SharePoint咨询师之路:设计之前的那些事三:体系结构

本文探讨SharePoint咨询师如何提供解决方案,重点分析设计前的体系结构,包括容量管理、规模和角色定义。文章详细阐述了SharePoint Server 2013的物理体系结构,如Web服务器、爬网服务器、管理服务器、应用服务程序服务器、数据库服务器等角色,以及适用于不同规模的服务器场部署策略,如单服务器场、小型场、中型场和大型场的架构特点。
摘要由CSDN通过智能技术生成

 

提示:本系列只是一个学习笔记系列,大部分内容都可以从微软官方网站找到,本人只是按照自己的学习路径来学习和呈现这些知识。有些内容是自己的经验和积累,如果有不当之处,请指正。

 

咨询师更多的时候是解决方案提供者,那么他们如何能够提供有效的SharePoint解决方案呢?他们做出解决方案的依据是哪些呢?这就是我们需要了解的设计之前的那些事。

它通常包括:

 

定义:

体系结构就是定义一组元素以及元素间的联系。SharePoint Server的体系结构包括:根据位置划分的物理结构和根据功能划分的逻辑结构。

 

本篇文章主要分析SharePoint Server 2013的物理体系结构。大部分资料都是从一个整体的SharePoint服务器场结构开始,然后一步步分析服务器场内个服务器的作用来介绍服务器场的体系结构。这里我们却采用不同的方法, 我们先来分析SharePoint服务器场内可能存在的服务器角色, 通过对服务器角色和功能的了解,然后进行组合成不同规模的服务器场。

注:角色的区分不是必须的,而是是根据服务器场的规模、客户对性能要求而划分的。比如对于用于研究和开发的服务器场,所有的角色都可以集中在同一台服务器上。

 

  1. Web服务器
    • Web 服务器: SharePoint 自带的页面, web服务,Web Parts的宿主服务器; 负责所有的用户请求
    • 爬网专用web服务器 : 不用于处理用户需求,专门用来爬网,这样保证了爬网的压力不会被分配到其他web服务器, 从而提高web服务器响应用户请求的能力。

如何部署爬网专用服务器?2013,2010.

  • 管理专用web服务器:部署SharePoint管理中心的web服务器
  1. 应用服务程序服务器
    • Query,Index专用服务器:由于SharePoint的搜索功能会占用大量的资源,一本情况下建议用专门服务器部署搜索相关的服务
    • Crawl专用服务器
    • Sandbox专用服务器
    • User Profile 服务器:当用户站点被启用并被在企业内部大量使用时,建议用专门服务器部署User Profile服务
    • Workflow 服务器:工作流服务器
    • 其他特殊的专用服务器如:Excel caculation, performancepoint, project….
  2. 数据库服务器
    • Search 专用数据库服务器:用专门数据库服务器存储与搜索相关的数据
    • Content/configuration数据库服务器:内容数据库以及SharePoint自身的配置数据库
    • 其他SharePoint数据库服务器如 User Profile, Managed Metadata….

 

  1. 其他服务器

 

SharePoint服务器场还可能包含其他功能性的服务器,但是这里主要列举了可能被经常用到的功能性服务器。

 

体系结构

了解完SharePoint 服务器场中服务器的角色,就能很容易的通过组合这些不同的角色服务器而得到所需服务器场的体系结构。

单服务器SharePoint场

单一服务器部署体系结构就是在一台机器(可以是虚拟机)安装SharePoint Server和SQL Server,所有的应用程序服务都运行在一台服务器。 此体系可用于评估,开发或者只有少数用户的使用的情况。


小型SharePoint场

小型服务器场是由一台数据库(2)与一台或者两台基于SharePoint Server 的计算机组成。 主要体系结构特征包括有限的冗余和故障转移,并启用了最基本的应用程序服务比如:User Profile, Secure Store. 此体系结构只要勇于较小的用户群、相对较低的使用负载(每分钟几个/每秒钟几个)以及相对较少的数据量(一般几十GB)。



中型SharePoint场

此体系结构的特征一本是分为三层:专用的web服务器,专用的应用程序服务器以及一个或者多个数据库服务器或者集群。根据公司常用功能不同进行部署应用程序服务。 比如公司偏重数据的检索,就需要把搜索数据库以及搜索应用程序服务分别部署到不同的服务器。

此体系的服务器场可以满足一下需求:

  • 支持用户群为数万用户
  • 负载为每秒10-50个
  • 数据存储为1/2TB(如果采用RBS,可以支持更多)
  • 易扩展

 

大型SharePoint场

 

对于超大型服务器场,没有实际经验,只能从微软官方网站获得一些信息。当你需求是如下之一时,你就需要考虑大型服务器场了。

 

  • 用户群是10万级别
  • 负载范围是每秒数百
  • 数据量时10TB
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