黑马微服务教程

本文详细介绍了微服务架构中的关键组件,从远程调用的RestTemplate开始,探讨了Eureka服务发现、Ribbon客户端负载均衡、Nacos注册中心的配置管理,以及Feign声明式HTTP客户端。接着,讲解了Spring Cloud Gateway网关的断言工厂、过滤器和跨域问题。此外,还涵盖了Docker的基础知识,包括数据卷、自定义镜像和docker-compose。最后,文章提到了消息队列MQ的重要性,以及Elasticsearch的安装与使用,包括ik分词器的配置。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 远程调用

通过RestTemplate实现基于http的远程调用:

@MapperScan("cn.itcast.order.mapper")
@SpringBootApplication
public class OrderApplication {
   

    public static void main(String[] args) {
   
        SpringApplication.run(OrderApplication.class, args);
    }

    @Bean
    @LoadBalanced
    public RestTemplate restTemplate () {
   
        return new RestTemplate();
    }
}

在controller中即可通过http地址调用其它服务的方法:

   @Autowired
   private RestTemplate restTemplate;

   @GetMapping("{orderId}")
   public Order queryOrderByUserId(@PathVariable("orderId") Long orderId) {
   
       // 根据id查询订单并返回
       Order order = orderService.queryOrderById(orderId);
       // 发起http请求
       User user = restTemplate.getForObject("http://userservice/user/" + order.getUserId(), User.class);
       order.setUser(user);
       return order;
   }

2. Eureka

Eureka是基于REST的服务发现框架,基本操作:

REST: Representational State Transfer,表现状态转移,是一种前后端分离的接口规范

  1. 每一个URI代表一种资源;
  2. 同一种资源有多种表现形式(xml/json);
  3. 所有的操作都是无状态的。
  4. 规范统一接口。
  5. 返回一致的数据格式。
  6. 可缓存(客户端可以缓存响应的内容)。

Eureka基本操作
代码如下:

@EnableEurekaServer
@SpringBootApplication
public class EurekaApplication {
   
    public static void main(String[] args) {
   
        SpringApplication.run(EurekaApplication.class, args);
    }

    @Bean
    public IRule randomRule() {
   
        return new RandomRule();
    }
}

3. Ribbon

为了:

如何在配置Eureka Client注册中心时不去硬编码Eureka Server的地址?
在微服务不同模块间进行通信时,如何不去硬编码服务提供者的地址?
当部署多个相同微服务时,如何实现请求时的负载均衡?

因此,Ribbon是一个客户端负载均衡器,基本原理如图:
Ribbon负载均衡
可以通过实现IRule接口实现全局的负载均衡策略:

7种负载均衡策略:

  1. RoundRobinRule: 轮询
  2. ZoneAvoidanceRule: 区域敏感策略(默认),根据服务所在区域(zone)的性能和服务的可用性来选择服务实例,在没有区域的环境下,即为轮询。
  3. WeightedResponseTimeRule: 权重策略,刚开始使用轮询策略并开启一个计时器,每一段时间收集一次所有服务提供者的平均响应时间,然后再给每个服务提供者附上一个权重,权重越高被选中的概率也越大
  4. RandomRule: 随机
  5. BestAvailableRule: 最小并发数策略,遍历服务提供者列表,选取连接数最小的⼀个服务实例。如果有相同的最小连接数,那么会调用轮询策略进行选取。
  6. RetryRule: 重试策略,轮询策略来获取服务,如果获取的服务实例为 null 或已经失效,则在指定的时间之内不断地进行重试来获取服务,如果超过指定时间依然没获取到服务实例则返回 null
  7. AvailabilityFilteringRule: 可用敏感性策略,先过滤掉非健康的服务实例,然后再选择连接数较小的服务实例
    @Bean
    public IRule randomRule() {
   
        return new RandomRule();
    }

也可以通过配置文件指定某微服务的负载均衡策略:

userservice: # 服务名
  ribbon:
    NFloadBalancerRuleClassName: com.netflix.loadbalancer.RandomRule
  • 懒加载:Ribbon会在首次访问时去创建负载均衡器,后续可以直接访问。这会造成一定的速度差异和某些bug,可以启用饥饿加载,即服务启动时拉取服务列表解决:
ribbon:
  eager-load:
    enabled: true
    clients: userservice # 指定对userservice启用饥饿加载
    	- userservice # 指定多个服务时换行加-
    	- orderservice

4. Nacos

我人傻了…公司的jdk安装包只有jre,合着我用了这么久的open jdk o(╥﹏╥)o 赶紧重装一个

解决了,继续继续


nacos是阿里巴巴的注册中心,单机模式记得改startup.cmd中的配置为standalone,使用nacos就要把eureka的配置都注掉,两者都遵循spring cloud Commons。
使用nacos:

// 单机模式启动nacos
E:\nacos\bin>startup.cmd -m standalone

// 父项目引入依赖
<dependency>
	<groupId>com.alibaba.cloud</groupId>
	<artifactId>spring-cloud-alibaba-dependencies</artifactId>
	<version>2.2.5.RELEASE</version>
	<type>pom</type>
	<scope>import</scope>
</dependency>

// 子项目引入服务发现依赖
<dependency>
	<groupId>com.alibaba.cloud</groupId>
	<artifactId>spring-cloud-starter-alibaba-nacos-discovery</artifactId>
</dependency>

// 子项目yml配置地址
spring:
  cloud:
    nacos:
      server-addr: localhost:8848 # nacos服务地址
      discovery:
        cluster-name: BJ # 集群名称

即可在8848端口进入nacos管理界面

localhost:8848

4.1 服务多级存储模型

优先访问本地集群,跨地区调用延迟较高,通过cluster-name配置集群名称

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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