通用连接池帮你解决资源管理难题

前言

群里老有同学问,go-zero数据库redis 库是否有连接池支持。先说结论:有的,可以放心大胆用!

从框架设计来说,对于数据库连接这种资源当然是尽可能减少频繁操作:

  1. 为业务减负
  2. 提升框架自身的性能
  3. 池化技术是一个通用化技术,本身就应该作为一个通用库支撑框架的上层业务

所以不管是 sqlxredis,以及 mongo,等以后可能要支持的数据源类型,底层的池化处理都是通用的;所以当开发者需要一个池化处理组件时,go-zero 也是提供的。

池化技术支持的库就位于:core/resourcemanager.go。下面来看看这个库的使用~~

使用

使用的话,我们直接来看 sqlx ,它是怎么用的:

// 1. 初始化
var connManager = syncx.NewResourceManager()

func getCachedSqlConn(driverName, server string) (*db, error) {
  val, err := connManager.GetResource(server, func() (io.Closer, error) {
    // 2. 此处才是真正创建连接的地方
    conn, err := newDBConnection(driverName, server)
    ...
    // 3. 将连接返回给连接池【内部也肯定是存起来】
    return &db{
      DB: conn,
    }, nil
  })
  ...
  return val.(*db), nil
}

说说其中的要点:

  1. NewResourceManager:创建一个池子
  2. GetResource(key, createFunc):key是用来防止并发获取资源时重复请求,createFunc 才是正在用来创建资源的函数【此函数需要有开发者自己编写符合业务需求资源】

总结一下资源池的模型:

// 1. new
var manager = NewResourceManager()

// 2. 业务资源获取函数
func getResource(key string) (*resource, error) {
  return manager.GetResource(key, createFunc);
}

// 3.业务资源创建函数【由开发者自己编写,此处只是一个样例】
func createFunc() (io.Closer, error) {
  // 打开一个资源
  conn, err := openResource();
  // 设置一下资源配置
  conn.setConfig()

  return conn, err;
}

整体分析

其实流程上很简单,其中还有我们老生常谈的 sharedCalls

  1. GetResource,携带特定的 key,到资源池中的 map 中查找:
    • 查到了,直接返回
    • 没有查到,调用传入的 create() ;此处才真正创建一个真实的资源连接,并放入 map
  2. 其中对 map 的查询和写入,都得加锁。
  3. 其中在对资源池进行操作时,附加上 sharedCalls :防止并发请求时无效流量请求以及共享请求结果。

关于 SharedCalls,还不清楚的同学,可以到 go-zero 官方文档中仔细查看。

总结

本篇文章对 go-zero 的资源池库从使用到结构进行了分析。大家也可以在业务中常发生资源申请的逻辑处,加上 resourcemanager,本质上也是给资源加上一个缓存,节省反复创建。

关于 go-zero 更多的设计和实现文章,可以关注『微服务实践』公众号。

项目地址

https://github.com/tal-tech/go-zero

欢迎使用 go-zero 并 star 支持我们!

微信交流群

关注『微服务实践』公众号并点击 交流群 获取社区群二维码。

go-zero 系列文章见『微服务实践』公众号

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