網站開發初期,我們習慣性把所有程式碼都寫到一個專案中。
前台、後台、快取、資料庫、靜態資源... 等等。
網站系統物理分離
慢慢的系統會原來越大,很顯然需要面對大量用戶的高並發訪問和存儲海量數據。
很多用戶的請求,不可能在一台伺服器上完成。
很多快取數據,資料庫數據,也不可能在一台伺服器上完成。
這是,網站的伸縮性架構就變得特別重要。
如下圖。
原理
我們透過多台伺服器組裝一個整體共同提供服務,透過不斷地向叢集中加入伺服器,來緩解不斷上升的使用者並發存取壓力和不斷增長的資料儲存需求。
衡量架構伸縮性的主要標準:
是否容易在叢集中新增新的伺服器。
當加入新的伺服器,是否可以提供和原來的伺服器無差別的服務。
叢集中可容納的總的伺服器數量是否有限制。
應用伺服器叢集
只要伺服器上不保存數據,所有的伺服器都是對等的,透過負載平衡設備就可以向叢集中增加伺服器。
關係型資料庫叢集(MYSQL)
關係型資料庫的叢集伸縮性方案必須在資料庫之外實現,透過路由分區等手段將部署有多個資料的伺服器組成一個叢集。
例如:Mysql 等。
非關係型資料庫叢集(NOSQL)
非關係型資料庫先天就是為海量資料庫準備的,因此對伸縮性的支援非常好。
例如:Redis、Memcache 等等。
快取伺服器叢集
加入新的伺服器可能會導致快取路由失效,進而導致叢集中大部分快取資料都無法存取。
部署前需要改進快取路由演算法保證快取資料的可存取性。
靜態資源伺服器集群
例如 CSS,JS,Img 等資源進行部署到伺服器集群,降低流量並提高頁面呈現速度。
網站的縱向分離
將業務處理流程上的不同部分進行分離部署,實現系統伸縮性。
如下圖。
網站的橫向分離
將不同業務模組進行分離部署,實現系統伸縮性。
如下圖。
單一功能透過叢集規模進行伸縮。
將不同功能分離部署可以實現一定程度的伸縮性,但是隨著網站訪問量的逐步增加,即使分離到最新粒度的獨立部署單一伺服器也不能滿足業務規模的要求。
因此,必須使用伺服器集群,即將相同服務部署在多台伺服器上構成一個集群整體對外服務。
例如:搜尋功能。
如果一台伺服器可以提供每秒1000次的請求服務,如果網站高峰期,每秒搜尋訪問量為10000次。
那麼,就需要你部署10台伺服器構成一個叢集。
同理,快取伺服器也會出現這種情況。
事實上,計算一個服務的叢集規模,需要同時考慮其對可用性、效能的影響及關聯服務叢集的影響。
總結
叢集伸縮性,可分為應用伺服器叢集伸縮性和資料伺服器叢集伸縮性。
這兩種集群由於對資料狀態管理的不同,技術實作也有很大的區別。
大家,可以根據每一種具體的架構設計來深究。
文章借鑑於書籍《大型網站技術架構》。

深度学习的概念源于人工神经网络的研究,含有多个隐藏层的多层感知器是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示,以表征数据的类别或特征。它能够发现数据的分布式特征表示。深度学习是机器学习的一种,而机器学习是实现人工智能的必经之路。那么,各种深度学习的系统架构之间有哪些差别呢?1.全连接网络(FCN)完全连接网络(FCN)由一系列完全连接的层组成,每个层中的每个神经元都连接到另一层中的每个神经元。其主要优点是“结构不可知”,即不需要对输入做出特殊的假设。虽然这种结构不可知使得完

前段时间,一条指出谷歌大脑团队论文《AttentionIsAllYouNeed》中Transformer构架图与代码不一致的推文引发了大量的讨论。对于Sebastian的这一发现,有人认为属于无心之过,但同时也会令人感到奇怪。毕竟,考虑到Transformer论文的流行程度,这个不一致问题早就应该被提及1000次。SebastianRaschka在回答网友评论时说,「最最原始」的代码确实与架构图一致,但2017年提交的代码版本进行了修改,但同时没有更新架构图。这也是造成「不一致」讨论的根本原因。

面向视觉任务(如图像分类)的深度学习模型,通常用来自单一视觉域(如自然图像或计算机生成的图像)的数据进行端到端的训练。一般情况下,一个为多个领域完成视觉任务的应用程序需要为每个单独的领域建立多个模型,分别独立训练,不同领域之间不共享数据,在推理时,每个模型将处理特定领域的输入数据。即使是面向不同领域,这些模型之间的早期层的有些特征都是相似的,所以,对这些模型进行联合训练的效率更高。这能减少延迟和功耗,降低存储每个模型参数的内存成本,这种方法被称为多领域学习(MDL)。此外,MDL模型也可以优于单

这是一个AI赋能的时代,而机器学习则是实现AI的一种重要技术手段。那么,是否存在一个通用的通用的机器学习系统架构呢?在老码农的认知范围内,Anything is nothing,对系统架构而言尤其如此。但是,如果适用于大多数机器学习驱动的系统或用例,构建一个可扩展的、可靠的机器学习系统架构还是可能的。从机器学习生命周期的角度来看,这个所谓的通用架构涵盖了关键的机器学习阶段,从开发机器学习模型,到部署训练系统和服务系统到生产环境。我们可以尝试从10个要素的维度来描述这样的一个机器学习系统架构。1.

对于下一代集中式电子电器架构而言,采用central+zonal 中央计算单元与区域控制器布局已经成为各主机厂或者tier1玩家的必争选项,关于中央计算单元的架构方式,有三种方式:分离SOC、硬件隔离、软件虚拟化。集中式中央计算单元将整合自动驾驶,智能座舱和车辆控制三大域的核心业务功能,标准化的区域控制器主要有三个职责:电力分配、数据服务、区域网关。因此,中央计算单元将会集成一个高吞吐量的以太网交换机。随着整车集成化的程度越来越高,越来越多ECU的功能将会慢慢的被吸收到区域控制器当中。而平台化

eslint 使用eslint的生态链来规范开发者对js/ts基本语法的规范。防止团队的成员乱写. 这里主要使用到的eslint的包有以下几个: 使用的以下语句来按照依赖: 接下来需要对eslint的

人工智能(AI)已经改变了许多行业的游戏规则,使企业能够提高效率、决策制定和客户体验。随着人工智能的不断发展和变得越来越复杂,企业投资于合适的基础设施来支持其开发和部署至关重要。该基础设施的一个关键方面是IT和数据科学团队之间的协作,因为两者在确保人工智能计划的成功方面都发挥着关键作用。人工智能的快速发展导致对计算能力、存储和网络能力的需求不断增加。这种需求给传统IT基础架构带来了压力,而传统IT基础架构并非旨在处理AI所需的复杂和资源密集型工作负载。因此,企业现在正在寻求构建能够支持AI工作负

本文给大家介绍如何通过修改Nginx源码实现基于端口号的 Nginx worker进程隔离方案。看看到底怎么修改Nginx源码,还有Nginx事件循环、Nginx 进程模型、fork资源共享相关的知识。


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

禪工作室 13.0.1
強大的PHP整合開發環境

SublimeText3漢化版
中文版,非常好用

SublimeText3 Linux新版
SublimeText3 Linux最新版

記事本++7.3.1
好用且免費的程式碼編輯器

Dreamweaver CS6
視覺化網頁開發工具