springcloud五大神兽及其原理

Darknet-Yolov3 移植过程 本教程面向使用寒武纪平台进行深度学习推理任务的开发者。针对当前主流检测网络darknet-yolov3,进行寒武纪平台的移植。开发者对照移植过程,能够利用寒武纪智能处理器设备完成多种场景的目标检测任务。本实验代码基于 Neuware 1.6.1 与 Python 2.7 环境。 阅读详情

一、使用eureka做注册中心

个人版本的初级springcloud总体结构
一、使用eureka做注册中心

个人版本的初级springcloud总体结构 总体说明: 会员和订单都以服务的形式存在(即只有接口,没有页面的那种工程),springcloud支持eureka、consul和zookeeper三种注册中心,所有的服务都需要注册到注册中心,个人觉得,其实注册中心可以看做一个map,key为服务别名,但是一个服务可以是多台tomcat集群的,所以value将是一个list集合;如果不同服务之间需要调用,原理是查询注册中心,获取被调用服务的ip,然后底层走http协议请求去获取接口返回值,但是实际上使用的是restTemplate和feign,据说feign用的比较多。
eureka注册中心(eureka服务端)环境的搭建:

引入依赖:

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>2.0.1.RELEASE</version>
    <relativePath/> <!-- lookup parent from repository -->
</parent>
<properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
    <java.version>1.8</java.version>
</properties>
<!--管理依赖-->
<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.cloud</groupId>
            <artifactId>spring-cloud-dependencies</artifactId>
            <version>Finchley.M7</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>
<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter</artifactId>
    </dependency>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-test</artifactId>
        <scope>test</scope>
    </dependency>
    <dependency>
        <groupId>org.springframework.cloud</groupId>
        <artifactId>spring-cloud-starter-netflix-eureka-server</artifactId>
    </dependency>
</dependencies>
<build>
    <plugins>
        <plugin>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-maven-plugin</artifactId>
        </plugin>
    </plugins>
</build>
<!--注意:这里必须要添加,否则各种依赖有问题-->
<repositories>
    <repository>
        <id>spring-milestones</id>
        <name>Spring Milestones</name>
        <url>https://repo.spring.io/libs-milestone</url>
        <snapshots>
            <enabled>false</enabled>
        </snapshots>
    </repository>
</repositories>

配置文件:

server:
port: 8101
eureka:
instance:
##注册中心的ip地址
hostname: 127.0.0.1
client:
service-url:
##注册中心地址
defaultZone: http://${eureka.instance.hostname}:8101/eureka
###自己是注册中心,是否要将自己注册到注册中心去,但是集群的时候需要设置为true
register-with-eureka: false
###自己是注册中心,不需要去检索服务信息
fetch-registry: false
注意:在启动类上需要加@EnableEurekaServer注解,支持eureka服务端

启动eureka服务:
在这里插入图片描述member和order(eureka客户端)环境的搭建:

引入依赖:只要把spring-cloud-starter-netflix-eureka-server修改为spring-cloud-starter-netflix-eureka-client即可,其他依赖都没有改变。

配置文件:会员服务就把name和port修改一下即可,需要注意的是register-with-eureka和fetch-registry都需要设置为true,这样才能注册到eureka服务端。

		       ###订单服务端口号
		    server:
		      port: 9200
		    ###服务别名---服务注册到注册中心的名称
		    spring:
		      application:
		        name: mzd-order
		    eureka:
		      client:
		        service-url:
		        ###当前订单服务注册到eureka服务地址
		          defaultZone: http://127.0.0.1:8101/eureka
		        ###是否需要注册到eureka上
		        register-with-eureka: true
		        ###需要检索服务
		        fetch-registry: true

注意:在启动类上需要加@EnableEurekaClient注解,支持eureka客户端

启动客户端:
在这里插入图片描述

二、使用restTemplate实现服务之间的调用

注入RestTemplate: spring容器中默认是没有RestTemplate对象的,需要自己放入容器,不然会报错:
在这里插入图片描述解决:将这个对象放入spring容器中

@Bean
	public RestTemplate getRestTemplate() {
		return new RestTemplate();
	}

使用RestTemplate远程调用:

1、url使用ip:这种方式存在的问题就是如果我这个服务的服务器ip换了,那么大量代码需要修改。

2、url使用eureka的Status中的名字(http://laptop-7hmp32ro:9100):这种方式个人觉得也存在问题,因为如果这个服务需要重启的话,这个名字可能会发生改变,造成的结果和使用ip是一样的

3、url使用服务别名:这种方式需要注意的是RestTemplate注入的时候需要增加一个注解@LoadBalanced

@Bean
// 如果要使用注册中心的服务别名访问
// 或者想使用本地负载均衡,就必须要加这个注解
@LoadBalanced
public RestTemplate getRestTemplate() {
	return new RestTemplate();
}

@LoadBalanced: 如果服务之间的调用需要使用服务别名的话,RestTemplate注入的时候需要增加这个注解,另外,使用ribbon做服务本地负载均衡的时候也需要使用这个注解

