Nacos 架构原理:一条注册请求会经历什么?

Nacos注册中心:微服务架构的核心枢纽与实战指南 在分布式系统中,服务注册与发现机制是构建高可用架构的基础组件。其核心原理是通过中心化存储服务元数据,实现动态的服务定位与路由。Nacos作为阿里巴巴开源的注册中心,采用Raft协议保证数据一致性,支持服务健康检查与自动剔除,大幅提升了微服务架构的弹性。该技术通过心跳机制(默认5秒)维持服务活性,结合配置管理功能,可支撑金融级百万实例规模。典型应用场景包括服务熔断降级、灰度发布等,尤其在Spring Cloud Alibaba生态中,通过namespace和cluster-name实现多环境隔离。生产环境中需 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

9a70d59b73f44ef9dac58d7c2ef3972f.jpeg


前言

这次我们来聊下 Nacos 的注册服务的底层原理。

Nacos 作为注册中心,用来接收客户端(服务实例)发起的注册请求,并将注册信息存放到注册中心进行管理。

那么一条注册请求到底会经历哪些步骤呢?

知识点预告

先上一张整体的流程图:

e1eecea737d49755c1e630d0b343a582.png
  • 集群环境 :如果是 Nacos 集群环境,那么拓扑结构是什么样的;

  • 组装请求 :客户端组装注册请求,下一步对 Nacos 服务发起远程调用;

  • 随机节点 :客户端随机选择集群中的一个 Nacos 节点发起注册,实现负载均衡;

  • 路由转发 :Nacos 节点收到注册请求后,看下是不是属于自己的,不是的话,就进行路由转发;

  • 处理请求 :转发给指定的节点后,该节点就会将注册请求中的实例信息解析出来,存到自定义的内存结构中;

  • 最终一致性 :通过 Nacos 自研的 Distro 协议执行延迟异步任务,将注册信息同步给集群中的其他节点,保证了数据的最终一致性;

  • 异步重试 :如果注册失败,客户端将会切换 Nacos 节点,再次发起注册请求,保证高可用性。

这些知识点里面还有很多细节,我会通过画图 + 源码剖析的方式给大家解答。如果遇到源码看不太懂的地方,可以多看下我画的图,然后翻下源码,对照着一起看。

小贴士 :本文使用的 Nacos 版本:2.0.4。

1 源头:发起注册

1.1 阅读源码的小技巧

我们知道加上一个注解 @EnableDiscoveryClient 就可以使服务自动注册到 Nacos。

那么这个发起注册的地方到底在哪呢?注册信息又是长什么样的呢?

告诉大家一个看源码的小技巧 :拿到源码后,不是直接各个文件都看一篇,而是先看源码中带的 example 文件夹。如下图所示,找到 example 的 App 类,里面就有发起注册的实例代码。如下图所示:

0f9a646b9630db38072eb779990fc024.png

当然,我们也可以通过官网给的 curl 命令发起 HTTP 请求:

curl -X POST 'http://127.0.0.1:8848/nacos/v1/ns/instance?serviceName=nacos.naming.serviceName&ip=20.18.7.11&port=8080'

留个问题:我们都是加一个 Nacos 注解 @EnableDiscoveryClient,就会自动把服务实例注册到 Nacos,这个是怎么做到的?

1.2 发起注册的流程图

先来看一下代码的流程图:

cb826c45923ce5e314aca47449579ee7.png

跟着这个流程图,我们 debug 来看下。

1.3 组装注册的实例信息

入口的核心代码如下图所示,它会组装注册的实例信息,放到一个 instance 变量里面:

5e1503dda46ed12e33b055a6adc2acb7.png

通过代码调试,我们可以看到里面的实例信息长这样:

7b3e974491b43db8825b6a4a1b6b7094.png
1.4 组装注册请求 request

发起注册的核心方法是 doRegisterService(),组装的 request 如下图所示,里面有之前组装的实例信息 instance,还有指定的  namespace(Nacos 的命名空间)、serviceName(服务名),groupName(Nacos 的分组)。

