针对开发人员和架构师的SOA治理

SOA治理已经成为一个重大的问题。企业的IT小组和CIO围绕SOA、企业体系结构、软件开发生命周期(SDLC)等制订一些新的治理策略。从开发 人员的视角了解IT治理,包括治理里程碑、治理的重要性,以及如何使日常工作更有效率等考虑因素。通过理解这一视角,您可以了解如何避免在治理问题方面与 开发团队发生冲突。

  一般说来,有关治理的文章讨论的主题是,随着公司在面向服务的体系结构(SOA)中逐渐成熟,治理所充当的角色发生的变化。企业体系结构 (EA)小组开发治理策略和过程,而CIO则会组建委员会执行治理,与此同时,应用程序开发小组也在思考治理对他们有何影响。应用程序小组往往会有一种自 以为是的态度:“企业里的那些家伙,他们不了解我的工作和事务的优先顺序。我没有时间和资金处理这个!“

  本文会向应用程序开发团队阐明治理的价值。它还能帮助架构师理解开发小组的观点,并了解如何调整他们发出的消息才能更容易被接受,受到较少的抵触。

  什么是治理?

  最近有一篇developerWorks文章“SOA治理简介”(这篇文章的链接,请参阅参考资料),对治理进行了详细讨论。它将治理定义为一套建立和执行的方法,用来使某个小组同意在一起工作。

  治理意味着授权。它提供一个策略和最佳实践的框架,可以用这个框架定义谁有权做出何种类型的IT决策。它还能指定应对这些决策负责的人员。很多分析人员已经清晰地划定了治理和管理之间的区别,而重申这一区别是十分重要的。

  治理与具体的IT决策无关;它会决定有能力做出这些决策的人员所充当的角色。管理则通过治理指导原则获得授权,并做出具体的IT决策。

   您感到困惑吗?想想您的SOA项目;这种项目中的治理比传统项目中的更复杂。现在您构建的服务规模更小了,大家都希望(而且应该)重用它们。治理策略经 过定义,用来控制这些服务的生命周期以最大程度地实现重用。您必须经常对各种问题进行监视,例如,是谁公布了服务,服务是怎样设计和构建的,由谁支付其费 用,由谁管理安全性,等等。

  治理是SOA项目成功的关键。没有治理,您就不能充分理解SOA的价值;没有治理,您手头的工具可能会变得一团糟。

  为什么要治理?

  治理的价值也许还不甚明显。可能要到第一个SOA项目完成后,您才会开始意识到治理策略的重要性。不过,许多SOA的实践者都会有强烈的感受,认为您应当预先定义这些策略,甚至在您开始第一个项目以构建服务之前就应进行定义。

   治理能围绕服务创建、服务发现、服务标识和重用等制订规则和策略,以避免混乱。它针对服务的执行方式定义了服务水平协议(SLA),令使用者和提供者都 能明白他们所受的限制和抱有的预期。简单地说,治理为提供者和使用者提供了相同的服务质量视图。治理还可以定义在整个企业内注册和发现服务的流程,从而避 免或减少冗余服务和重复工作。

  治理策略确保您遵循标准的流程,并使流程中的每一步都有适当的文档记录。这可以使法律、法规和其他遵从性规定(如Sarbanes-Oxley法案)得以执行。

  在实现治理结构时避免出现常见的问题

   应用程序开发团队和居于中心地位的EA小组常常会发生冲突,因为EA小组是在一个理想的环境中设计流程、过程和指导原则的。他们往往不会把细节告诉所有 的项目团队,以使后者理解他们独特的项目需求、时间安排和业务驱动因素。上一句话的关键词是所有。EA小组可能会觉得,只告诉下列小组就足够了:

  ·从事最大项目的小组

  ·从事的项目可见度最高的小组

  ·最易于相处的小组

  没有被咨询的应用程序团队会有受人排挤的感觉。这些小组对治理的实现将抱有严重的抵触情绪,会对SOA活动的总体成功造成障碍。

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