技术

下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论及实践 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 LLM部分技术源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

大模型推理服务框架 模型服务化(未完成) 大模型RHLF 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 LLM工具栈 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象(LLM)? 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 容器和CPU那些事儿 kubevela源码分析 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 容器和CPU那些事儿 kubevela源码分析 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 helm 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? Kubernetes events学习及应用 CRI 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时,我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件

分层那些事儿

2017年03月16日

简介

笔者是一个java开发工程师,处于业务组,写了很多的crud代码。因此,对一些项目、架构保持很大的敬畏,一些开源项目的源码即便看的懂,也觉得很牛逼。十几个类,彼此之间,简单来看,是聚合、继承等关系,但又有一种说不清道不明的联系。不知怎么地,就可以弄出异步、监听等神奇的效果。

笔者这么多年的读书学习经验表明,如果你认为一个东西很厉害,理解起来有一些tricky的点,那就说明还没有深入理解它。

最近在看zookeeper client的源码,也曾看过我司的服务治理框架mainstay(可以实现rpc、服务发现、服务降级、异步调用等功能),它们涉及的东西很多:io、多线程、分层和异步等等。

A famous aphorism of David Wheeler goes: “All problems in computer science can be solved by another level of indirection” (the “fundamental theorem of software engineering”). This is often deliberately mis-quoted with “abstraction layer” substituted for “level of indirection”.

《软件架构设计》分层的典型特征:

  1. 越底层越简单、单一、固化
  2. 严格遵守上层调用下层,控制同层调用。

Freewheel 首席工程师:我对软件分层设计的思考

分层

zookeeper、dubbo client端的基本套路

功能 交互数据
使用(可选) 结合spring实现自动注入、自定义配置标签等  
api层 提供crud监及异步操作接口 业务自定义model
业务层(在不同的框架中可能继续分层) 根据协议数据,以框架业务model的形式存储有状态信息,实现协议要求的机制,比如服务降级(dubbo)、监听(zookeeper)等功能 框架业务model
transport层 传输数据model,屏蔽netty、nio和bio使用差异 框架基本数据model,协议的对象化,负责序列化和反序列化
socket   byte[]

业务层的异步(线程加队列)和 通信层的异步(底层os机制),简单看,上层是否异步,依赖于底层,但分层是根据职责的,将异步封装为同步的代码,放在上层或下层均可。也就说,理论上,为了让代码符合直觉,每一层都可以做到同步。最上层是否提供异步操作,只看用户的需求。

分层在代码上的表现

不同的层次有不同的特性和符合这一层次的关键职责。在具体的工作中,有个习惯大家可以试试:我们总归有一层设计,是没有业务语义概念的。比如完整的一个insert操作。这个insert sql肯定没有业务语义,完全不理解这是一个什么场景需要insert。它只专注于实现insert功能。按照这种方法。我们就可以不断的抽象出不同的功能

逻辑分层

代码腾挪的艺术 如果一个逻辑,你用不同的语言实现,最后发现样子差别好大,就说明你没有做好抽象,任由语言特性干扰了代码结构。

系统设计的一些体会 要分得清楚访问代码、业务代码、存储代码、胶水代码各自应在哪些层级,它们应该是什么角色,而不是所有代码散乱的混在一起.

代码的跨层次调用

这块可以了解下 linux 网络协议栈

分层代码的配置传递问题

分层对接口设计的影响

拿业务层和transport层举例,笔者公司内部有一个rpc服务通信及治理框架,其项目maven接口如下

framework
	framework-business
		framework-business-api
		framework-business-impl
	framework-transport
		framework-transport-api
		framework-transport-netty

初看这段代码时,笔者曾觉得每一层弄一个xx-api不是很有必要,比如说,位于framework-transport-netty的NettyClient类

public class NettyClient{
	void connect(ip,port){}
	response transport(request){}
	void close(){}
}

因为既然选定transport层使用netty,以后基于framework-transport-api不会有其它实现了,业务层直接使用NettyClient就好了嘛。可后来笔者发现,NettyClient.connect不仅业务层会调用,framework-transport-netty自身也会调用,比如心跳机制检测到连接断开时自动重连。如果一个方法有多个调用方,首先调用方传入的参数可能不同,这就需要方法由多个实现,这个好说。其次,调用方对方法的具体逻辑要求可能不同,这个就比较麻烦。同时,按照“单一职责原则”,向上的调用最好存在一个独立的接口,这或许是framework-transport-api存在的另一层重要原因。

分层与架构设计

比如操作系统的分层设计:kernel ==> memory management ==> input/output ==> file management ==> user interface

