技术

上下文记忆 agentic chat 图数据库的一些考量 LLM一些探索 Agent实践 LLM预训练 向量数据库的一些考量 fastapi+sqlalchemy进行项目开发 LLM微调实践 Python协程实现 Agent Functon Calling LLamaIndex入门 Multi-Agent探索 Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 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 Transformers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 Kubernetes 控制器模型 容器日志采集 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 线程排队 jib源码分析之细节 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

bert rerank微调 大模型推理tips RAG向量检索与微调 dddfirework源码分析 RAG与知识图谱 大模型推理服务框架vLLM 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 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 kubevela源码分析 容器和CPU那些事儿 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 K8S YAML 资源清单管理方案 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 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 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow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 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——kubelet与容器引擎之间的接口 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 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 K8S YAML 资源清单管理方案 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——kubelet与容器引擎之间的接口 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
上下文记忆 agentic chat bert rerank微调 大模型推理tips LLM一些探索 Agent实践 LLM预训练 RAG向量检索与微调 LLM微调实践 RAG与知识图谱 大模型推理服务框架vLLM Agent Functon Calling LLamaIndex入门 Multi-Agent探索 LLM工作流编排 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Transformers源码学习 LangChain源码学习 如何应用LLM 小鼠如何驾驭大象(LLM)? AutoML和AutoDL 特征平台 实时训练 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 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 推理服务 mpi 学习pytorch 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 kaggle泰坦尼克问题实践 神经网络模型优化 概率论 直觉上理解深度学习 如何学习机器学习 深度学习泛谈

《反应式设计模式》笔记

2019年03月11日

简介

预备几个问题

  1. 为什么消息驱动是 反应式架构的底层实现?

书的整体思路,反应式系统的理念体现在 这两个步骤的各个方面

  1. 如何划分模块?
  2. 模块之间以异步消息流交互。 一个重要原则是:减少系统中发生交换的消息数量。

CompletableFuture原理与实践-外卖商家端API的异步化

  1. 可组合:可以将多个依赖操作通过不同的方式进行编排,例如CompletableFuture提供thenCompose、thenCombine等各种then开头的方法,这些方法就是对“可组合”特性的支持。
  2. 操作融合:将数据流中使用的多个操作符以某种方式结合起来,进而降低开销(时间、内存)。
  3. 延迟执行:操作不会立即执行,当收到明确指示时操作才会触发。例如Reactor只有当有订阅者订阅时,才会触发操作。
  4. 回压:某些异步阶段的处理速度跟不上,直接失败会导致大量数据的丢失,对业务来说是不能接受的,这时需要反馈上游生产者降低调用量。

为什么需要反应式

我们的初衷是构建一个对用户即时响应的系统,无论什么情况下都能响应用户的输入。由于任何单台计算机在任何时刻都可能宕机,因此我们需要将系统分布到多台计算机上。引入分布式结构这个额外的基础需求使我们意识到:构建这样的系统需要新的架构模式(或者重新发现旧模式)。过去我们建立了各种方法来维持某种表象:单线程的本地运算能够魔法般的扩展运行在多个处理器核心或网络节点上(PS:比如hadoop,写mapreduce就像在写单机程序一样)。然而虚实之间的沟壑已经大到难以为继。解决方法是让我们应用程序中所具有的分布和并发的本质明明白白的反映到编程模型上来,并使其变成我们的优势

与很多成功想法一样,反应式的多项原则被过度使用和重新诠释。这不纯粹是坏事;思想需要不断进化,从而保持相关性。但这也会引起混淆,导致原始意图被淡化。例如一种不幸的流行误解是:反应式编程无非就是使用回调或面向流的组合 进行异步和非阻塞的编程。PS: 我们学习很多技术,都误解了初衷, 进而迷惑在细节中,价值结构图要多画一画

反应式宣言解读

对用户做出反应

传统方法,本质上 一个用户请求的处理是单线程 接力完成。或者说,或许经过多个线程,但某个时刻只有单个线程在处理请求。对用户做出反应,用户请求体现在连接数,干活的是线程,性能调优就是连接数与线程数的纠葛。

