RocketMq 消息(Message)

本文介绍了RocketMq,阿里巴巴的开源消息中间件,由MetaQ发展而来,支持高吞吐量和低延迟,具有消息不可变性、持久化和多种消息模型。讲解了消息模型、内部属性以及使用建议,如消息大小限制和设计原则。
摘要由CSDN通过智能技术生成

RocketMq是阿里出品(基于MetaQ)的开源中间件,已捐赠给Apache基金会并成为Apache的顶级项目。基于java语言实现,十万级数据吞吐量,ms级处理速度,分布式架构,功能强大,扩展性强。

官网

Linux 安装 RocketMq-CSDN博客

Springboot 集成 RocketMq(入门)-CSDN博客

1. 定义

消息是 RocketMQ 中的最小数据传输单元。生产者将业务数据的负载和拓展属性包装成消息发送到服务端,服务端按照相关语义将消息投递到消费端进行消费。

消息模型具备如下特点:

消息不可变性

消息本质上是已经产生并确定的事件,一旦产生后,消息的内容不会发生改变。即使经过传输链路的控制也不会发生变化,消费端获取的消息都是只读消息视图。

消息持久化

RocketMQ 会默认对消息进行持久化,即将接收到的消息存储到 RocketMQ 服务端的存储文件中,保证消息的可回溯性和系统故障场景下的可恢复性。

2.模型关系

消息由生产者初始化并发送到服务端。

消息按照到达服务端的顺序存储到队列中。

消费者按照指定的订阅关系从服务端中获取消息并消费。

3.内部属性

3.1 主题名称

消息所属的主题的名称。集群内全局唯一。【生产者指定

3.2 消息类型

消息的类型。【生产者指定

Normal:普通消息,消息本身无特殊语义,消息之间也没有任何关联。


FIFO:顺序消息,RocketMQ 通过消息分组MessageGroup标记一组特定消息的先后顺序,可以保证消息的投递顺序严格按照消息发送时的顺序。


Delay:定时/延时消息,通过指定延时时间控制消息生产后不要立即投递,而是在延时间隔后才对消费者可见。


Transaction:事务消息,RocketMQ 支持分布式事务消息,支持应用数据库更新和消息调用的事务一致性保障。

3.3 消息队列

存储当前消息的队列。【服务端填充

3.4 消息位点

消息存储在队列中的位置。【服务端填充

3.5 消息ID

消息的唯一标识,集群内每条消息的ID全局唯一。【生产者指定

3.6 索引Key列表(可选)

消息的索引键,可通过设置不同的Key区分消息和快速查找消息。【生产者指定

3.7 过滤标签Tag(可选)

消息的过滤标签。消费者可通过Tag对消息进行过滤,仅接收指定标签的消息。【生产者指定,一条消息仅支持设置一个标签

3.8 定时时间(可选)

定时场景下,消息触发延时投递的毫秒级时间戳。【生产者指定,最大可设置定时时长为40天

3.9 消息发送时间

消息发送时,生产者客户端系统的本地毫秒级时间戳。【生产者指定

3.10 消息保存时间戳

消息在服务端完成存储时,服务端系统的本地毫秒级时间戳。 对于定时消息和事务消息,消息保存时间指的是消息生效对消费方可见的服务端系统时间。【服务端填充

3.11 消费重试次数

消息消费失败后,服务端重新投递的次数。每次重试后,重试次数加1。【服务端标记

3.12 业务自定义属性

生产者自定义设置的扩展信息。【生产者指定

3.13 消息负载

业务消息的实际报文数据。【生产者指定

4.消息大小约束

消息大小不得超过其类型所对应的限制,否则消息会发送失败。

默认的消息最大限制如下:

普通消息和顺序消息:4 MB

事务消息和定时或延时消息:64 KB

5.使用建议

5.1 消息负载大小限制

消息过大容易造成网络传输层压力,不利于异常重试和流量控制。
如果需要传输超大负载,建议按照固定大小做报文拆分,或者结合文件存储等方法进行传输。

5.2 消息不可变设计

RocketMQ 服务端5.x版本中,消息本身不可编辑,消费端获取的消息都是只读消息视图。但在历史版本3.x和4.x版本中消息不可变性没有强约束,因此如果您需要在使用过程中对消息进行中转操作,务必将消息重新初始化。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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