【良心推荐】客户管理系统ServiceComb微服务化实战-PartII

ServiceComb 开发实战(1) —— Service-Center 安装部署 ServiceComb 开发实战(1) —— Service-Center 安装部署 一. Service-Center 是什么 Service-Center(SC)是一个服务注册中心。 服务提供者(provider)可以将自身的实例信息注册到 SC,以供服务消费者(consumer)从 SC 发现并使用它。 在传统服务中,一般将 provider 的实例信息配置到指定的配置文件中,以供 cons... 阅读详情

点击蓝字关注这个神奇的公众号~

在前一篇博文[良心推荐] 客户管理系统ServiceComb微服务化实战-PartI中,详细介绍了如何使用 http://start.servicecomb.io 脚手架快速构建微服务项目、使用领域驱动设计(Domain-Driven Design,DDD)设计地产CRM系统、使用Edge Service构建统一认证边缘服务等内容。本篇将继续搭建剩余的模块,以及演示实现如何在边缘服务上利用动态路由轻松实现灰度发布特性。

01

快速实现客户关系管理系统的支付服务

第一步

创建微服务项目

使用Apache ServiceComb 

http://start.servicecomb.io/ 

创建支付微服务,创建完毕后使用IDEA或Eclipse打开项目,我们删掉HelloImpl和HelloConsumer,之后添加自己的实现。

第二步

使用MySQL持久化支付信息

支付微服务需要持久化支付信息,我们使用MySQL数据库,ORM框架方面可以使用Spring Data JPA:

引入依赖:

<dependency>
  <groupId>mysql</groupId>
  <artifactId>mysql-connector-java</artifactId>
</dependency>
<dependency>
  <groupId>org.springframework.boot</groupId>
  <artifactId>spring-boot-starter-data-jpa</artifactId>
</dependency>

模拟与银行成功完成一笔支付后需要将支付的信息保存下来(可以理解为刷卡后的签名单),定义存储Payment信息的实体PaymentEntity:

@Entity
@Table(name = "T_Payment")
public class PaymentEntity {
  @Id
  @GeneratedValue(strategy = GenerationType.AUTO)
  private long id;

  private String transactionId;

  private String userName;

  private String bankName;

  private String cardNumber;

  private double amount;

  private Date time;

  private String type;

  public long getId() {
    return id;
  }

  public void setId(long id) {
    this.id = id;
  }

  public String getTransactionId() {
    return transactionId;
  }

  public void setTransactionId(String transactionId) {
    this.transactionId = transactionId;
  }

  public String getUserName() {
    return userName;
  }

  public void setUserName(String userName) {
    this.userName = userName;
  }

  public String getBankName() {
    return bankName;
  }

  public void setBankName(String bankName) {
    this.bankName = bankName;
  }

  public String getCardNumber() {
    return cardNumber;
  }

  public void setCardNumber(String cardNumber) {
    this.cardNumber = cardNumber;
  }

  public double getAmount() {
    return amount;
  }

  public void setAmount(double amount) {
    this.amount = amount;
  }

  public Date getTime() {
    return time;
  }

  public void setTime(Date time) {
    this.time = time;
  }

  public String getType() {
    return type;
  }

  public void setType(String type) {
    this.type = type;
  }

  public PaymentEntity() {
  }

  public PaymentEntity(String transactionId, String userName, String bankName, String cardNumber,
      double amount, Date time, String type) {
    this.transactionId = transactionId;
    this.userName = userName;
    this.bankName = bankName;
    this.cardNumber = cardNumber;
    this.amount = amount;
    this.time = time;
    this.type = type;
  }
}

在CodeFist模式下,会在数据库中自动创建T_Payment表与此实体映射,id通过

@GeneratedValue(strategy = GenerationType.AUTO)标记为自增长字段,userName存储支付用户,bankName是付款银行,cardNumber是付款银行卡号,amount是支付金额,time保存支付时间,type是交易的类型。

public class PaymentType {
  //支付定金
  public static final String DEPOSIT = "deposit";

  //交易
  public static final String TRADE = "trade";
}

然后我们继承JPA的PagingAndSortingRepository来实现ORM操作:

@Repository
@EnableTransactionManagement
public interface PaymentRepository extends PagingAndSortingRepository<PaymentEntity, Long> {
  List<PaymentEntity> findByUserName(String userName);

  PaymentEntity findByTransactionId(String TransactionId);
}

同样,用户支付完定金后,需要保存已支付的定金总额,定义存储Deposit信息的实体DepositEntity:

@Entity
@Table(name = "T_Deposit")
public class DepositEntity {
  @Id
  private String userName;

  private double amount;

  public String getUserName() {
    return userName;
  }

  public void setUserName(String userName) {
    this.userName = userName;
  }

  public double getAmount() {
    return amount;
  }

  public void setAmount(double amount) {
    this.amount = amount;
  }

  public DepositEntity() {
  }

  public DepositEntity(String userName, double amount) {
    this.userName = userName;
    this.amount = amount;
  }
}

在CodeFist模式下,会在数据库中自动创建T_Deposit表与此实体映射,userName是用户名,amount保存了已经支付的定金总额。然后我们继承JPA的PagingAndSortingRepository来实现ORM操作:

@Repository
@EnableTransactionManagement
public interface DepositRepository extends PagingAndSortingRepository<DepositEntity, String> {
  DepositEntity findByUserName(String userName);
}

配置数据库连接:

在项目的resources目录下新增application.properties文件,写入数据库连接信息:

spring.datasource.url=jdbc:mysql://localhost:3306/payment_db?useSSL=false
spring.datasource.username=root
spring.datasource.password=pwd
spring.jpa.hibernate.ddl-auto=update
spring.jpa.properties.hibernate.dialect=org.hibernate.dialect.MySQL5Dialect

第三步

实现支付服务

定义支付接口:

public interface PaymentService {
  //缴纳定金
  ResponseEntity<Boolean> deposit(PaymentDTO payment);
}

为了能够未来更好的扩展请求和响应的内容,我们使用PaymentDTO类包装参数。

实现支付接口:

创建PaymentServiceImpl,继承PaymentService接口:

@RestSchema(schemaId = "payment")
@RequestMapping(path = "/")
public class PaymentServiceImpl implements PaymentService {
  //信用额度
  private static final double CREDIT_LIMIT = 1000000;

  private final PaymentRepository paymentRepository;

  private final DepositRepository depositRepository;

  @Autowired
  public PaymentServiceImpl(PaymentRepository paymentRepository, DepositRepository depositRepository) {
    this.paymentRepository = paymentRepository;
    this.depositRepository = depositRepository;
  }

  @Override
  @PostMapping(path = "deposit")
  @Transactional(isolation = Isolation.SERIALIZABLE)
  public ResponseEntity<Boolean> deposit(@RequestBody PaymentDTO payment) {
    if (validatePayment(payment)) {
      if (checkBalance(payment)) {
        if (recordPayment(payment, PaymentType.DEPOSIT)) {
          if (recordDeposit(payment)) {
            if (cutWithBank(payment)) {
              return new ResponseEntity<>(true, HttpStatus.OK);
            }
            throw new InvocationException(BAD_REQUEST, "cut with bank failed");
          }
          throw new InvocationException(BAD_REQUEST, "record deposit failed");
        }
        throw new InvocationException(BAD_REQUEST, "record payment failed");
      }
      throw new InvocationException(BAD_REQUEST, "check balance failed");
    }
    throw new InvocationException(BAD_REQUEST, "incorrect payment request");
  }

  private boolean validatePayment(PaymentDTO payment) {
    if (StringUtils.isNotEmpty(payment.getUserName()) && payment.getAmount() > 0 && StringUtils
        .isNotEmpty(payment.getTransactionId())
        && StringUtils.isNotEmpty(payment.getBankName()) && StringUtils.isNotEmpty(payment.getCardNumber())) {
      //TransactionId需要不重复,未被使用过
      PaymentEntity pay = paymentRepository.findByTransactionId(payment.getTransactionId());
      return pay == null;
    }
    return false;
  }

  //检查用户的余额,这里我们假设每一个用户都有一百万授信
  private boolean checkBalance(PaymentDTO payment) {
    //我们先要查一下系统里面已经用了多少
    List<PaymentEntity> pays = paymentRepository.findByUserName(payment.getUserName());
    double used = 0;
    for (PaymentEntity pay : pays) {
      used += pay.getAmount();
    }
    //预估一下账户余额够不够
    return payment.getAmount() <= (CREDIT_LIMIT - used);
  }

  //本地记账保留扣款凭据
  private boolean recordPayment(PaymentDTO payment, String paymentType) {
    paymentRepository
        .save(new PaymentEntity(payment.getTransactionId(), payment.getUserName(), payment.getBankName(),
            payment.getCardNumber(), payment.getAmount(), new Date(), paymentType));
    return true;
  }