7a742930da01d3d7cb8f6580ac4b79e4.png发起注册的源码

1.5 发起远程调用

requestToServer() 方法里面会调用 RpcClient 的 request() 方法:

response = this.currentConnection.request(request, timeoutMills);

就是向 Nacos 发起远程调用,如果是 Nacos 集群,则是向集群中的某个 Nacos 节点发起远程调用。

接下来我们看下客户端是如何选择一个 Nacos 节点进行注册的。

2 集群环境:分布式的前提

如果是 Nacos 集群环境,客户端会随机选择一个 Nacos 节点发起注册。

2.1 搭建好一套 Nacos 集群环境

为了讲解客户端是如何注册到 Nacos 集群环境的底层原理,我在本地搭建了一个 Nacos 集群环境。有 3 个 Nacos 服务,它们的 IP 相同,端口号不同。

192.168.10.197:8848
        192.168.10.197:8858
        192.168.10.197:8868
c85b0a72c45b4e7bf4dd100194365b51.png
集群环境

然后服务 A 和服务 B 都是配置了 Nacos 集群的 IP 和 端口号的,配置如下所示:

spring.cloud.nacos.discovery.server-addr
        =192.168.10.197:8848,192.168.10.197:8858,192.168.10.197:8868

整体的结构如下图所示,服务 A 和 服务 B 都往 Nacos 集群进行注册。

846aadf7a20e4fb220778a5e67ddca5f.png
服务 A 和 B 注册到集群

但是里面有一个问题:服务 A 注册时,是向所有 Nacos 节点发起注册呢?还是只向其中一个节点发起注册?如果只向一个节点注册,要向哪个节点注册呢?

答案:在 Client 发起注册之前,会有一个后台线程随机拿到 Nacos 集群服务列表中的一个地址。

Nacos 为什么会这样设计?

  • 这其实就是一个负载均衡的思想在里面,每个节点都均匀的分摊请求;

  • 保证高可用,当某个节点宕机后,重新拿到其他的 Nacos 节点来建立连接。

接下来我们看下服务 A 是怎么随机拿到一个 Nacos 节点的。

3 随机节点:平等的世界

我们来看下客户端是如何随机选择一个节点的,流程图如下:

20406facad3df713c2080901c9f3bf3b.png

那么如何找到这些代码逻辑呢?思路是怎么样的?

我们之前讲过,RpcClient 会发起 request 请求,用的是和 Nacos 建立 currentConnection 连接来发起调用,代码如下:

// 发起调用
response = this.currentConnection.request(request, timeoutMills);

这个 currentConnection 是客户端和 Nacos 集群中的某个节点建立的连接,我们找下它在哪里赋值的。代码如下:

// 拿到 Nacos 节点信息
serverInfo = recommendServer.get() == null ? nextRpcServer() : recommendServer.get();
// 连接 Nacos 节点
        connectToServer = connectToServer(serverInfo);
// 赋值 currentConnection
        this.currentConnection = connectToServer;

而连接的信息是通过参数 serverInfo 传进去的,所以我们再看下 serverInfo 在哪里赋值的。

这个 nextRpcServer() 方法里面会拿到一个随机的 Nacos 地址:

// 一个 int 随机数,范围 [0 ~ Nacos 个数)
currentIndex.set(new Random().nextInt(serverList.size()));
// index 自增 1
        int index = currentIndex.incrementAndGet() % getServerList().size();
// 返回 Nacos 地址
        return getServerList().get(index);

小结:客户端生成一个随机数,然后通过这个随机数从 Nacos 服务列表中拿到一个 Nacos 服务地址返回给客户端,然后客户端通过这个地址和 Nacos 服务建立连接。Nacos 服务列表中的节点都是平等的,随机拿到的任何一个节点都是可以用来发起调用的。

4 路由转发:不是我的菜

4.1 发起和转发请求的流程

为了演示发起注册的流程,我在这里模拟了一个注册请求。

用的是 curl 命令,对 Nacos 节点(127.0.0.1:8848)发起注册请求:

curl -X POST 'http://127.0.0.1:8848/nacos/v1/ns/instance?serviceName=nacos.naming.serviceName&ip=20.18.7.11&port=8080'

