17、云应用升级与端到端服务考量

云应用升级与端到端服务考量

云软件升级策略

云环境下的软件升级策略主要有两种:类型 I(“block party”)和类型 II(“one driver per bus”)。

类型 I 升级策略

类型 I 升级策略允许在旧应用实例“N”上的流量自然耗尽,同时将新流量导向新应用实例“N + I”,从而实现无用户影响的升级。若企业无法等待旧实例上的流量自然耗尽,可采取特定应用操作,将流量从旧实例转移到新实例。此升级过程中,新旧应用实例始终保持全冗余,不会出现单实例暴露的情况。

该策略适合采用持续交付模式的软件,可在将用户流量导向新版本前,通过自动化回归测试验证版本的稳定性。由于多个版本可同时运行,类型 I 升级还允许安装特殊版本的应用,并仅引导部分用户进行试用,试用结束后可选择扩大使用范围或移除该版本。

类型 II 升级策略

类型 II 升级策略在任何时候只有一个应用实例版本为用户提供服务,适用于数据或资源受限,无法让多个应用实例共享一个或多个公共资源的情况。其具体步骤如下:
1. 创建新版本“N + I”的应用实例,分配足够资源以处理与旧版本“N”相当的容量。安装新版本软件,将持久数据从旧版本迁移到新版本,并对动态数据进行必要的迁移和同步。
2. 激活新版本“N + I”的应用实例,并将流量导向该版本。
3. 确认新版本“N + I”能提供可接受的服务后,停用旧版本“N”的应用实例,并释放其资源。

类型 II 升级的关键特点是同一时间只有一个版本为用户提供服务,接口组件无需同时支持两个版本。IP 地址可从旧应用实例迁移到新的虚拟应用实例。为确保升级过程中用户会话的连

【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