  //登记缴纳的定金
  private boolean recordDeposit(PaymentDTO payment) {
    DepositEntity deposit = depositRepository.findByUserName(payment.getUserName());
    if (deposit == null) {
      deposit = new DepositEntity(payment.getUserName(), payment.getAmount());
    } else {
      deposit.setAmount(deposit.getAmount() + payment.getAmount());
    }
    depositRepository.save(deposit);
    return true;
  }

  //走银行接口请求银行划账,Demo不对接直接返回为true
  private boolean cutWithBank(PaymentDTO payment) {
    return true;
  }
}

可以看到,支付定金会先后调用五个函数:

  1. validatePayment:首先我们需要检查一下调用入参是否正确;

  2. checkBalance:然后我们检查一下这个用户是否有足够的余额。模拟的逻辑比较简单,我们假设每一个用户都有一百万授信,扣掉在本系统中支付(包含支付定金)历史的总款项,如果大于需要支付的款项,那么我们认为有足够的余额;

  3. recordPayment:本地记录扣款凭据,注意:deposit方法标记了@Transactional,因此事务在成功返回前不会提交;

  4. recordDeposit:记录支付的定金,注意:deposit方法标记了@Transactional,因此事务在成功返回前不会提交;

  5. cutWithBank:请求银行划款(扣款),由于我们不走银行系统,直接返回true,代表扣款成功。如果将这一步的返回结果设置为false,则recordPayment会回滚不会写入数据库。

至此支付微服务就构建完毕了。

02

什么是灰度发布(金丝雀测试)

以前矿工下矿洞前,会先放一只金丝雀进去试探氧气含量以及是否有有毒气体,金丝雀测试由此得名。

生产环境中微服务都是多实例运行的,更新(发布)微服务,为避免风险,往往先更新1个实例,或一个很小的比例例如1%,承担很低的流量做验证,如果没有问题,则使用手工或自动的方式逐步更新剩余的实例,完成整体升级。

发布前:

 

发布中:

 

发布结束:

 

灰度路由策略

灰度发布需要边缘服务支持动态设置路由策略,常见的路由策略有:

  1. 基于匹配特定Header的策略 这个策略是通过匹配指定Header的值,决定转发微服务的版本;例如我们上线新版本后,用户界面提示是否尝试新版本,如果用户选择切换,则将特定的值写入请求的Header,此用户的所有后继请求都路由至新版本。这种方式给予了用户很大的灵活性和选择权,缺点是无法控制流量(因为完全要看大多数用户的选择)。

  2. .基于用户标识的策略 这个策略是通过匹配用户的标识例如ID,决定转发微服务的版本;例如我们上线新版本后,只将以Test开头的测试账号的请求路由至新版本。这种方式对客户端透明,也能够控制流量(限制了账号数),缺点是需要结合用户系统做一定的修改才能够支持,因为边缘服务无法直接获取用户信息。

  3. 基于流量控制的策略 这个策略是通过定制弹性伸缩(loadbalance)策略,决定转发微服务的版本;例如如果使用的是RoundRobin,则路由比例与版本实例数成正比,如果我们希望路由到新版本的流量为一个比较低的值例如1%但实例数比例远高于此值,则需要做定制。

  4. 基于匹配调用方IP的策略 这个策略是通过匹配调用发起方的IP,决定转发微服务的版本;例如在多地域多集群环境下,可以通过IP识别对方大致身份(例如所属省份、子系统等)。

本文将以第一种策略(基于匹配特定Header的策略)为例演示如何实现,我们先需要定义策略的格式:

参数名

类型

投稿

headerRules

User-Agent

Header匹配规则集合

defaultVersion

String

如果没有匹配任何规则,则默认版本(一般设置为老版本)

User-Agent

参数名

类型

投稿

 operator

User-Agent

匹配操作符,支持START_WITH、END_WITH、CONTAINS和EQUALS

value

String

匹配的值

version

String

如果匹配,值为路由版本

为了便于整体下发配置,使用JSON格式存储,例如:

{
  "headerRules": {
    "User-Agent": [
      {
        "operator": "CONTAINS",
        "value": "vip",
        "version": "0.0.2"
      }
    ]
  },
  "defaultVersion": "0.0.1"
}

此配置的含义为:如果存在User-Agent头并且其中的内容包含vip这个字符串,则路由到0.0.2版本的微服务实例,否则默认路由到0.0.1版本的微服务实例。

在边缘服务中实现灰度发布

增加灰度路由策略配置

在microservice.yaml中增加dark-launch-rules配置节点:

edge:
  routing-short-path:
    user: user-service
    payment: payment-service
  dark-launch-rules:
    payment-service: "{\"headerRules\":{\"User-Agent\":[{\"operator\":\"CONTAINS\",\"value\":\"vip\",\"version\":\"0.0.2\"}]},\"defaultVersion\":\"0.0.1\"}"