请求 URL:/nacos/v1/ns/instance

请求参数:

  • serviceName=nacos.naming.serviceName

  • ip=20.18.7.11

  • port=8080'

之前我们讲到,Nacos 的有多个节点可以分别处理请求,当节点发现这个请求不是属于自己的,就会进行转发。

如下图所示:

服务 A 随机选择一个 Nacos 节点(图中为 Nacos1)发起注册请求,请求参数中包含了实例信息,Nacos 1 根据实例信息 hash + 取模拿到正确的节点,如果不属于自己,则将请求转发给其他节点(图中为 Nacos2)。

fb172b1ef73732b644b29ea54f95a403.png

那么路由转发的细节是怎么样的?这个就涉及到 Distro 协议了,我们接着往下看。

4.2 路由转发的逻辑

其实 Nacos 节点的路由转发逻辑比较简单,先来看下流程图:

11a1addfcf7187cee8e40b7c4eb7ceea.png

步骤如下:

  1. Nacos 节点从客户端发起的 request 中拿到客户端的实例信息生成 distroTag,如 IP + port 或 service name;

  2. Nacos 根据 distroTag 生成 hash 值;

  3. 用 hash 值对 Nacos 节点数进行取余,拿到余数,比如 0、1、2、3;

  4. 根据余数从 Nacos 节点列表中拿到指定的节点地址。

我没看懂的点:我这里启动了三个 Nacos 节点,如下图所示的 三个 Running 节点。但是为什么 Nacos 的 ServersList 会多了一个 192.168.10.197:8848 的节点?

4880d5c9ee4e848fde109062230f3e5a.png
IDEA 启动了三个 nacos 节点
e97291cd2eac123c103929fd1cc7985e.png
nacos 控制台有四个节点
4.3 路由转发源码分析

入口文件是 DistroFilter.java:

naming/src/main/java/com/alibaba/nacos/naming/web/DistroFilter.java

请求会先到 DistroFilter 类的 doFilter() 方法,拿到正确的节点地址后,将请求转发出去。

获取需要转发节点地址的代码如下:

// 找到 Nacos 集群中的目标节点
final String targetServer = distroMapper.mapSrv(distroTag);

// mapSrv 方法会先 hash,然后再取模,responsibleTag的值类似这样:"20.18.7.11:8080"
        int index = distroHash(responsibleTag) % servers.size();

// distroHash 方法里面会对 客户端的 ip+port 字符串或者服务名字符串 进行 hash
        Math.abs(responsibleTag.hashCode() % Integer.MAX_VALUE);

不论是自己处理注册请求还是转发给其他节点来处理,都会把实例信息存储起来,那么是如何进行存储的?

5 处理请求:快到碗里来

Nacos 目前有两个版本 v1 和 v2。如果是 v1,则是 instanceController 来处理注册请求,否则用 instanceControllerV2。本篇我们只讲解 v1 版本是怎么处理请求的。

先上流程图:

0a395976375bea858322af627a2324d5.png
添加实例信息的流程

测试用的发起注册的命令:

curl -X POST 'http://127.0.0.1:8858/nacos/v1/ns/instance?serviceName=nacos.naming.serviceName&ip=20.18.7.11&port=8080'

核心代码就是这个:

fcd583000218f5c62d40b210cc489770.png
服务端注册实例的方法

首先有一个 synchronized 锁,然后执行 put 操作将临时的实例信息存放起来,所以重点看下 这个 consistencyService.put() 方法做了什么事情。

先看下源码:

onPut(key, value);
// 开启 1s 的延迟任务,将数据同步给其他 Nacos 节点
        distroProtocol.sync(new DistroKey(key,KeyBuilder.INSTANCE_LIST_KEY_PREFIX),DataOperation.CHANGE,                             DistroConfig.getInstance().getSyncDelayMillis());

这里面做了三件事情:

  • 将实例信息存放到内存缓存 ConcurrentHashMap 里面;

  • 添加一个任务到 BlockingQueue 队列里面,这个任务就是将最新的实例列表通过 UDP 的方式推送给所有客户端(服务实例),这样客户端就拿到了最新的服务实例列表;

