为什么说社会形态影响着SOA面向服务架构思想?

产品将面对的社会形态

新研发的平台产品所面临的问题是:面对激烈的商业竞争形势,使大多数企业都面临着增长业绩、提高生产率和降低成本的压力,而产业的趋势是业务方法不断变化,特别表现在企业重构和解构这两个特征上。

企业重构:传统上的企业管理是一种层次化的垂直结构,打造了一个具有固定业务、确定交互、执行高效的模式。但是当竞争形势和市场需求发生变化的时候,它就与动态业务的趋势相冲突,阻碍了快速反应时间。这种外部压力迫使企业重新定位,向水平集成的业务流改变,这就形成了企业重构的趋势。

产业解构:在企业重构中,企业会根据自己的能力进行业务专业化。企业专注于自己的核心业务,业务以外的任务通常外包给第三方来提供实际的支援和交付,每个第三方再将重点放在提高自身的核心服务上,这就形成了产业的解构,以及新的产业链的形成。

这种业务不断变化的特征,对于以现代物流业为背景的仓库管理系统,同样有明显的表现。换句话说,所设计的仓库管理系统平台应该具有业务敏捷的变化特征。

面向服务的架构(SOA)的思想

软件是一种思维,而思维是受我们自己所处的社会形态影响的。

我们来观察社会形态的变化,随着社会需求趋向于复杂化和多样性,今天的社会形态逐步地向服务型社会转移。基于服务的企业诸如金融、交通、商店、法律等,它们本身有自己的工作流程,而流程的入口是用户需要,输出是用户需要的结果。
用户并不关心这些服务企业内部流程,他们需要的就是输入和输出。用户要做的事情,就是根据自己的需要,编排这些服务,以更方便、更快捷、更高的质量,来满足自己千变万化的需求。对这种基于服务的社会形态的理解,能给我们带来什么启示呢?如下图(A,C)所示。


如果在架构设计的时候也映射这种服务型社会的思想,把具备完整性和稳定性的业务做成一种托管服务,由上层应用业务去编排它们,如上图(B、D)所示。这样,当业务流程发生变化的时候,或者重新编排,或者加入新的服务,就可能使这种技术架构能够适应流程的变化。理解这一点很重要,它为我们的架构思想提供了基本的机制背景。

这就是面向服务的架构(SOA)的基本思想,它的特点是把软件部署为一种托管服务,可以通过网络访问,由客户按需定制和组合不同的服务完成既定的业务(业务敏捷)。还需要注意一点的是,与社会形态一样,服务必须强调规约,没有规约,服务本身也就不存在了。这些对于社会形态的考察,使我们对于软件架构形态与方法论的本源有了更深入的理解。

面向服务的架构(SOA)基本形式

综上所述,在实际产品设计中,技术架构可以分成服务提供、服务编排和服务消费三个层。为了避免点对点服务带来的问题(不能改变信息、难以跟踪服务使用状况、难以验证、安全隐患等),可以通过企业服务总线(Enterprise Service Bus,ESB)对服务进行集中管理。必要的时候,还可以应用云计算服务完成资源的合理配置。基本的面向服务架构如下图所示。



服务应该是无状态的,也就是服务不依赖于任何事先设定的条件和其它服务的状态,是状态无关的,所以它们可以被编排以执行商业逻辑。


  • 0
    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
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