修改EdgeDispatcher增加灰度应用逻辑

public class EdgeDispatcher extends AbstractEdgeDispatcher {
  private static final Logger LOGGER = LoggerFactory.getLogger(EdgeDispatcher.class);

  private final List<EdgeFilter> filterChain;

  private static final ObjectMapper OBJ_MAPPER = new ObjectMapper();

  private final Map<String, DarkLaunchRule> darkLaunchRules = new ConcurrentHashMap<>();

  public EdgeDispatcher() {
    filterChain = SPIServiceUtils.getSortedService(EdgeFilter.class);
  }

  //此Dispatcher的优先级,Order级越小,路由策略优先级越高
  public int getOrder() {
    return 10000;
  }

  //初始化Dispatcher的路由策略
  public void init(Router router) {
    ///捕获 {ServiceComb微服务Name}/{服务路径&参数} 的URL
    String regex = "/([^\\\\/]+)/(.*)";
    router.routeWithRegex(regex).handler(CookieHandler.create());
    router.routeWithRegex(regex).handler(createBodyHandler());
    router.routeWithRegex(regex).failureHandler(this::onFailure).handler(this::onRequest);
  }

  //处理请求,请注意
  private void onRequest(RoutingContext context) {
    Map<String, String> pathParams = context.pathParams();
    //从匹配的param0拿到{ServiceComb微服务Name}
    final String service = pathParams.get("param0");
    //从匹配的param1拿到{服务路径&参数}
    String operationPath = "/" + pathParams.get("param1");

    final String serviceName = DynamicPropertyFactory.getInstance()
        .getStringProperty("edge.routing-short-path." + service, service).get();

    //获取对应微服务的灰度策略
    darkLaunchRules.computeIfAbsent(serviceName, s -> {
      DynamicStringProperty property = DynamicPropertyFactory.getInstance()
          .getStringProperty("edge.dark-launch-rules." + serviceName, "");
      return parseRule(property.getValue());
    });

    EdgeInvocation edgeInvocation = new EdgeInvocation();
    //设定灰度版本策略
    edgeInvocation.setVersionRule(darkLaunchRules.get(serviceName).matchVersion(context.request().headers().entries()));
    edgeInvocation.init(serviceName, context, operationPath, httpServerFilters);
    edgeInvocation.edgeInvoke();
  }

  private DarkLaunchRule parseRule(String config) {
    try {
      if (StringUtils.isNotEmpty(config)) {
        return OBJ_MAPPER.readValue(config, DarkLaunchRule.class);
      }
    } catch (IOException e) {
      LOGGER.error("parse rule failed", e);
    }
    return new DarkLaunchRule();
  }
}

03

实现VIP版本的支付服务用于演示灰度发布

场景

上面实现的支付服务做风控,授信额度CREDIT_LIMIT不能超过一百万,我们假设现在经济形势较好,信贷宽松,因此能尝试对VIP用户将授信额度提升为两百万,为稳妥起见,采用灰度发布逐步升级。

创建新的支付服务

payment-service-canary

为了能使两个版本的微服务能够同时调试,我们将payment-service中的代码和配置全部拷贝进入新的微服务payment-service-canary(实际的开发并不需要这么做,只需要切换版本并发布),并修改:

升级微服务版本

首先我们需要修改微服务的版本:

APPLICATION_ID: scaffold
service_description:
  name: payment-service
  #版本从0.0.1升级为0.0.2
  version: 0.0.2

放宽风控逻辑

//信用额度翻倍
private static final double CREDIT_LIMIT = 2000000;

可以看到,相比0.0.1版本中的CREDIT_LIMIT,授信额度审查已经被放宽到两百万。

04

使用支付服务验证灰度发布

我们启动边缘服务、用户服务和老版本的支付服务,使用zhengyangyong账户登录系统,然后做一笔一百万的支付:

 

支付成功,现在我们再来做一笔金额为888元的支付:

 

结果返回余额不足,因为老版本的支付服务只允许一百万额度,现在我们启动一个新版本的支付服务实例(模拟灰度发布),之后在Service Center UI中,我们已经可以看到新旧版本的支付系统并存:

 

再次请求:

仍然失败,我们在Header中增加User-Agent并设置值为vip:

 