  • 开启 1秒 的延迟任务,将数据通过给其他 Nacos 节点。

总结

本文通过发起一条注册请求,讲解了 Nacos 客户端如何随机选择节点、Nacos Server 如何将请求进行路由转发、Nacos Server 如何存储注册实例。

另外本文用到了集群环境,关于如何搭建和 debug 集群环境,感兴趣的可以留言,后续补上这部分的讲解。

一条注册请求的核心流程

deddf502ae19759f37f40e272b671963.png

欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

5e36ca842a776bef2d4f181935e6ae1c.png

已在知识星球更新源码解析如下:

eed1371c4eae5ba034b1b5c4cf9022fd.jpeg

9b3ae5ecd502ab9b8bd18009e0158225.jpeg

4b35a4bd1b179941dfa271be8d8173b8.jpeg

afafc81a5e3ee5b5d16bdf3a7b0e1d3a.jpeg

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
别再为reg2icg的setup违例头疼了!手把手教你用ICC2/Innovus这3招搞定(附实战数据对比) 本文详细介绍了在ICC2/Innovus中解决reg2icg的setup违例的三种高效方法,包括早期时钟树预估、精准控制时钟延迟与门控检查以及ICG专用优化选项组合。通过实战数据对比,展示了不同策略的效果差异,帮助工程师快速优化时序路径,提升芯片性能。 阅读详情

相关推荐

易灵思FPGA实战:T35F324的PLL硬核配置全流程(附避坑指南)

本文详细解析了易灵思T35F324 FPGA中硬核PLL的配置全流程与核心避坑点。内容涵盖从架构理解、Interface Designer参数设置、VCO范围校验,到时钟网络冲突分析与动态重配置等实战环节,重点解决了引脚分配、资源约束和常见报错问题,为工程师提供了一套清晰可靠的配置指南。

u9v0w的博客 216

Nacos实现原理(一)——注册原理

title: Nacos实现原理 tags: Nacos,原理 官网 https://nacos.io/zh-cn/docs/what-is-nacos.html 简介 服务(Service)是 Nacos 世界的一等公民。Nacos 支持几乎所有主流类型的“服务”的发现、配置和管理,Nacos关键的特性包括服务发现和服务家门康监测、动态配置服务、动态DNS服务、服务及其元数据管理。 本文主要介绍Nacos的某些原理,希望通过架构一步一步逐层分析,来了解其原理。需要在阅读本文之前对Nacos有一定的认识。.

klaokai的冥想空间 3169

关于笔记本测试的面试准备 2021-10-11

** 关于笔记本测试的面试准备 ** 一、根据JD分析,工作内容以软测为主,硬件知识需要了解一点。 以下几个问题为主要: 1.了解VGA、audio、wlan、bt、TP 、camera等driver,BIOS和image测试。 2.了解性能测试工具?压力测试相关设置? 3.了解preload流程? 二、解决 VGA: video graphics array ——笔记本上外接显示器的接口。 【VGA接口兼容性更强,但是不支持高分辨率。 支持高分辨率:HDMI、DIV、TP】 bt【Bluetooth

xw_009的博客 1868

nacos服务端服务注册原理_4(订阅者客户端接收服务端推送的serviceInfo请求)

nacos源码分析

guntun8987的博客 5095

Windows 2000系统下载与全套镜像安装:从镜像校验到驱动兼容性实战指南

操作系统镜像文件是安装系统的核心载体,其完整性直接影响部署成败。哈希校验作为验证文件一致性的基础手段,能有效避免因镜像损坏导致的安装中断。对于已停止支持的操作系统,如Windows 2000,其镜像获取与安装更具挑战性,但它在工业控制、专用终端及怀旧技术研究中仍有不可替代的价值。通过理解镜像命名规则、服务包等级(如SP4)及引导方式,结合虚拟机或老硬件平台,可以顺利完成部署。同时,驱动兼容性是老系统运行的关键瓶颈,需针对性解决网卡、显卡等外设驱动问题。本文从镜像下载、校验到安装配置,系统梳理了Windows