  1. 文件 读写要 内存缓冲区,因此要 事先弄好 内存管理
  2. 网络 访问,借用的 文件描述符,因此要实现 弄好 文件读写

在携程的持续交付实践中,它们没有直接让开发操作jenkins,而是自己实现了一个前置页面(及其系统),将用户的请求 根据jenkins 的负载负载分发到不同的jenkins上,亦或者执行容器化后的jenkins。

在众多大厂的内部私有云实现中,他们并没有将Kubernetes 直接暴露给开发, 而是实现了一个前置系统,规范、抽象一些基本动作。对于美团来说,开发无需感知底层是虚拟机还是容器。

2018.11.19 补充:笔者在公司内部进行docker实践时,一开始是使用jenkins 串联了代码 ==> 镜像 ==> 发布的各个步骤,用户直接操作jenkins。当时一个很头疼的问题是:一般项目内存设置为1g(此处是举例子)就可以了,但肯定有部分项目要特殊配置,此时个性化与模板化便有了矛盾。这类的问题可以使用前置系统来解决,1g 以下内存直接运行,1g以上内存则自动转入申请流程。解决普遍问题的开源系统 加上 个性化策略(比如权限、校验)的前置层,才是好用的内部系统。

为什么说,MapReduce,颠覆了互联网分层架构的本质?

互联网分层架构的本质究竟是什么呢?如果我们仔细思考会发现,不管是跨进程的分层架构,还是进程内的MVC分层,都是一个“数据移动”,然后“被处理”和“被呈现”的过程。数据处理和呈现,需要CPU计算,而CPU是固定不动的。而数据是移动的,跨进程的:数据从数据库和缓存里,转移到service层,到web-server层,到client层;同进程的:数据从model层,转移到control层,转移到view层。归根结底一句话:互联网分层架构,是一个CPU固定,数据移动的架构。

为了减少数据量的传输

  1. 数据本身就是分散存储的
  2. 输入数据,被分割为M(map实例的数量)块后,master会尽量将执行map函数的worker实例,启动在输入数据所在的服务器上;
  3. map函数的worker实例输出的的结果,会被分区函数划分成R(reduce实例的数量)块,写到worker实例所在的本地磁盘;map的输入输出不需要网络访问
  4. reduce函数,由于有M个输入数据源(M个map的输出都有一部分数据可能对应到一个reduce的输入数据),所以,master会尽量将执行reduce函数的worker实例,启动在离这些输入数据源尽可能“近”的服务器上;服务器之间的“近”,可以用内网IP地址的相似度衡量。reduce的输入就近,输出基本也不需要网络访问。

一个表格保存回显之路

2018.11.8 补充

假设要做一个后端系统,中间涉及到表格的保存和回显,表格如下图(实际上,表格跟具体的业务有关)

header1 header2 header3
cell1 cell2 cell3
cell4 cell5 cell6

最开始的思路如下图左侧,根据表格中的业务数据直接保存。代码中大量的if else 以及for 循环。

其实很明显我们可以想到,就界面交互来说,这首先是一个表格的保存与回显问题(前端无需知道业务,只知道保存与回显表格就行了),然后才是业务问题。于是笔者想,如果抛开具体业务,做一个普遍的表格保存与回显,应该如何做?所以采用了上图右侧的方式,抽象了一些类:Table、Header、Body,同时将service 分了一下层,代码清晰了一点,但是到这一步,仍只是理念上的分层,代码分散在一些类里,不那么“拥挤”了,但还有大量的if else 和 for循环。

大量的for 循环如何去掉?通过观察代码的特点,笔者考虑将for 循环抽出去,提取了如下接口

public interface HeaderHandler {
    void handle(int index, String headerName);
}

public interface CellHandler {
    void handle(int headerIndex,String headerName,int rowIndex,String rowValue);
}


public class TableUtils {
	// 遍历table 特定列的 单元格,对每一个单元格执行 cellHandler
   public static void iteratorCell(Table table, int columnStartIndex, int columnEndIndex, CellHandler cellHandler) {
        ...
        for (int hi = columnStartIndex; hi < columnEndIndex; hi++) {
            ...
            for (int ri = 0; ri < trs.size(); ri++) {
                ...
                cellHandler.handle(hi, headerName, ri, cellValue);
            }
        }
    }
}

于是在业务代码中便可以

public void saveBusiness(Table table){
	...
	TableUtils.iteratorCell(table, 0, 2, (headerIndex, headerName, rowIndex, rowValue) -> {