返回请求处理成功,表明请求已经被路由至额度检查更宽松的0.0.2版本微服务实例。

05

结合使用配置中心实现平滑的灰度发布

上面我们已经演示了如何实现灰度发布,但缺点是我们需要在恢复发布的过程中修改本地microservice.yaml配置并重启边缘服务才能使灰度策略生效,那么是否可以结合使用配置中心的动态配置能力实现无需重启边缘服务平滑灰度发布?答案是肯定的。

ServiceComb目前支持对接Apollo作为配置中心,Apollo:https://github.com/ctripcorp/apollo 是携程开发的一个开源配置中心,ServiceComb已经做了良好的对接,如何使用可以参考此文    http://servicecomb.incubator.apache.org/cn/users/dynamic-config/

改进方案

现在我们详细描述改进方案:

01

首先我们将edge.dark-launch-rules.payment-service的配置从microservice.yaml本地配置中移动到Apollo配置中心:

 

初始配置的值是:

{"headerRules":{"User-Agent":[{"operator":"CONTAINS","value":"vip","version":"0.0.2"}]},"defaultVersion":"0.0.1"}

当前生效的路由为:

 

02

然后我们将0.0.2版本的新版支付服务上线,因为此时配置尚未更改并发布,边缘服务并不会将用户的请求路由到0.0.2版本的微服务实例上:

 

03

一切就绪后,我们在Apollo中修改edge.dark-launch-rules.payment-service的配置,使能灰度发布:

 

配置的值是:

{"headerRules":{"User-Agent":[{"operator":"CONTAINS","value":"vip","version":"0.0.2"}]},"defaultVersion":"0.0.1"}

将带有User-Agent Header并且值包含vip字符串的请求路由到0.0.2版本的微服务实例:

 

至此,只要接口不发生变化,新版本即可采用实例上线 -> 修改路由配置的方式实现灰度发布,无需修改任何代码和重启边缘服务。

修改边缘服务的实现

以支持方案

添加动态配置依赖

我们在边缘服务中添加如下依赖:

<!--增加使用Apollo作为配置中心-->
<dependency>
  <groupId>com.netflix.archaius</groupId>
  <artifactId>archaius-core</artifactId>
</dependency>
<dependency>
  <groupId>org.apache.servicecomb</groupId>
  <artifactId>config-apollo</artifactId>
</dependency>

在microservice.yaml中添加配置中心配置

edge:
  routing-short-path:
    user: user-service
    payment: payment-service
#  停用本地配置,使用apollo配置中心配置
#  dark-launch-rules:
#    payment-service: "{\"headerRules\":{\"User-Agent\":[{\"operator\":\"CONTAINS\",\"value\":\"vip\",\"version\":\"0.0.2\"}]},\"defaultVersion\":\"0.0.1\"}"

#配置中心
apollo:
  config:
    #请修改为您的Apollo地址
    serverUri: http://192.168.99.100:8070
    #请修改为您的Apollo AppId
    serviceName: scaffold  #AppId in apollo
    env: DEV
    #default clusters name in apollo,if user create new clusters please replace this setting value
    #more detail can be found at https://github.com/ctripcorp/apollo/wiki
    clusters: default
    #default namespace name in apollo,if user create new namespace please replace this setting value
    #more detail can be found at https://github.com/ctripcorp/apollo/wiki/Apollo%E6%A0%B8%E5%BF%83%E6%A6%82%E5%BF%B5%E4%B9%8B%E2%80%9CNamespace%E2%80%9D
    namespace: application
    #get token from Apollo web pages
    #请修改为您的Token
    token: d453c813eb2e0a83bd4532bca7b0c272bc3377c9

请按你本地Apollo的配置替换其中的配置项,如何获取这些配置请参考此文   http://servicecomb.incubator.apache.org/cn/users/dynamic-config/。

修改EdgeDispatcher,强化灰度策略执行效率

private void onRequest(RoutingContext context) {
  Map<String, String> pathParams = context.pathParams();
  //从匹配的param0拿到{ServiceComb微服务Name}
  final String service = pathParams.get("param0");
  //从匹配的param1拿到{服务路径&参数}
  String operationPath = "/" + pathParams.get("param1");

  //还记得我们之前说的做出一点点改进吗?引入一个自定义配置edge.routing-short-path.{简称},映射微服务名;如果简称没有配置,那么就认为直接是微服务的名
  final String serviceName = DynamicPropertyFactory.getInstance()
      .getStringProperty("edge.routing-short-path." + service, service).get();

  //检查灰度策略是否更新
  checkDarkLaunchRule(serviceName);