weixin_32050773的博客 350

WPS占用C盘空间解决方案与优化技巧

办公软件在长期使用过程中会产生大量缓存和历史文件,这些文件往往隐藏在系统目录中,导致磁盘空间被无声占用。以WPS为例,其版本历史备份、云同步缓存和模板库是主要空间占用源。通过分析文件存储机制,可以定位到具体的缓存路径,如AppData目录下的Kingsoft文件夹。针对这一问题,有效的解决方案包括手动清理、自动化脚本和注册表优化。对于需要持续监控的场景,可以结合PowerShell脚本和任务计划实现自动化管理。在实际应用中,这些技术不仅适用于WPS,也可迁移到其他办公软件的空间优化中,是每位IT运维人员和高

weixin_30788239的博客 460

【Nacos源码篇二】Nacos客户端自动注册源码实现-发起自动注册请求

Nacos客户端springboot项目启动的时候发生了什么,你知道吗?你想要知道吗?作为一个程序员你好奇它是怎么完成自动注册的吗?那么请花费5~10分钟,你就可以揭开它的神秘面纱,一睹他的面容,来吧...

qq_38226564的博客 2254

SystemVerilog从入门到实战

SystemVerilog复合数据类型概述 SystemVerilog增强了Verilog的数据建模能力,提供多种复合数据类型: 数组类型:包括定宽数组(固定大小)、动态数组(运行时分配)和多维数组,支持高效索引访问。 队列:结合数组和链表特性,支持两端快速插入/删除操作,提供push/pop等方法。 关联数组:键值对存储结构,支持稀疏数据存储和快速查找,提供exists/delete等方法。 结构体:组合不同类型数据成员,支持打包(packed)形式以优化存储空间。 枚举类型:为数值赋予语义名称,支持状态

2301_79143213的博客 1229

Nacos 架构原理①:一条注册请求会经历什么?

Nacos 架构原理①:一条注册请求会经历什么? 原文首发公众号:5000 字 | 16 图 | Nacos 架构原理①:一条注册请求会经历什么? 大家好,我是悟空呀。 前言 上篇我们讲解了如何使用 Nacos 作为注册中心和配置中心。 6000 字|20 图|Nacos 手摸手教程 这次我们来聊下 Nacos 非常核心的原理:注册服务。 Nacos 作为注册中心,用来接收客户端(服务实例)发起的注册请求,并将注册信息存放到注册中心进行管理。 那么一条注册请求到底会经历哪些步骤呢? 知识点预告 先上一张

悟空聊架构的专栏 738

基于3D相机的人体穴位识别与标注系统——完整Python实现方案

摘要 本文提出了一种基于3D相机的人体穴位识别与标注系统完整实现方案。系统采用Intel RealSense D435相机实时采集RGB-D数据,结合MediaPipe Pose模型进行人体33个关键骨骼点的三维姿态估计。通过建立穴位与骨骼关键点的映射关系,利用相机内参和深度信息将二维图像坐标转换为三维空间坐标。系统采用模块化设计,包含数据采集层、算法处理层、坐标转换层和可视化层,实现了穴位定位、三维坐标转换和点云可视化功能。关键技术包括:基于骨度折量法的穴位映射算法、深度图像到三维点云的转换方法,以及Op

AI的内部世界的博客 275

优快云专栏限时活动!福利公告必读!

本人优快云付费专栏周排名27名专业博主,每周文章平均阅读量约7w以上!

FJN110的博客 3157

16 张图 | Nacos 架构原理①:一条注册请求会经历什么?