性能调优  
连接数>线程数 无意义
连接数=线程数 新的请求等待
连接池<线程数 服务能力不足

顺序执行模型,调用方、被调用方、调用方对结果的处理在同一个线程上同步进行,紧密耦合,所以失败会以同样的方式影响两者。

并行执行通常需要额外的思考和库的支持

  1. 任务并行执行, 调用方等着耗时最长的任务结束再进行下一步处理
  2. 进阶——异步结果组合。难道通过并行来降低响应延迟还不够吗?假设一个任务由ABC三个子任务组成,ABC均返回Future,任务可能是一个更高层级的子任务,也理应返回Future。并行执行必须与异步的、面向任务的结果聚合配合使用。

阻塞API ==> 大量线程等待 ==> 除了线程切换的成本,内核调度程序很难找出哪些线程是可运行的,哪些线程是正在等待的,也很难选择其中一个线程,使得每个线程都能获得公平的CPU时间片。操作系统内核负责线程切换,却难以业务友好的进行切换 ==> 使用消息作为沟通媒介(正是内核的运行机制——中断),不是挂起线程,只是挂起计算。

在并行计算中,一个使用多个处理器的程序的速度提升受限于程序中顺序执行部分的占比。PS:消息传递天然的可以提高程序的并行度。

挂起线程 vs 挂起计算:不管是同步还是异步,只要被调用方处理能力不足、网络通信存在耗时、竞争资源有限,排队是一定要排队的,只是排队的是线程还是消息罢了(就好比没有邮箱时你要邮局排队等窗口,有了邮箱你信放邮箱里,人等着vs信等着)。线程排队

对失败作出反应

只有一种通用的方法来防止你的系统在部分失败时牵连整个系统:distribute(不要把鸡蛋放在一个篮子里) 和 compartmentalize(保护你的篮子,避免它们互相影响)

回弹和容错

  1. 容错,比如备份儿,坏了一个还有另一个
  2. 回弹,回弹性更多的谈论出错的事情的性质, 比如断路器。PS:”弹“指的是一次断路器断开、闭合无需人工干预,系统具有根据一定策略自适应能力。

反应式设计模式

提升抽象水平已被证明是提高程序猿生产效率的最有效措施。复杂性有两种,以一个容器平台为例

  1. 固有的复杂性,是问题领域所固有的。配置cpu/mem/健康检查接口是 pass领域固有的,服务运行在物理机上也要配相关参数。
  2. 附带的复杂性,仅由解决方案所引入的。docker命令和Dockerfile 是docker 这个解决方案本身引入的。

一个适当的解决方案是暴露问题领域中的所有固有复杂性, 使其可以根据具体的使用情况进行处理,并且避免了由于所选择的抽象和底层机制之间的不匹配而导致的附加复杂性给用户带来的负担(系统设计的精辟之言)。 这意味着,随着你对问题领域理解的不断深化评估现有的抽象,考虑它们是否抓住了固有复杂性以及又增加了多少附带复杂性。

如何划分模块

以邮箱系统为例, 开始这样一个项目,首要任务是描绘出部署的架构图,并草拟出需要开发的软件模块清单。这也许不会是最终架构,但是你需要描绘问题空间,并探寻潜在的难点。层次化拆分的结果是一套层次分明的组件,每个组件就其功能而言可能是复杂的,例如搜索算法的实现。也可能其部署和编排过程是复杂的,例如为几十亿用户提供邮件存储。但在描述组件的个体职责时,总是应该保持简洁。

将一个庞大的任务分解为多个小任务,并在每个子任务上重复这个过程,直至我们可以得到相互协作的模块, 这些模块间的协作支撑起整个应用程序。子模块负责其父模块的一部分功能,而外部功能则只通过引用的方式引入。

模块和其直接的后裔模块之间不仅仅是依赖关系,父模块还定义了子模块的职责范围,定义了要解决问题空间的边界。在层级结构的底部是具体的实现细节,沿着层级越往上,组件变得越抽象,越接近你想要实现的逻辑上的概括性功能,越可能仅特定于具体用例。

消息流设计:对于由任意后端服务之间无限制的交互所产生的混乱问题,解决方法是专注于整个应用内的通信链路,并专门设计它们。

消息传递 vs 方法调用

在最底层,计算机之间的交互是以消息形式进行的,消息传递是任何种类的独立对象之间最天然的通信形式(解耦协作对象)。

消息传递 的对立面是方法调用,方法调用 使得调用方和被调用方是紧耦合的,体现在

  1. 方法调用不管是同步还是异步,调用方都要按要求输入参数处理返回结果,有时需处理异常,必要时还得将同步方法异步化(如果不想被“被调用方”阻塞住的话)
  2. 通信是同步的,接收方对如何及何时处理请求没有发言权,如果被调用方过载,就只能把调用方“阻塞”住

