微服务架构设计方案详解(4大常见方案)

大型互联网公司都会采用微服务，但是采用什么样的微服务架构设计方案呢？这就非常的重要了，本篇重点谈谈微服务设计常见方案

微服务

首先，我从微服务谈起，这样大家更能了解微服务的本质。

微服务的本质：在于将一个复杂的大型应用程序，拆分为多个独立的小服务。

每个服务之间，通过轻量级的通信机制（比如：RPC、或者HTTP/REST、消息队列…等形式），交互通信。

整个架构，如下图所示：

1.单一职责

每个微服务，都围绕特定的业务功能或能力展开，聚焦于做一件事，并将其做好。

比如：用户服务、交易服务、商品服务…职责非常分明，每个服务专注自己的事情。

2.独立部署

每个微服务，一般都是采用“独立部署”，为什么要采用“独立部署”？

原因很简单：就是独立了后，可以单独开发、测试、部署、和扩展…等等。

通过这种方式，每个团队可以控制自己的节奏，不用担心别的团队影响到自己，本质是提高工作效率。

3.去中心化治理

微服务架构的本质：是提倡去中心化的管理方式，每个团队负责各自的微服务，就是我上面讲到的。

除了独立之外，还有一个好处，就是各个团队，可以使用最合适的技术栈，比如：你是Java的、Go、Php…等等。

都可以采用（多语言、多数据库…等），这样每个团队不用被编程语言限制，可以更好的发挥自己的特长。

最后，各个团队通过微服务框架，来解决通信。

比如：你可以使用RPC，也可以使用，比如：HTTP（RESTful APIs)等等，以及消息队列…都可以。

这种松耦合的通信方式使得服务之间的依赖性较低，有助于提升系统的弹性。

4.弹性与容错

通过将应用拆分为多个小服务，微服务架构可以更好地应对失败。

比如：某个服务出问题时，其他服务仍然能够继续工作。

服务可以通过负载均衡、限流、熔断…等技术增强容错能力。

当你把上面的抓住了之后，你就需要具体运用哪种“微服务架构设计模式”了，下面我接着谈常见的“微服务设计模式”@mikechen

微服务数据共享设计

在微服务架构中，每个微服务应该拥有自己的独立数据存储，以保持自治性和独立性。

而这里，我提到的是“微服务数据共享模式”，大家要清楚这种模式，可以理解为“反模式”，只是一个“微服务过渡版”。

为什么说是“过渡”呢？原因很简单：多个微服务共享一个数据库，这种设计能更容易处理事务、和一致性问题。

但会降低服务的独立性、和扩展性，不符合微服务的自治原则。

这一点，一定要非常清楚，否则就本末倒置了。

所以，你可以采用微服务数据共享，来过渡微服务。

如果你的团队还没有这么强的能力，可以采用这种模式来“过渡”，这一点要记住！

微服务聚合设计

微服务聚合设计：是指如何将多个微服务的数据、或行为进行组合，提供一个统一的接口、或功能。

这种设计模式，常见于需要将多个服务的响应整合为一个响应的场景，比如：用户界面调用“多个微服务”的情况。

举一个例子，前端请求用户详细信息，可以通过这种模式， 聚合用户服务、订单服务、支付服务…等等的数据，返回一个包含所有信息的响应。

这是这种模式的好处，但也有坏处。

比如：聚合操作可能需要等待多个微服务的响应，影响性能。

为此，可以使用异步请求、并行调用、或缓存机制来提高响应速度。

微服务代理设计

微服务代理设计：是通过在服务之间引入中间层（代理）来处理通信、负载均衡、安全…等非业务功能，简化微服务的实现并提升其灵活性。

比如：最典型的就是服务网格(Sidecar 代理模式)，如下图所示：

在服务网格中，Sidecar 代理是服务网格的核心组件。

每个微服务实例旁边，部署一个 Sidecar 代理，Sidecar 是一个运行在主服务旁边的辅助进程。

服务网格(Sidecar 模式)，可以帮助主服务处理非业务逻辑，如：日志、监控、安全认证…等任务。

Sidecar 代理模式允许微服务将一些基础设施功能分离出去，减少主服务的复杂性。

常见的有：Istio、Linkerd …等服务网格技术。

代理虽然有很多好处，但也要记住：代理层可能成为系统瓶颈。

因此需要优化代理的性能，防止其成为单点故障。

微服务异步消息设计

异步消息设计：主要是指通过消息队列、或事件，在微服务之间实现松耦合通信。

服务之间的交互不再是同步调用，而是通过异步消息传递信息，从而提高系统的扩展性、和性能。

比如：消息队列用于微服务之间的异步通信，一个微服务可以将消息发送到消息队列，另一个微服务从队列中消费消息。

这种模式，适用于任务队列、异步处理…等场景。

但是，这种模式，也需要考虑：消息系统必须确保消息不丢失（可靠性）/和幂等性等问题。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】