Uber开发了基于属性的访问控制（ABAC）系统Charter，以应对复杂的授权需求。该系统通过动态评估属性和条件，提高了授权决策的精确性和灵活性，支持数千个资源的管理，简化了政策管理并提升了性能。

作者记录了从尼斯到佛罗伦萨的旅程，选择乘坐FlixBus中转热那亚。尽管打车遇到困难，但最终在热那亚享用了青酱意面和披萨，并顺利抵达酒店。

Uber工程团队推出了uForwarder，这是一个开源的Apache Kafka推送代理，旨在提升高吞吐量事件流的可扩展性和效率。uForwarder简化了消费者逻辑，集中管理偏移量，隔离工作负载，并提供内置延迟处理，解决了Uber内部Kafka部署的多个挑战，成为主要的Kafka消费者选项，提升了资源利用率和性能一致性。

Uber和OpenAI采用自适应限流系统，取代传统计数限制。Uber通过三层反馈循环管理全球流量，提高系统效率；OpenAI则通过实时访问引擎和信用余额模式优化用户体验，确保低延迟和准确计费。这些变革增强了高流量下的系统稳定性。

Uber推出了“购物助手”AI功能，用户可通过文本或上传购物清单生成购物车，需核对结果。未来将增加食谱灵感和餐单计划等功能。

Uber工程师改进了分布式存储平台，采用优先级感知的负载管理系统，动态调整流量，优先处理关键请求，从而显著提高吞吐量和降低延迟。关键经验包括优先处理用户流量、早期拒绝请求和动态适应工作负载。

Waabi是一家总部位于多伦多的自动驾驶卡车初创公司，正在扩展至机器人出租车领域，并与Uber合作。创始人Raquel Urtasun表示，Waabi已筹集10亿美元，计划在Uber平台上部署至少25,000辆机器人出租车。尽管面临挑战，Urtasun相信其技术可应用于出租车服务，但仍需应对新挑战和监管问题。

Uber开发了HiveSync，一个分片批量复制系统，确保Hive与HDFS数据在多个区域间同步，处理每日数百万个Hive事件。HiveSync提高了数据一致性，支持灾难恢复，消除闲置硬件成本。该系统包括控制平面和数据平面，实时捕捉DDL和DML变化，确保高可用性和数据准确性。

Uber的CacheFront系统通过缓存技术提高数据读取效率，解决数据一致性问题，实现99.9%的缓存命中率，工程团队因此减少了70%以上的事件处理和调试时间。

Uber工程团队重新设计了移动分析架构，统一了iOS和Android的事件仪器，解决了数据碎片化和不一致性问题。通过标准化事件类型和嵌入分析逻辑，简化了工程流程，提高了数据质量和跨平台数据的可靠性。

为提升搜索和推荐体验，Uber将基础设施从Apache Lucene迁移至Amazon OpenSearch，解决了相关挑战。OpenSearch支持多种算法和GPU加速，优化个性化推荐和欺诈检测。Uber构建的原型处理超过15亿个向量，显著提升数据摄取速度和查询性能，未来计划实现实时更新以满足动态需求。

Uber推出了Ceilometer，一个内部自适应基准框架，用于评估基础设施性能。该系统自动化基准测试，提供一致的数据驱动性能信号，帮助识别性能回归和配置低效。Ceilometer支持多种工作负载类型，并计划集成AI以优化资源和检测异常，从而提升基础设施决策效率。

近二十个州及哥伦比亚特区对FTC起诉Uber，指控其未经消费者同意收取Uber One订阅费，并在免费试用结束前收费，且提供误导性节省信息。用户取消订阅需经历多达23个屏幕和32个步骤，过程繁琐。

Uber与WeRide在阿联酋推出全自动驾驶出租车服务，顾客在阿布扎比请求UberX或Uber Comfort时，可能会匹配到WeRide的无人车。初期服务仅限于雅斯岛特定区域，未来将扩展。车辆配备20多个传感器和摄像头，可容纳五名乘客。

Uber正在从本地基础设施转向多云环境，面临GPU使用优化和工作负载管理的挑战。公司利用AI模型进行预测和内部工具开发，但数据与计算的分离影响了基础设施。GPU的稀缺性和高成本使灾难恢复和故障转移变得复杂。Uber致力于提高GPU的灵活性，以支持其AI工作负载。

Uber应用新增“发送乘车”功能，用户可为他人支付车费并设定乘车次数和消费限额。多个机场支持Uber Share，乘客可享受折扣。Uber Ski功能简化滑雪预约并可购买滑雪通行证。Uber Eats推出节日特别功能，允许用户添加名人视频祝福。