  //创建一个Edge转发
  EdgeInvocation edgeInvocation = new EdgeInvocation();
  //设定灰度版本策略
  edgeInvocation.setVersionRule(
      darkLaunchRules.get(serviceName).getRule().matchVersion(context.request().headers().entries()));
  edgeInvocation.init(serviceName, context, operationPath, httpServerFilters);
  edgeInvocation.edgeInvoke();
}

private void checkDarkLaunchRule(String serviceName) {
  final String config = DynamicPropertyFactory.getInstance()
      .getStringProperty("edge.dark-launch-rules." + serviceName, "").getValue();
  if (darkLaunchRules.containsKey(serviceName)) {
    DynamicDarkLaunchRule rule = darkLaunchRules.get(serviceName);
    if (!rule.getConfig().equals(config)) {
      darkLaunchRules.put(serviceName, new DynamicDarkLaunchRule(config, parseRule(config)));
    }
  } else {
    darkLaunchRules.computeIfAbsent(serviceName, s -> new DynamicDarkLaunchRule(config, parseRule(config)));
  }
}

private DarkLaunchRule parseRule(String config) {
  try {
    if (StringUtils.isNotEmpty(config)) {
      return OBJ_MAPPER.readValue(config, DarkLaunchRule.class);
    }
  } catch (IOException e) {
    LOGGER.error("parse rule failed", e);
  }
  return new DarkLaunchRule();
}

主要改动就是为了提升策略检查逻辑的性能,将解析完毕的DarkLaunchRule缓存起来,配置没有发生变化则直接使用缓存。

06

小结

作为“客户关系管理系统ServiceComb微服务化实战”系列的第二篇,本文阐述了如何开发客户关系管理中的支付服务并进行灰度发布。同时还演示了如何进一步通过ServiceComb对接的Apollo配置中心实现平滑的灰度发布。剩余的模块,我们将在接下来的部分继续展示如何开发。

07

ServiceComb相关资料

官方网站:

http://servicecomb.incubator.apache.org/

加入社区:

https://servicecomb.incubator.apache.org/cn/docs/join_the_community

JIRA:

https://issues.apache.org/jira/browse/SCB

ServiceComb Java-Chassis:https://github.com/apache/incubator-servicecomb-java-chassis

ServiceComb Saga:

https://github.com/apache/incubator-servicecomb-saga

ServiceComb Service-Center:

https://github.com/apache/incubator-servicecomb-service-center

长按“识别图中二维码”,加入ServiceComb讨论群

 点击左下角“阅读原文”,给SeriveComb加个Star吧 

ServiceComb 开发实战(2)—— Service-Center 服务注册发现对接 文章目录一. 服务注册与发现二. 创建项目三. 请求结构体生成四. 对接接口分析1. 微服务注册:2. 微服务实例注册:3. 服务发现:4. 检测服务是否存在:5. 客户端心跳:五. 服务实现1. 配置文件2. 配置解析3. API 调用实现4. http 简单封装5. provider 代码6. consumer 代码六. 构建编译七. 启动与通讯 上一章 ServiceComb 开发实战(1)... 阅读详情

相关推荐

微服务框架ServiceComb

Service Center是ServiceComb生态系统中的一个服务注册与发现中心,它基于Apache ServiceComb提供可靠的服务管理。Service Center存储有关每个服务实例的详细信息,包括其状态、位置和可用性信息。服务消费者可以使用这些信息来找到并调用这些服务。如果你已经集成了ServiceComb和Spring Boot,可以使用Spring MVC的注解来创建RESTful API。在这个例子中,和是Spring MVC提供的注解,用于定义一个REST服务端点。

www_tlj的专栏 2531

ServiceComb之配置中心(Apollo)

1. Apollo是什么? Apollo(阿波罗)是携程框架部门研发的配置管理平台,能够集中化管理应用不同环境、不同集群的配置,配置修改后能够实时推送到应用端,并且具备规范的权限、流程治理等特性。 更多介绍,可以参考Apollo配置中心介绍 2. Cluster是什么? 一个应用下...

chujq1227的博客 1247

使用ServiceComb构建微服务实战

微服务框架ServiceComb介绍和演示 编程模型+运行模型+通信模型 构建微服务实战

[良心推荐] 客户管理系统ServiceComb微服务化实战-PartI

在今年的LC3大会上,ServiceComb展台所展示的demo视频“30分钟开发雏形CRM应用”引起了参会者的广泛关注,大家纷纷对其背后的技术表现出浓厚的兴趣...

