2025年度vivo开发者大会于10月10日顺利召开，延续“同心·同行”的主题，设置了主会场及11个专题分会场。在互联网技术分会中，多位vivo技术专家围绕拨测与融合流量管理、微服务架构优化、全链路多版本环境落地、gpu容器化与ai训练平台建设等方向，分享了最新的技术探索与实践经验，与线上观众共同探讨数字化趋势下的业务增长新路径。
数据驱动流量，智能引领增长
在当前高速发展的数字时代，“流量”已成为推动业务跃迁的关键要素。如何依托真实、大规模的数据构建精细化的流量管理体系，并打造集成本控制、质量保障与效率提升于一体的融合平台，成为各行业关注的核心议题。
vivo互联网拨测监控负责人 莫瀚
vivo互联网拨测监控负责人莫瀚深入介绍了vivo拨测系统的现状及其在流量调度中的支撑作用。他强调，拨测的核心使命是保障所有业务和产品的高可用性。通过建立以自有真实手机为节点、覆盖全球的探测网络，vivo为智能调度提供了坚实的数据基础。在此基础上，借助“输入—执行—处理—应用”的闭环流程，将传统依赖人工经验、响应滞后且风险较高的调度模式，升级为数据驱动的智能化主动调度体系，显著提升了运维效率与系统可靠性。
vivo互联网运维平台研发负责人 周建华
在夯实数据决策底座后，vivo互联网运维平台研发负责人周建华阐述了“融合流量管理”体系的构建思路。面对混合云架构带来的管理复杂度高、成本压力大、质量难控、运维低效和安全风险突出等问题，vivo通过建设融合流量管理平台，实现了资源统一纳管、智能策略决策、自动化监控与安全防护机制。该平台不仅大幅提升了运维效率，也优化了终端用户体验。展望未来，团队将持续推进AI驱动的深度优化，深化流量治理能力，并打通网络性能与业务指标之间的关联分析，进一步释放平台潜力。
深耕微服务架构，优化Dubbo性能表现
随着用户规模扩张和全球化布局加速，vivo持续推进微服务架构转型，统一采用Dubbo作为Java技术栈的RPC框架，实现全网服务治理。为应对业务快速增长对系统性能与稳定性的挑战，vivo在Dubbo的路由与负载均衡方面展开了多项创新实践。
针对Dubbo路由优化，vivo互联网Java中间件架构师张振威介绍，团队首先在多机房场景下构建了就近路由机制，有效降低了对延迟敏感业务的RT（响应时间），增强了容灾能力和服务可用性；其次，在路由链路上，通过精简调用链路和引入位图缓存结构，实现了路由执行效率的显著提升。
vivo互联网Java中间躺架构师 张振威
在负载均衡层面，vivo基于开源Dubbo版本自主研发了自适应负载均衡方案，重点优化P2C算法并集成权重计算模块，使流量可根据服务提供方的实际负载情况进行动态分配与平滑调度，从而提升整体服务质量与集群容量，达成降本增效的目标。
张振威还透露，后续将推动Dubbo版本与社区主流保持同步，并着手构建跨语言的统一微服务治理平台。该平台将支持标准化的服务发现、统一的流量观测、治理与监控能力，真正实现“多语言开发、一体化治理”，降低系统复杂度和长期运维成本。
全链路多版本环境管理：研发效率的质变飞跃
在日常研发过程中，“环境问题”常成为制约开发效率的主要瓶颈。对此，vivo互联网DevOps架构师吴清华在大会上分享了一项突破性实践：原本需要两名工程师耗时两天完成的环境准备，如今仅需一键触发，几分钟内即可自动完成，引发广泛关注。
传统开发环境中普遍存在环境不稳定、测试混乱、资源争抢严重、利用率低下等问题。吴清华指出，传统的静态环境管理模式已难以满足敏捷迭代需求，必须探索一种能够让多个版本像“平行空间”一样独立运行、互不干扰的新范式。
vivo互联网DevOps架构师 吴清华
vivo提出的“全链路多版本环境管理”理念，凝结为三大核心能力：一是「全链路拉起」，确保版本所依赖的所有组件和服务链路可一键部署、即时可用；二是「多版本隔离并行」，每个版本运行在独立沙箱中，彻底解决资源抢占问题；三是「自动化生命周期管理」，涵盖环境创建、弹性伸缩到闲置回收的全流程自动化，全面提升资源利用效率与研发效能。
此外，吴清华介绍，该体系依托环境编排、弹性资源调度与流量隔离三大关键技术，构筑起稳固的“铁三角”。未来，vivo将坚持研效环境标准化与资源成本高效化双轨并进，持续打造更经济、可靠、高效的开发环境体系，助力研发效能再上新台阶。
GPU容器化与AI训练：构建智能算力基石
在大模型时代，GPU平台已成为关键基础设施。vivo的GPU平台由物理层、容器平台层和AI工程层三层架构组成，全面支撑智能计算相关业务的发展。
vivo互联网容器架构师 陈瀚
vivo互联网容器架构师陈瀚表示，容器平台通过对大规模GPU集群进行架构优化、性能调优和自动化运维体系建设，为AI训练提供了稳定可靠的算力支撑。同时，平台从多个维度探索降本增效路径：在单卡层面，自研虚拟化技术实现多容器无干扰共享，达到“一卡三用”；在单服务层面，GPU弹性伸缩机制能根据负载变化自动调整资源，减少浪费；在多服务层面，训推潮汐部署实现资源分时复用，缓解训练资源紧张；在多机多卡场景下，RDMA容器技术有效降低跨节点通信延迟，提升训练效率。
vivo AI工程架构师刘东阳则介绍，VTraining训练平台基于容器能力构建，承载蓝心小V等核心产品的大模型训练任务。在大规模训练稳定性实践中，团队通过减少基础设施故障频率和完善任务异常处理机制，成功将每日机器故障率从2%降至1‰，千卡级任务的有效训练时长从60%提升至99%，达到业界领先水平。同时，在GPU利用率优化方面，结合低优先级任务填充、训推潮汐调度和GPU虚拟化等策略，深度适配不同业务场景，实现资源高效复用。
vivo AI工程架构师 刘东阳
展望未来，容器平台将持续投入多集群调度、在离线混部、GPU资源池化等能力建设；AI训练平台则聚焦于提升大模型训练稳定性、完善全流程支持能力以及推进GPU资源的精细化运营管理，致力于让vivo的智能计算业务更加稳健，资源使用更加高效。