编写业务逻辑:

 @RestController
public class OrderApi {
	@Autowired
	private RestTemplate restTemplate;
	@RequestMapping("/getorder")
	public String getorder() {
		// 调用member服务
		// url一般使用的都是eureka中心的地址
		// String url1="http://127.0.0.1:9100/getmember";
		// 使用status里面点开的地址也能访问,但是这个地址是随机给的
		// String url2 = "http://laptop-7hmp32ro:9100/getmember";
		// 使用eureka中的服务器别名调用
		// 但是这样需要一个注解:@LoadBalanced配置在restTemplate实体对象
		// 这样就能使用服务别名进行访问,而且使restTemplate具有客户端负载均衡能力
		// 服务别名不区分大小写
		String url = "http://mzd-member/getmember";
		String result = restTemplate.getForObject(url, String.class);
		return result;
	}
}
@RestController
public class MemberApi {
	@RequestMapping("/getmember")
	public String Member() {
		return "这里是会员服务" ;
	}
}

三、服务集群后使用ribbon实现服务本地轮询调用

注意: 首要的肯定就是在RestTemplate上增加@LoadBalanced注解
会员服务集群: 启动两个会员服务(不同的端口),然后接口返回当前服务的端口,方便区别

@RestController
public class MemberApi {
	// 为了区分负载均衡
	@Value("${server.port}")
	private String port;

	@RequestMapping("/getmember")
	public String Member() {
		return "这里是会员服务,端口号为:" + port;
	}
}

实验结果:
1、确认会员服务是集群的:
在这里插入图片描述2、调用订单接口:
在这里插入图片描述
在这里插入图片描述

fastadmin管理员页面实现手机验证码登录功能-腾讯云短信插件 阅读详情

相关推荐

【Android】条形码/二维码扫描——ZXing源码分析

正在更新中 针对3.2.1版本源码 与其他版本代码可能会有出入,但核心思想基本不变。 首先从com.google.zxing.client.android包中的目录结构分析:Book:这个文件夹中有5个类: BrowseBookListener 实现了adapter的点击事项响应,通过获取ISBN,然后跳转到Google books中查询响应的详细信息。 SearchBookContents

年轻的学徒 2455

Spring Cloud中五大神兽总结(Eureka/Ribbon/Feign/Hystrix/zuul)

一、常用的模块 1、Eureka Eureka是Netflix的一个子模块,也是核心模块之一。Eureka是一个基于REST的服务,用于定位服务,以实现云端中间层服务发现和故障转移。服务注册与发现对于微服务架构来说是非常重要的,有了服务发现与注册,只需要使用服务的标识符,就可以访问到服务,而不需要修改服务调用的配置文件了。功能类似于dubbo的注册中心,比如Zookeeper。 Eureka包含两...

huxiutao的博客 5441

实战指南:轻松破解DataDome滑块验证码的关键步骤

本文详细介绍了破解DataDome滑块验证码的关键步骤,包括理解其工作原理、准备工作、参数获取与配置、完整破解流程及API调用。通过使用Capsolver服务和模拟真实用户行为,帮助开发者有效绕过这一反机器人机制,同时强调了法律与道德考量。

weixin_30415113的博客 487

微服务概念及SpringCloud五大神兽介绍

1.微服务概述 1.1 技术维度理解 微服务化的核心就是将传统的一站式应用,根据业务拆分成一个一个的服务,彻底地去耦合,每一个微服务提供单个业务功能的服务,一个服务做一件事,从技术角度看就是一种小而独立的处理过程,类似进程概念,能够自行单独启动或销毁,拥有自己独立的数据库。 单机系统(All In One):只有一个大的工程 – war包 分布式系统: 各自模块/服务,各自独立出来,分灶吃饭...

smile radiantly 1027

手搓ZLMediaKit实现拉流推流系列3(RK3588上YOLO系列拉流、MPP解码+编码、推流全流程)

 前段时间比较忙,一直没有时间补充后续的内容。今天终于抽出空来,立马进入码字环节:手搓ZLMediaKit实现拉流推流系列在本篇也终于迎来了完结篇,在本篇文章中,你将看到以下一整套完整流程:使用ZLMediaKit拉流---MPP解码---Yolo模型进行推理---MPP编码并推流。

m0_46303486的博客 2179

【OpenCV3】cv::compare()使用详解

cv::compare()主要用于两个图像之间进行逐像素的比较,并输出比较的结果。具体用法如下: cv::compare() bool cv::compare( cv::InputArray src1, // 输入数组1 cv::InputArray src2, // 输入数组2 cv::OutputArray dst, // 输出数组 int cmpop // 比较操作子,见下表 ...

guduruyu的专栏 9766

初识Spring Cloud 之 五大神兽

一览无遗初识Spring Cloud 之 五大神兽一、简介二、我所了解的五大神兽三、我所理解的五大神兽①、Spring Cloud Eureka(注册中心)原理图解代码步骤代码实现②、Spring Cloud Ribbon(客户端负载均衡)什么是Ribbon?代码步骤代码实现③、Spring Cloud Hystrix(熔断器)雪崩机制详解熔断器状态机有3个状态:熔断器的核心:线程隔离和服务降级。代码实现④、Spring Cloud Feign (伪装)概念特性代码实现⑤、Spring Cloud Gate

weixin_43811261的博客 1114

Android驱动工程师职位(侧重于Bringup、外设驱动调试、芯片平台经验)