   });
   ...
}

我们为了省去for 循环抽象的 ` public static void iteratorCell(Table table, int columnStartIndex, int columnEndIndex, CellHandler cellHandler)` 接口,正是一个表格 除数据抽象外,应该具备的 逻辑接口(另外还有一个表格的每一个单元格依次初始化)。至此,我们便可以借助TableUtils 干掉代码中大部分的for循环。

我们从各个角度回顾下上述过程

  1. 左耳朵耗子:控制与逻辑分离 《编程的本质》笔记
  2. 回调具有抽取代码的作用。将一整块代码 抽取为一个函数或工具类 比较容易,将流程的一部分抽取为接口则做的不多,很多生命周期接口(比如onSucces,onReceive,onFailure等)都是这样的例子代码腾挪的艺术
  3. 回调接口 也是分层接口设计的一部分 系统设计的一些体会
  4. 封层接口,有时候体现在工具类、业务类里,而不是模块间接口中
  5. 最开始只抽象出Table、Header、Body 时候,连带上分层,代码并没有明确的精简,想到HeaderHandler、CellHandler才豁然开朗。也可以看到,分层不仅要提供抽象,还要抽象行为。或者换个角度看,iteratorCell 方法也可以直接 放在Table 对象中,这也说明,贫血对象的抽象意义有限,充血对象才是有价值的(不仅有数据,还有行为)。ddd(一)——领域驱动理念入门
  6. 计算中没有什么问题是加一层解决不了的

如何识别需要分层

隐藏细节

以一个zk 数据的保存为例:笔者曾经有一个业务,涉及到project 的保存、删除、开启和关闭(存储为zk)。有一个zk工具类

class ZKUtils {
	public static void create(String path,String value){...}
	public static void remove(String path){...}
	public static void update(String path,String value){...}
	public static String get(String path){...}
}

然后在业务中 就直接使用了zk 工具类,从常规来看,这样写并没有什么问题。但ZKUtils.update 的操作语义可以很宽泛,可能是改了个名字、更新状态等。也就是说,上层只需要4个数据操作,而ZKUtils 直接提供了几乎无限的操作可能,若是将ZKUtils 直接暴露在业务操作中,会有一些问题

  1. 代码复用不够,比如 将project 转换为path 和 value 的代码会到处都是
  2. 新手过来不了解情况,用ZKUtils.update 关闭了一个project,但不知道关闭后还要 执行关联代码,造成数据不一致。
  3. 需求的更改不能控制在有限的边界内

这时,一定可以有一个抽象层

interface ZK{
	void addProject(Project porject);
	void remove(Project project/String projectName);
	void close(Project project);
	void open(Project project);
}

对上承接业务需求,对下屏蔽zk处理,以后数据存储不用zk了,存储变动对上层业务代码也没有影响。平时的controller-service-dao代码 在这块最为明显。

所以笔者当下的业务经验是:如果数据提供方和需求方接口数量差异很大时,要使用分层。另一个跟分层无关的经验是:不要向上层直接暴露update 方法,而是暴露意义的更新操作名来明确变动。

增加把控

笔者曾负责过一段时间的发布系统,常规流程是:用户操作 jenkins ==> build ==> 触发k8s 调度业务系统 ==> 业务系统在docker 环境上运行。

在维护时发现几个问题

  1. 用户经常输入错误(少输、输错)jenkins 配置,而因为无法介入jinkins的工作过程,输错了也无法正确提示
  2. 用户jenkins 操作完毕后,无法直观的看到业务容器状态,需要另外进入k8s界面查看。
  3. 有部分老业务跑在marathon 上,前两点的复杂性翻倍
  4. 开发人员发布时有明显的高峰低谷,每到下午五六点,开发忙了一天,也开发布下代码看看效果了,此时jenkins 便会很忙。采用jenkins 本身的集群机制,负载均衡效果比较差。

因此我们自己实现了一个发布系统,加了这一层,便可以做到

  1. 对用户的输入进行校验
  2. 根据jenkins 负载动态将任务调度到不同的jenkins上
  3. 用户只需感知一个发布系统,对jenkins、marathon和k8s无需关注
  4. 做的更狠一点,为用户提供一个二进制工具来操作发布系统,这样用户在开发时甚至都无需离开IDE窗口。

分层和线程

假设layer1是阻塞的,那么为layer2加上线程池后,在layer3看来,layer2接口就变成非阻塞的了(调用变成了任务,存在了layer2 executor的队列中)。

假设layer1是阻塞的,那么layer2经过多线程及其它技巧,在layer3看来,layer2接口可以变成异步的,例如netty就做到了喔。参见异步编程

其它

如果你看神经网络,很明显无论宏观微观,是一个分层的结构。

知识和人类的认知本身,也是一个分层的结构, 认知的几点规律