基于事件的系统通常建立在一个事件循环上。任何时刻只要发生了事情, 对应的事件就会被追加到一个队列中。事件循环持续的从队列中拉取事件,并执行绑定在事件上的回调函数。每一个回调函数通常都是一段微小的、匿名的、响应特定事件(例如鼠标点击)的过程。回调函数也可能产生新事件,这些事件随后也会被追加到队列里面等待处理。

基于消息的系统,不管是生产者还是消息系统本身都不需要考虑如何对消息产生正确的响应,由当前所配置的消费者来做这个决定

因为消息传递解耦了调用方和被调用方,使之转变为发送者和接收者,这种变化带来了垂直伸缩性,因为接收者现在可以自由的使用不同于发送者的处理资源,两者不在同一个调用栈上执行。位置透明性(无论接收者在哪里处理消息,发送消息的源代码看起来都一样)为消息传递添加了水平伸缩性,你可以通过向网络中添加更多机器来提高性能

在类C语言中常见的直接方法调用(direct method invocation),自身带有一种特定的流量控制:请求的发送者被接收者阻塞,直到处理过程结束。当多个发送者竞争同一个接收者的资源时,通常利用锁或信号量等同步方式,来串行化处理过程。 这种处理额外的阻塞了每个发送者,使其必须等待,直到前一个发送者的消息被处理完毕。这种隐式的回压一开始看起来好像很方便,但是当系统增长以及非功能性(吞吐量等)要求变得越来越重要时,它就会变成一种阻碍。你会发现自己花费很多时间调试性能瓶颈,而不是实现业务逻辑。(PS:以消息传递的视角来描述并发问题,很陶醉)消息传递为流量控制方案提供了更大的选择范围,因为它引入了队列概念(其实就是锁、信号量队列的显式化)。

从本质上讲,消息传递把普通的面向对象语言中隐含的流量控制机制分拆出来,并允许定制化的解决方案。只是这种选择并非没有成本,比如你必须选择在哪种粒度上应用消息传递,以及这种粒度下消息传递和直接方法调用哪个更好。举个例子,假设有一个拥有异步接口的面向服务架构,服务本身可能以传统同步方式实现,而服务之间的通信则通过消息传递执行。

消息驱动的业务原因

从技术演变的角度看互联网后台架构

  1. 网站时代,两层架构:业务逻辑和页面展示混写;每个用户看到的都是一样的信息。
  2. 社交时代,社交对大数据处理有着天然的需求
  3. 中间件时代,社交网站最大的特点就是频繁的用户搜索、推荐,当用户上亿的时候,这就是前面传统的两层架构无法处理的问题了。
  4. 云和大数据时代,大数据的实时处理、数据挖掘、推荐系统、Docker化,包括A/B测试,这些都是很多企业还正在努力全面解决的问题。
  5. AI时代

PS:另一种划分方式是PC时代、互联网时代、移动互联网时代、人工智能时代。

对数据进行实时(近实时)处理的需求带动了后端体系的大发展,Kafka/Spark等等流处理大行其道。这时候的后端体系就渐渐引入了消息驱动的模式,所谓消息驱动,就是对新的生产数据会有多个消费者,有的是满足实时计算的需求(比如司机信息需要立刻能够被快速检索到,又不能每次都做全量indexing,就需要用到Spark),有的只是为了数据分析,写入类似Cassandra这些数据库里,还有的可能是为了生成定时报表,写入到MySQL。

无论如何,数据,数据的跟踪Tracking,数据的流向,是现代后台系统的核心问题,只有Dataflow和Data Pipeline清晰了,整个后台架构才会清楚。

其它

对用户做出反应 ==> 并行 ==> 复制(消息传递)替掉共享,无副作用 ==> 函数式编程

全面异步化:淘宝反应式架构升级探索 消息驱动强调无阻塞、无 callback,所以不会有线程挂在那里,不会有持续的资源消耗。同时,事件驱动或消息驱动都是异步化,而异步化会将操作系统中的队列情况显式地提升到了应用层,使得应用层可以显式根据队列的情况来进行压力负载的感知

操作系统的内存分配、进程/线程调度、队列等 显式到 应用层,看起来是一个趋势。