今明两天微服务 Apache ServiceComb 北京深圳连续”双开”

本次分享介绍ApacheServiceComb微服务框架,包括其整体架构、主要特性及与Spring的集成方式。此外,还探讨了ServiceComb提供的Saga分布式事务解决方案与实践,这是一种用于微服务架构下保证事务一致性的方法。

今明两天微服务 Apache ServiceComb 北京深圳连续“双开”

活动一:今天下午

分享主题:《Apache ServiceComb 微服务开源框架介绍》


主题简介:

1. ServiceComb整体构架

2. ServiceComb的主要特性介绍

3. ServiceComb与Spring的集成

 杨    波    Apache ServiceComb 开源软件工程师

华为开源软件能力中心研发工程师,Apache ServiceComb(incubating)社区成员。多年PaaS设计、维护和开发经验,熟悉云平台中的虚拟资源管理,网络结构,资源监控与自动部署和自动伸缩等领域。

活动地点:SpringCloud2018 中国社区沙龙-深圳站 2018年4月21日 13:00(签到)-18:00 

深圳市福田区梅林路安德街89号步步高大楼

地铁:上梅林站 H出口

公交:万科大厦公交站


活动二: 明天下午

分享主题:

《微服务 Apache ServiceComb的Saga分布式事务解决方案与实践》


专题演讲嘉宾:姜宁

华为开源能力中心技术专家 && Apache ServiceComb 项目负责人

华为开源能力中心技术专家,前红帽软件首席软件工程师,有十五年企业级开源中间件开发经验,有丰富的Java开发和使用经验,函数式编程爱好者。从2006年开始一直从事Apache开源中间件项目工作,先后参与Apache CXF, Apache Camel,以及Apache ServiceMix等项目。对微服务架构,WebServices,Enterprise Integration Pattern,SOA, OSGi有比较深入的研究。

微服务ServiceComb的Saga分布式事务解决方案与实践内容预告

以往单体的应用的事务一致性是通过数据库是事务一致性提供保证。微服务架构下的应用是由一组高内聚松耦合的相互协调的服务所组成。为了让这些服务能够独立开发,独立部署,独立演进,服务内部通常使用独立的数据库来维护服务状态,服务与服务之间是通过轻量级的通讯协议进行交互的。在分布式环境下由于各个服务访问的数据是相互分离的, 服务之间不能靠数据库来保证事务一致性。 这就需要在应用层面提供一个协调机制,来保证一组事务执行要么成功,要么失败。

目前业界的解决方案主要是微服务内容通过数据库实现事务的强一致,微服务之间通过事务协调实现最终的事务一致性。ServiceComb提供了一个名为Saga分布式事务解决方案,

Saga 这个词来源于30年前的一篇数据库论文, 在论文中一个Saga事务是由多个本地事务所组成, 每个本地事务有相应的执行模块和补偿模块,当saga事务中的任意一个本地事务出错了, 可以通过调用相关的补充方法恢复之前的事务,达到事务的最终一致性。

在ServiceComb中我们将Saga本地事务的概念, 替换成为了分布式服务调用。为了保证Saga事务的最终一致性, 我们需要通过Saga协调器来追踪各个分布式事务调用的执行情况,当相关的子事务执行出错了,Saga协调器会自动执行相关的恢复操作保证分布式事务的最终一致性。

相比其他的分布式事务一致性方案,Saga在简化事务配置以及提供多种事务恢复机制上有很明显的优势,已成为微服务事务一致性的比较常见的解决方案。 本次演讲向大家介绍了业界的Saga研究以及相关的实现方案,并且结合 ServiceComb Saga项目,与大家分享Saga分布式事务最终一致性解决方案以及相关实践经验。

地点:QCon 2018 北京站 第二会议厅

时间:2018年4月22日 16:55-17:40


内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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