Nacos 作为注册中心,用来接收客户端(服务实例)发起的注册请求,并将注册信息存放到注册中心进行管理。 那么一条注册请求到底会经历哪些步骤呢? 知识点预告 先上一张整体的流程图: 集群环境:如果是 Nacos 集群环境,那么拓扑结构是什么样的。 组装请求:客户端组装注册请求,下一步对 Nacos 服务发起远程调用。 随机节点:客户端随机选择集群中的一个 Nacos 节点发起注册,实现负载均衡。 路由转发:Nacos 节点收到注册请求后,看下是不

m0_69424697的博客 4330

[xboard-ok210] 44 s5pv210开发板介绍和对比

文章目录前言四大S3C6410提供商友坚开发板UT-S5PV210华天正(润尔)real210飞凌开发板ok210九鼎x210友善之臂开发板tiny210mini210smart210天嵌开发板tq210sate210xboardxboardxboard之ok210 前言 四大S3C6410提供商 友坚开发板 UT-S5PV210 华天正(润尔) real210 飞凌开发板 ok210 九鼎 x210 友善之臂开发板 tiny210 mini210 smart210 天嵌开发板 tq210 sate210

鹰之翔 289

5000 字 | 16 图 | Nacos 架构原理①:一条注册请求会经历什么?

本文通过发起一条注册请求,讲解了 Nacos 客户端如何随机选择节点、Nacos Server 如何将请求进行路由转发、Nacos Server 如何存储注册实例。另外本文用到了集群环境,关于如何搭建和 debug 集群环境,感兴趣的可以留言,后续补上这部分的讲解。

程序员高级码农的博客 1231

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")

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...

Nacos 架构原理剖析,一条注册请求会经历哪些过程

Nacos 架构原理剖析,一条注册请求会经历哪些过程

吴名氏的博客 13万+

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

16 图总结 Nacos 一个服务注册请求会经历什么?

上篇我们讲解了如何使用 Nacos 作为注册中心和配置中心。这次我们来聊下 Nacos 的注册服务的底层原理。Nacos 作为注册中心,用来接收客户端(服务实例)发起的注册请求,并将注册信息存放到注册中心进行管理。那么一条注册请求到底会经历哪些步骤呢?本文通过发起一条注册请求,讲解了 Nacos 客户端如何随机选择节点、Nacos Server 如何将请求进行路由转发、Nacos Server 如何存储注册实例。

IT_1024的博客 173

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

架构师面试必备:深度解析Eureka、Nacos、Consul的服务注册与发现原理

Nacos通过读写分离优化,注册耗时约15ms,发现延迟20ms,配置推送性能突出,万级配置变更可在5秒内完成全网同步。Eureka采用AP模型,强调高可用性,允许在网络分区时出现短暂的数据不一致,适合对一致性要求不高的场景。2025年的Consul版本进一步增强了对Kubernetes生态的支持,通过Consul K8s组件可以实现Pod服务的自动注册和发现。服务注册与发现通过动态管理服务实例信息,实现了服务的自动注册、健康监测和智能路由,为分布式系统提供了坚实的技术基础。

zuiyuelong的博客 1280

Nacos AP模型原理。

Nacos主题分享 自我介绍: 赵延 Java爱好者 开源爱好者(Apache Dubbo Commiter, Alibaba Nacos Commiter) Github ID @horizonzy 一、微服务架构的由来 单一架构应用 当网站流量很小时,只需一个应用,将所有功能都部署在一起,以减少部署节点和成本。此时,用于简化增删改查工作量的数据访问框架(ORM)是关键。 垂直应用架构 当访问量逐渐增大,单一应用增加机器带来的加速度越来越小,提升效率的方法之一是将应用拆成互不相干的几

无能力者只知抱怨 4303

微服务注册中心Nacos:从核心原理到生产环境部署实战

在微服务架构中,服务注册与发现是实现服务间动态通信的核心机制。其基本原理是构建一个中心化的服务目录,各服务实例启动时自动注册自身信息,调用方通过查询该目录动态获取可用实例地址,从而实现服务的解耦与弹性伸缩。这一机制的技术价值在于保障了分布式系统的高可用性、可扩展性和容错能力,是构建云原生应用的基础设施。Nacos作为集服务注册发现与配置管理于一体的开源组件,在阿里巴巴海量业务场景中经过验证,已成为Spring Cloud Alibaba生态和云原生领域的热门选择。本文聚焦于Nacos注册中心模块,深入解析其

weixin_34279184的博客 441

深入剖析Nacos:云原生架构的基石

Nacos作为阿里巴巴开源的云原生动态服务管理平台,集服务发现、配置管理和DNS服务于一体,是微服务架构的重要支撑。文章从Nacos的基本概念入手,详细介绍了其发展历程、核心功能(服务注册发现与动态配置管理)及实现原理,并与Eureka、Consul等同类工具进行了多维度对比。Nacos支持CP/AP两种一致性模式,提供灵活的健康检查机制,能够满足不同业务场景需求。通过电商系统案例,文章生动展示了Nacos在实际应用中的工作流程,包括服务注册、发现及配置管理的关键环节,体现了其在微服务架构中的核心价值

m0_73590302的博客 1393

注册中心—— Eureka和Nacos对比分析?

