27、服务粒度优化:分解、代理与能力设计策略

服务粒度优化:分解、代理与能力设计策略

在服务架构设计中,服务粒度的选择至关重要,它直接影响着服务的性能、可维护性和可扩展性。本文将探讨服务分解、代理能力和分解能力这三种模式,帮助你更好地管理服务粒度,应对不同的业务需求。

1. 服务分解模式

服务分解模式主要解决过度粗粒度服务对最佳组合设计的抑制问题。在服务架构的初始分析阶段,由于性能和基础设施相关的考虑,通常会将多个细粒度的业务服务组合成较少数量的粗粒度服务。然而,随着服务库存架构的成熟和技术的发展,复杂的服务组合变得更加常见,此时粗粒度服务可能会影响组合性能和整体设计的优化。

问题 :过度粗粒度的服务会抑制最佳组合设计。
解决方案 :将已实现的粗粒度服务分解为两个或更多细粒度服务。
应用步骤
1. 重新审视服务库存蓝图,决定如何将服务重新建模为多个服务候选。
2. 定义新的能力候选,特别是在原始设计中未考虑分解能力的情况下。
3. 新服务进入标准生命周期阶段,从合同设计开始,直至最终测试和质量保证。
4. 为保持向后兼容性,可能需要应用代理能力模式来保留原始服务合同。

影响 :细粒度服务的增加会导致更大、更复杂的服务组合设计。服务分解对服务库存的影响程度取决于服务的成熟度和消费者程序的数量。

原则 :服务松耦合、服务可组合性

模式
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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