微服务技术与实践专栏 781

ServiceComb.github.io:ServiceComb网站

ServiceComb.github.io ServiceComb网站基于“ 。 如何在本地运行网站 安装和 安装Jekyll和Bundler gem install jekyll bundler 克隆站点文件 git clone git@github.com:ServiceComb/ServiceComb.github.io.git cd ServiceComb.github.io.git 捆绑安装宝石 bundle install 启动jekyll服务器 bundle exec jekyll server 启动Web浏览器访问http://localhost:4000 多种语言支持 该网站现在支持英语,并且英语为默认语言。 事情要谨慎: 有两种语言标签: en和cn 。 撰写文章时,请在标题下添加以下要点(如果您撰写中文文章): lang : cn ref : u

程序员未来真的会被淘汰吗?

实际上的计算机:web,图形学Q,Linux系统开发,一系列嵌入式开发,数据库,高性能服务器,中间件开发,三维建模,网络安全,通信协议°,加密算法,服务器集群维护,文件存储引擎Q,编译器,工业软件,客户端,计算机视觉,自然语言处理,算法调优,游戏引擎Q。实际上的计算机:web,图形学Q,Linux系统开发,一系列嵌入式开发,数据库,高性能服务器,中间件开发,三维建模,网络安全,通信协议°,加密算法,服务器集群维护,文件存储引擎Q,编译器,工业软件,客户端,计算机视觉,自然语言处理,算法调优,游戏引擎Q。

——心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,谦虚,自律,反思,成长,还算是比较正能量的博主,公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然,有点小情怀,也有点使命感呀)… 1265

如何在ServiceComb中使用confd和Nginx做边缘服务

概念阐述 confd confd是一个轻量级的配置管理工具,源码地址:https://github.com/kelseyhightower/confd,它可以将配置信息存储在etcd、consul、dynamodb、redis以及zookeeper等。confd定期会从这些存储节点pull最新的配置,然后重新加载服务,完成配置文件的更新。 Nginx Nginx (engine x)是一个...

微服务技术与实践专栏 695

YOLOv5轻量化实战:从Ghost模块到工业级部署的完整指南

本文详细介绍了YOLOv5轻量化实战,重点解析了Ghost模块在工业检测中的应用及其优化策略。通过Ghost卷积技术,模型参数量和GFLOPs显著降低,同时保持高精度,适用于实时性要求严格的工业场景。文章还提供了从模型优化到TensorRT加速的完整部署指南,助力开发者实现高效工业级应用。

weixin_28223453的博客 489

ServiceComb实战 (3)comb实战

ServiceComb实战 (3)combDemo 步骤一、配置POM &amp;lt;?xml version=&quot;1.0&quot; encoding=&quot;UTF-8&quot;?&amp;gt; &amp;lt;project xmlns=&quot;http://maven.apache.org/POM/4.0.0&quot; xmlns:xsi=&quot;http://www.w3.org/20

码农践行 1229

UFS逻辑单元管理

介绍UFS 逻辑单元管理和配置

m0_51720747的博客 1951

手把手教你用Keil5和Proteus8给51单片机跑个流水灯(附完整源码+安装包)

本文详细介绍了如何使用Keil5和Proteus8为51单片机实现流水灯效果,包括开发环境配置、汇编代码编写、电路设计及仿真调试。通过完整的源码和安装包,帮助初学者快速掌握C51单片机开发的核心流程,适合嵌入式开发入门学习。

weixin_42632434的博客 375

【ServiceComb】扎实做微服务,认真做开源

5问ServiceComb微服务 ServiceComb 是谁?ServiceComb取名寓意蜂巢,是微服务开源项目,Apache软件基金会孵化项目,其源自Servic...

微服务技术与实践专栏 866

Flatten 层的深度理解与运用

Flatten 层的深度理解与运用

你要拥有一个你喜欢并且热爱的人生 7044

ServiceComb入门篇

一、 ServiceComb 概述 1.背景介绍 ServiceComb 作为 Apache 开源组织下的一款微服务框架,其前身为华为云的 微服务引擎CSE(Cloud Service Engine) 云服务。 它意味着国内一款微服务框架在华为和 Apache 组织的共同努力下,随着微服务市场的火爆,一定会让越来越多的开发者所喜欢。 2.技术方案 解决方案级,多语言、多通信协议、标准服务契约、事务最终一致性 开源开放,拥抱 SpringBoot、 SpringCloud、 ServiceMesh 等主流生态

qq_42642159的博客 4211

C# 工业视觉性能极致优化:多线程推理池 + 对象复用 + 批量检测,速度提升 10 倍实战

set;} // 输入图像set;} // 异步返回结果set;} // 用于监控延迟性能优化不是魔法,而是对资源生命周期的精细管理和对硬件特性的充分利用。多线程池解决了 CPU/GPU 闲置问题。对象池解决了 GC 停顿问题。零拷贝解决了总线带宽瓶颈。严格的 Dispose解决了内存泄漏问题。这套架构已在多个高速锂电、3C 电子检测产线落地,轻松应对 200ms 甚至 50ms 的严苛节拍。记住,在工业领域,稳定性与速度同等重要。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 311