Nacos与Eureka相比优势如下: nacos在自动或手动下线服务,使用消息机制通知客户端,服务实例的修改很快响应;Eureka只能通过任务定时剔除无效的服务。 nacos可以根据namespace命名空间,DataId,Group分组,来区分不同环境(dev,test,prod),不同项目的配置。

zhangkaixuan456的博客 5679

第二篇:Nacos服务注册与发现原理

Nacos服务注册与发现机制解析 本文深入探讨了Nacos在微服务架构中的核心作用,重点分析了其服务注册与发现机制的技术演进和实现原理。从1.x版本的HTTP协议到2.x版本的gRPC长连接升级,Nacos显著提升了性能表现。文章详细拆解了注册流程全链路,包括客户端的Redo重试机制、服务端的Distro数据同步,以及健康检查的心跳设计。同时阐述了Nacos与Spring Cloud的集成原理,展示其如何实现服务发现与负载均衡。通过源码级分析和实际应用场景说明,揭示了Nacos作为国产注册中心的技术优势与最

模界 | AI工程化实践者 501

Nacos服务注册踩坑记:手动创建服务的误区与正确实践

本文剖析了Nacos服务注册的常见误区,指出在控制台手动"创建服务"不等于实际注册服务实例。核心原理是应用启动时通过Nacos客户端自动注册,手动创建仅生成空服务壳。解决方案包括删除空服务、检查应用配置和注册日志,并强调常规场景无需手动操作。文章通过流程图和对比表说明正确使用方法,总结出"客户端主动注册"的黄金法则,提醒开发者注意命名空间配置和生产环境安全措施,避免因认知偏差导致的服务调用问题。

体系化很难,碎片归纳很简单。 1361

为什么要使用注册中心?是eureka还是nacos?

为什么要使用注册中心 有使用过ip:port地址直接调用服务的开发经历么?该段痛苦的经历在此处省略500字......,该种方式的缺点: 需要手动的维护所有的服务访问ip地址列表。 单个服务实现负载均衡需要自己搭建,例如基于容器化多实例部署单个服务,在实例之间做负载均衡。 使用注册中心能够实现服务治理,服务动态扩容,以及服务调用的负载均衡,完整调用链路示例如下: 服务提供者:向注册中心根据服务名称提供服务访问的ip:port以及其他信息。 注册中心:根据服务名称,存储对应的ip:port以及其

iloveoverfly的博客 1万+

【Nacos】这篇Nacos详解,我觉得可以看看

这一篇Nacos,看完你会没有收获?我不信

牧小农 5800

阿里java面试官必问:Nacos 为什么这么强?讲讲实现原理?我懵了

作为从事五年阿里程序员的我来说,阿里的面试题再熟悉不过了,每一年里有两个月时间我都会在面试考场面试各种人才,有很多跳槽的也有很多校招的学生小白,底标准本科,高的则达到高校硕士博士学位。其中,阿里八位面试官在第三层面试的题目中就有最为重要的一道题:Nacos为什么这么强?他的实现原理是什么?很多人都被问住了。很多人都疏忽这一道看似简单又不简单的题目。这道题很重要!这道题几个大名鼎鼎的大厂面试必问的题目。 需要大厂1000道面试笔记的朋友可以 点赞+转发+关注!后台私信回复【444】即可免费获取完整资...

m0_67322837的博客 1399
上一篇: 这样写代码,同事乐开花!
下一篇: SpringBoot+Vue 实现网页版人脸登录、人脸识别,逼格很高!!!
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377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