微服务相关知识

参考:http://martinfowler.com/articles/microservices.html


组件可以分为服务组件和library组件,它们的区别在于:

1、服务组件:独立于用户程序运行(单独一个进程),用户程序通过特定协议向服务组件(进程)请求特定服务;

2、library组件:被链接到用户程序中,通过内存中的函数调用来执行特定功能;


一个服务对应着一个运行的进程,或者多个进程(如一个服务处理进程和一个该服务专用的数据库进程)。

传统软件工程中,一个组织设计的系统架构实际上就是真实反应了该组织层次的结构,如下图。-- Melvyn Conway, 1967


而微服务架构的设计原则,却是按照业务需求和能力来进行划分的,如下图:


这种设计将应用系统按照独立功能进行划分成服务,每个服务都是一个board-stack子系统,即该服务中包含了应用程序中的所有层级结构(前端UI,中间件,数据库部分)。

对应的,开发此类服务的团队也是具有完整编制的项目团队,包括了:开发工程师(前端,中间件数据工程师),测试工程师以及项目管理人员。


服务之间的通信:


摈弃传统SOA中的ESB(Enterprise Service Bus),原因:ESB集中管理,违背了微服务分布式架构的原则。

使用轻量级的REST协议来进行服务之间的通信。常用协议有:HTTP协议(HTTP resource API)和轻量级消息机制(Dumb)。

注:Dumb是一个消息路由器,是 RabbitMQ or ZeroMQ的简单实现,提供可靠的异步传输机制。

The infrastructure chosen is typically dumb (dumb as in acts as a message router only) - simple implementations such as RabbitMQ or ZeroMQ don't do much more than provide a reliable asynchronous fabric - the smarts still live in the end points that are producing and consuming messages; in the services.


http://www.tuicool.com/articles/YjiI7z 该文章不推荐使用Dumb。原因是Dumb会引入集中管理和消息的有状态化。

If we take a step back and compare notes between the ThoughtWorks piece and Janakiram’s, however, a more useful set of architectural principles emerge: horizontal scalability. Stateless communications. Event-driven, reactive interactions. Asynchronous interactions that favor eventually consistent data. In other words, web scale .

While it’s true that we don’t want centralized, stateful orchestration of services, we also don’t want to limit our microservice interactions to the extent that they are “dumb.” Rather, we simply have a new way of thinking about “smart” pipes – microservice integration that is architected following web scale, cloud-centric principles.












  • 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
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