TriCore架构-基于TC397在SOTA过程中AB-SWAP切换底层原理

TC397的SOTA升级机制通过硬件地址重映射实现,利用MMU将逻辑地址动态映射到不同物理地址。其PFlash支持标准/备用地址映射,通常使用PF0+PF1+PF4空间以便于OTA处理。升级时,新固件自动写入非活动分区(A/B分区切换),由地址转换函数完成逻辑地址到物理地址的转换。系统重启后根据寄存器选择启动区域,实现安全无缝的固件更新。

xiandang8023的博客 491

华为云ServiceComb引擎实战-01.服务注册与配置

转载请注明出处。

GQ_YIN日常记录 1808

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")

ServiceComb 示例项目指南

ServiceComb 示例项目指南 1. 项目介绍 ServiceComb 是由 Apache 软件基金会支持的全栈式开源微服务平台。它提供了高性能、易于使用的微服务框架,兼容流行的生态系统并支持多种语言。ServiceComb 示例项目(servicecomb-samples)旨在展示如何利用 ServiceComb 实现常见的微服务场景。 主要特性: 多语言支持: 支持 Java、Go 等...

gitblog_01029的博客 1067

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

如何在ServiceComb中使用zuul做边缘服务

概念阐述 API Gateway: API Gateway是一个服务器,也可以说是进入系统的唯一节点。API Gateway封装内部系统的架构,并且提供API给各个客户端。 Zuul Zuul是Netflix的基于JVM的路由器和服务器端负载均衡器,可以使用Zuul进行以下操作: 认证 洞察 压力测试 金丝雀测试 动态路由 服务迁移 负载脱落 安全 静态相响应处理 主动...

微服务技术与实践专栏 1248

我们对微服务的坚持

我们对微服务的坚持写在微服务方案ServiceComb开源一周年之际 2018年6月25日,开源界的盛会LC3大会(LinuxCon+ContainerCon+Cl...

微服务技术与实践专栏 263

微信支付项目实战、创建订单到支付退款代码详解

Data//定义主键策略跟随数据库的主键自增//主键//创建时间//更新时间}@Data//订单标题//商户订单编号//用户id//支付产品id//订单金额(分)//订单二维码连接//订单状态}@Data//商品订单编号//支付系统交易编号//支付类型//交易类型//交易状态//支付金额(分)//通知参数}@Data//商品名称//价格(分)}@Data//商品订单编号//退款单编号//支付系统退款单号。..................

Mr_Jin的博客 3065

ServiceComb实战 (1)org.springframework.web.HttpMediaTypeNotSupportedException

一、异常现象: @Override @PostMapping(path = "logon") public ResponseEntity&lt;Boolean&gt; logon(@RequestBody UserDTO user) { if (validateUser(user)) { UserEntity dbUser = repository.findByNam...

码农践行 394

实现ServiceComb微服务实例间多环境隔离

进行服务发现的时候,开发者需要了解本微服务能够发现那些其他服务的实例。ServiceComb提供了分层次的实例隔离。 微服务实例分层管理 要了解实例间的隔离层次,首先需要了解ServiceComb定义的一个体系完备的微服务系统结构: 在微服务系统结构中,顶层是项目(project),项目中的应用分属于不同环境(environment),即测试和生产环境可以分开,每个环境下包含多个应用(a...

微服务技术与实践专栏 2750

华为servicecomb快速上手(一)

Servicecomb介绍 ServiceComb 作为 Apache 开源组织下的一款微服务框架,其前身为华为云的 微服务引擎 CSE (Cloud Service Engine) 云服务。它意味着国内一款微服务框架在华为和 Apache 组织的共同努力下,随着微服务市场的火爆,一定会让越来越多的开发者所喜欢。(转) 官方网站介绍 华为将 ServiceComb 交给Apache 基金组织维护 ...

TomCosin的博客 5681
上一篇: 中国优秀开源项目一等奖-Apache ServiceComb
下一篇: 2018华为云区块链全球开发者大赛决赛邀请函
looook
博客等级 码龄20年 145粉丝 195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