量資料規模的快速擴充，存儲系統要做到無縫的支援；2）應對突發或者持久的高并發通路，同時保證請求的低延時；3）提供高可靠高可用的存儲服務。應俊分享了阿裡雲存儲産品中的表格存儲的架構和特點以及如何應對這些挑戰：
<b>雷彪：與存儲打通的大資料計算究竟有那些價值？</b>
離線資料處理-使用者行為分析：
對頁面的浏覽，按鈕的點選情況進行采集分析。服務端會把這些資訊存儲在oss中。定期啟動e-mapreduce叢集，使用hive腳本進行資料分析。
離線資料處理-推薦：
對ugc的内容進行聚類等分析，對使用者的行為和屬性進行協同過濾等分析這裡根據不同的業務場景，應用不同的機器學習算法
實時資料處理-監控報警：
通用的，彈性的和靈活的監控系統能夠通過異常的情況，使用者的請求占比，接口時延，終端分布這些資訊來發現問題，改善業務
離線和實時資料混合處理-商品推薦：
将購物網站的資料進行離線的推薦計算，準備離線推薦資料之後跟使用者産生互動，根據互動結果對離線推薦進行修正。通過将離線的資料和線上資料結合，對使用者進行更加精準的推薦。
<b> </b>
<b>mars:</b><b>資料類型決定存儲類型</b>