AKF扩展立方体和AKF可用性立方体

很多人知道AKF扩展立方体是从《架构即未来》这本书开始。实际上akfpartners官方写过4篇关于AKF扩展立方体的文章,还有一篇介绍AKF可用性立方体。akfpartners官方在高可用、扩展性方面有很多专业技术文章,建议有空就翻翻看。

AKF扩展立方体和AKF可用性立方体都介绍了X轴、Y轴和Z轴。X轴核心是复制,Y轴核心是按业务拆分;Z轴核心是按算法拆分。AKF扩展立方体解决的问题是提供无限扩展性的解决方案;AKF可用性立方体解决的问题是提供无限高可用的解决方案。

AKF扩展立方体

fe2507a90db7c356575bc7553dcbaa05.png

X轴扩展是通过克隆和复制的方法来扩展。对应用来说,复制服务、负载均衡、浏览器存储session、对象缓存都是X轴扩展的例子;对数据库来说,数据库主从读写分离是典型的例子。

Y轴扩展是按业务来拆分,微服务就是一种Y轴扩展方式,DDD为扩展提供方式方法。扩展的大敌是瓶颈。所以微服务系统都要求将不同服务的数据库分开,来增强扩展性。

Z轴扩展是按算法规则扩展。对应用来说,单元化架构就是一种Z轴扩展方式;对数据库来说,分库分表就是一种Z轴扩展方式。

官方对三轴拆分的本质描述有一张图,清楚明白:

6e16e720e03a85d62f8f65b8f278b04d.png

AKF可用性立方体

a29b318842c3a5309d0e814514612d8e.png

AKF可用性立方体

X轴扩展可以大幅提高可用性。假如一个服务本身的可用性是4个9,根据 (总时间-不可用时间)/总时间 的可用性公式,可用性可被提高到下面这么多9:

b0af2d3e003b8ace6d0077c14eaf8d80.png

Y轴扩展对可用性是起副作用的。因为业务拆分之后,模块之间的跨系统交互会增加,增加通信失败的风险。服务、数据扇出和服务、数据熔断是典型的反模式。服务扇出是说一个服务是个中心节点,和很多服务有调用关系;数据扇出是要得到数据需要从多处获取数据,也是一个中心。这样,一旦这个服务发生故障,和其有调用关系的都受到影响,被熔断。这些可以通过额外的处理:限流、降级等进行规避。

Z轴扩展可减小故障辐射半径,提高可用性。这种可用性手段又被称为舱壁模式或者泳道。被称为永不沉没的泰坦尼克,之所以叫永不沉没就是使用了舱壁,使用了16个舱壁,就算4个进水都不会有问题。设计上没有问题,据说是使用外包做了豆腐渣工程,导致了悲剧。

  • 5
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 自适应卡尔曼滤波(AKF)是一种优化卡尔曼滤波器的算法。卡尔曼滤波器是一种经典的状态估计算法,用于从一系列不完全或不准确的输入数据中估计目标系统的状态。然而,在实际的应用中,系统参数可能会随时间变化,卡尔曼滤波无法很好地应对这种情况。为了使系统更具适应性,AKF算法引入了可变的卡尔曼滤波参数。 AKF算法的关键是通过适当地选择卡尔曼滤波器的参数来提高估计的准确性。在AKF中,参数更新基于滤波器的不确定性和输入数据的统计特性。AKF可以适应系统模型和测量误差的变化,从而获得更好的估计结果。 AKF的优点包括能够适应不同的系统和测量误差特性,使得滤波器更为稳健和准确。它还可以自适应地调整模型,并且在处理非线性系统时能够提供更好的估计。然而,在应用AKF算法时需要对系统模型和滤波器参数进行仔细的调试。 总之,AKF算法是一种可以优化卡尔曼滤波器的适应性滤波算法。其能够自适应地调整参数以适应不同的系统和测量误差特性,从而提高估计的准确性和稳健性。 ### 回答2: 自适应卡尔曼滤波(Adaptive Kalman Filter, AKF)是一种卡尔曼滤波(Kalman Filter, KF)的变种,也是一种优化滤波方法。与传统卡尔曼滤波不同的是,AKF中的噪声协方差矩阵并不是固定的,而是变化的。AKF通过在线估计噪声协方差矩阵,不断调整卡尔曼滤波器的状态估计和误差协方差矩阵,从而实现更好的滤波效果。 AKF的优点在于它能够适应噪声的变化,使得卡尔曼滤波器更加精确地估计状态量,从而提高系统的准确性和鲁棒性。AKF广泛应用于导航、目标跟踪、机器人控制等领域,特别是在存在噪声较大或噪声难以建模的情况下,AKF的优势更加明显。 需要指出的是,AKF相较于传统卡尔曼滤波,计算量会有所增加。此外,AKF需要对噪声进行估计,因此噪声估计的准确性会直接影响卡尔曼滤波的效果。因此,在使用AKF时,必须充分考虑实际应用场景,以及噪声的具体特性,才能达到最好的效果。 ### 回答3: 自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)是基于卡尔曼滤波算法的一种变种。卡尔曼滤波是一种递归滤波算法,用于估计和预测控制系统中的状态量,通过测量噪声和系统模型的状态方程来优化状态估计。AKF算法主要是为了解决卡尔曼滤波中无法确定噪声模型和参数的问题。 AKF自适应性体现在其可以根据输入数据的动态特性来自适应地调节卡尔曼滤波的噪声参数。其核心思想是根据测量噪声方差与系统动态特性之间的关系来自适应地调节噪声方差,从而提高滤波的性能。AKF算法相对于传统的卡尔曼滤波算法,具有更高的鲁棒性和适应性,并且能够更好地适应非线性系统和非高斯噪声的情况。 AKF算法的应用范围很广,比如在车载导航系统中,通过采用AKF算法可以提高定位和导航的精度,避免因航位漂移等因素导致的误差积累。在机器人导航和控制中,AKF算法也可以用来提高机器人的位置估计和控制精度。总之,AKF算法的出现为一些经典的过滤算法提供了新的思路,能够更好地解决实际问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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