本文摘要:深圳泓京纬科技招聘Android驱动工程师,要求具备Bootloader/LK/Linux Bringup经验,熟悉LPDDR/eMMC/UFS等存储设备调试。文章详细解析了Android系统架构、Linux驱动开发核心概念、设备树作用、串口调试方法等基础知识。重点介绍了存储驱动架构、性能优化和故障排查技巧,包括eMMC识别问题、UFS性能优化、NAND ECC错误处理等实战场景。同时涵盖芯片平台开发经验、跨部门协作调试方法,以及低温环境等特殊场景的问题解决方案。

郑伟强dev的专栏 249

springCloud五大神兽(思维导图)

SpringCloud的五大件 服务发现——Netflix Eureka 客服端负载均衡——Netflix Ribbon 断路器——Netflix Hystrix 服务网关——Netflix Zuul 分布式配置——Spring Cloud Config 1 基于Eureka(服务注册中心)的服务治理 Eureka它主要包括两个组件:Eureka Server 和 Eureka Client ...

Violet 1205

ZYNQ 7020 之 FPGA知识点重塑笔记一——串口通信

通信方式一般分为串行通信和并行通信。并行通信是指多比特数据同时通过并行线进行传送。这种传输方式通信线多、成本高,故不宜进行远距离通信,通常传输距离小于 30 米。串行通信是指数据在一条数据线上,一比特接一比特地按顺序传送的方式。这种运输方式通常节省传输线,大大降低使用成本,但数据传送速度慢。综上可知,串行通信主要应用于长距离、低速率的通信场合。本次实验我们主要讲解下串行通信。串行通信一般有2种通信方式:同步串行通信和异步串行通信。同步串行通信。

m0_51430584的博客 3098

Xilinx FPGA平台GTX简易使用教程(一)GTX基础知识

理解GTX的必备姿势,学起来!

数字IC/FPGA杂货铺,找一找,或许有你想要的~ 2万+

SpringBoot整合SpringCloud

SpringCloud 可以说是一门非常热门的技术,依赖于SpringBoot进行实现。cloud就像一个大管家,而SpringBoot 才是真正干活的人。且SpringBoot可以独自运行,不依赖于SpringCloud。本篇主要介绍SpringCloud中五大神兽里的两大神兽,eureka和rabbin,其中eureka 是重点,而rabbin只是简单使用了它的一个注解。 0,工程结构图...

1150

【WRF工具】WRF Domain Wizard第一期:软件下载及安装

【WRF工具介绍】WRF Domain Wizard-确定模拟区域

WW、forever的博客 2918

SpringCloud分布式开发五大神兽

SpringCloud分布式开发五大神兽 服务发现——Netflix Eureka 客服端负载均衡——Netflix Ribbon 断路器——Netflix Hystrix 服务网关——Netflix Zuul 分布式配置——Spring Cloud Config Eureka   一个RESTful服务,用来定位运行在AWS地区(Reg

javaxuexi123的博客 2711

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

SpringCloud核心组件概述(五大神兽)

(1)服务注册中心Eureka? (2)配置中心Config? (3)负载均衡器Ribbon和feign? (4)路由网关Zuul? (5)断路器Hystrix?

qq_41889508的博客 4万+

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

springcloud五大神兽之Eureka介绍

一、springcloud简介 1.0 什么是微服务? ① 业务角度 从业务角度分析,就是将整体项目(传统的一站式应用)按照业务拆分,将每个业务拆分为一个个独立的服务,彻底解除业务模块之间的耦合,每个微服务单独提供单个业务功能,一个服务只做一件事。 ② 技术角度 就是一种小而独立的处理过程,类似进程的概念,能够自行单独启动或销毁,可以拥有自己独立的数据库。 ③ 微服务优缺点 优点: 1.每个服务足够内聚,足够小,代码容易理解。这样能聚焦一个业务功能或业务需求。 2.开发简单、开发效率提高,一个服务可能就是专

weixin_37957131的博客 406

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

java四神兽_SpringCloud五大神兽之Eureka

注册中心概述什么是注册中心?相当于服务之间的‘通讯录’,记录了服务和服务地址之间的映射关系。在分布式架构中服务会注册到这里。当服务需要调用其他服务时,就在注册中心找到其他服务的地址,进行调用注册中心的主要作用?注册中心一般有以下的功能:服务发现服务注册/反注册:保存服务提供者和调用者的关系服务订阅/取消订阅:服务调用者订阅服务提供者的信息服务路由:筛选整合服务提供者服务配置配置订阅:服务提供者和消...

weixin_30444517的博客 228
上一篇: ElasticSearch
Secutiry_
博客等级 码龄8年 2粉丝 26原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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