架构设计的立方体扩展

转自:http://blog.csdn.net/houjixin/article/details/53675741


本文是对《架构即未来》一书第20章的总结; 

1. 立方体扩展是指X、Y、Z轴三个方向的扩展方式; 
2. X轴扩展,指水平扩展,这种方式简单易于实现,它要求服务必须是无状态的,部署1个和部署多个是一样的,这样可以根据系统当前的业务承载量来部署所需数量的服务实例,一般情况下,该业务需要与服务注册、治理、发现机制相结合,当一个服务A被水平扩展了一个新实例ai时,所依赖它(调用了它)的其他服务C需要能及时的发现这个新起来的ai,并且能把自己的对A的其他实例的调用分出来一部分到ai上,这种负载均衡机制一般有两种实现方式: 
(1) 在调用方程序中集成服务发现和负载均衡功能;如下图所示,这种方式实现负载,对调用方有影响,因为调用方在使用服务时还要集成它的服务发现和负载均衡相关功能模块。 
这里写图片描述  
(2) 将服务发现和负载均衡做到中间代理中;这种方式所有的请求操作都是经过代理进行转发,当被调用服务A进行扩展时,由负载均衡器发现并连接到新启动的A服务实例,这些动作对于调用方C来说都是透明的;这种方式相对于第一种方式,会有一点性能损失。能起这种负载均衡作用的开源软件包括lvs,nginx(第四层负载均衡功能); 
这里写图片描述  
3. Y轴扩展,书中将Y轴扩展定义为按照交易处理的数据类型、交易任务或者两者的组合进行任务分割的过程。可以简单理解为将系统按照业务进行拆分,这就像工厂里的工人,当工人的所干的事情非常多时他什么都干不好,因此需要将工人进行分组,一部分人专门干一样事情;这里的Y轴扩展也是类似,当系统或者业务变得复杂时,我们就需要按照业务将系统分布不同的模块,每个模块专门干一件或一组相关联的业务,Y轴拆分之后,每个被拆分出来的服务完成一个独立的子功能或者子业务;例如一个系统原来有AC两个子功能组成,所有需要A和C功能的请求都会落到该系统上,随着业务量的增长,该系统被分为了A系统(完成A功能)和C系统(完成C功能),所有需要A功能的请求都被转到了A服务上,所有需要C功能的请求都被转发到了C服务上,从而实现对原系统的扩展。 
4. Z轴扩展,Z轴扩展可以按照两个方向去理解:(1)特殊人物要特殊对待,例如微博中,普通用户和那些大V的访问量时严重的不一样,当某个大V发表一个言论是,可能对在短时间内造成很大的压力,这个时候我们就可以把这些特殊的数据单独拉出来处理,这样他们访问量大的时候对别的用户的访问就不会受到影响;(2)将用户分组,还是以微博为例,当用户量比较少的时候,可能一个服务配合一组缓存和数据库就能应付所有用户,当用户量、访问量增大时,就需要将用户进行拆分,将一部分用户,例如按照ID取模将用户分到不同的服务中,这样系统的承载量就会增加; 
5. 立方体扩展中,比较难以理解的是Y轴扩展和Z轴扩展的区别,书中的介绍让跟感觉很混乱。根据个人理解,可以通过下面的例子进行理解区分: 
例如我们在设计一个类似qq或者微信的IM服务时,需要构建一个用户信息系统,该系统用于管理用户的个人信息(例如用户的账号、昵称、注册时间、手机号、邮箱等等)、好友关系和群组关系,当我们的用户量非常小的时候,可以将这些信息和操作都放在一个服务中完成,随着访问量的增加,我们很快就发现现有的服务(包括请求处理和数据的存取)已经扛不住访问量,这时候我们就考虑将系统查分为两个服务:用户信息服务和用户关系服务,用户信息服务管理(包括存储)用户个人信息,用户关系服务管理(包括存储)用户关系(包括好友关系和群组信息),这个拆分就是Y轴拆分,它是按照业务的不同进行的拆分;随着用户量的继续增长,我们发现用户信息服务又扛不住了,包括访问量和存储,这时候我们就需要再次对用户信息服务进行拆分,假设我们想把用户信息服务拆分为10个子服务,第i个子服务负责取模后为i的用户的请求,拆分时按照用户ID对10取模,然后将对应的用户分到0~9个用户信息服务中,例如ID为1000153的用户访问用户信息服务时它的请求将会被分到第3个子服务中,这个拆分动作就是Z轴拆分。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值