25、软件开发中的架构演进与持续交付实践

软件开发中的架构演进与持续交付实践

1. 从事件风暴到涌现式架构

事件风暴能够很好地导向涌现式架构。它能识别出需要构建的系统和聚合体,为软件设计指明方向,但并不意味着所有内容都要提前构建。通过用户实验,可能会发现某些功能并非必需,或者最初在事件风暴中的想法不够完善。这并非糟糕的设计,而是通过实验不断演进的更优设计。

以与世界卫生组织(WHO)的合作为例,目标是验证其架构并围绕新的学习体验平台组建强大的跨职能团队。最初的事件风暴确定了一些关键服务,如课程服务(类似目录)和高可用、可扩展的认证提供者。尽管事件风暴并不复杂,但经过数周的完善后,仍收集到了大量信息。

在项目实施过程中,采用迭代方式构建功能和特性,根据需要逐步完善架构。每个冲刺阶段都会对设计进行重新验证,仅在必要时添加新组件。例如,第一个冲刺阶段引入了基本元素,即一个简单的前端应用与 Red Hat Single Sign - On 服务器实例进行通信;第二个冲刺阶段添加了首个微服务;后续冲刺则不断增加功能、引入新组件并强化现有组件,还为已构建的服务添加缓存以提高查找性能。

以下是项目冲刺阶段架构演进的简单示意:
| 冲刺阶段 | 主要架构变化 |
| ---- | ---- |
| 冲刺 1 | 简单前端应用与 Red Hat Single Sign - On 服务器通信 |
| 冲刺 2 | 添加首个微服务 |
| 后续冲刺 | 增加功能、引入新组件、强化现有组件、添加缓存 |

通过不断回顾事件风暴并建模更多用户旅程,新的服务不断被发现。例如,WHO 希望创建一个强大的推荐引擎,为此创建了一个入职流程来收集用户偏好数据。在添加新功

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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