CNET科技資訊網(wǎng) 2月8日 國際報道:微服務(wù)架構(gòu)可能并不適合于所有企業(yè)。對于那些IT資源有限的小公司來說,微服務(wù)并不可行。對于那些遺留系統(tǒng)運行尚可的公司來說,可能不值得嘗試將他們的系統(tǒng)分解為多個微服務(wù)。它甚至可能不適合于DevOps文化。
這個觀點來自于Stripe工程師Susan Fowler,她同時也是“生產(chǎn)就緒的微服務(wù)”的作者,前Uber公司微服務(wù)團(tuán)隊的一名工程師。最近Fowler與InfoQ的Thomas Betts進(jìn)行交談,提出微服務(wù)項目的最佳候選者是那些遇到了可擴(kuò)展性問題的公司。微服務(wù)可以幫助管理應(yīng)用,在這些應(yīng)用中“可擴(kuò)展性方面的局限可導(dǎo)致服務(wù)器性能和穩(wěn)定性的問題,無法在這個應(yīng)用上進(jìn)行任何工作,開發(fā)者速度顯然也受到了影響”。
(巧合的是,另外一位Fowler——Martin Fowler早在2014年為微服務(wù)奠定了基礎(chǔ),包括對微服務(wù)進(jìn)行定義:“微服務(wù)架構(gòu)是一種把單一應(yīng)用作為一套小型服務(wù)進(jìn)行開發(fā)的方法,每個微服務(wù)都運行著它自己的進(jìn)程,與輕量級機(jī)制——通常是HTTP資源API——進(jìn)行通信”。)
對于很多組織機(jī)構(gòu)來說,要想實現(xiàn)一個運行良好的微服務(wù)架構(gòu)也許并不困難。“大多數(shù)系統(tǒng)并不是以考慮微服務(wù)架構(gòu)而設(shè)計的,”Susan Fowler這樣表示。因此,很多微服務(wù)最終被設(shè)計成了獨立于孤島環(huán)境,或者孤島環(huán)境中的孤島。
據(jù)Fowler的觀察,微服務(wù)也不一定能與DevOps環(huán)境很好地融合。特別是在大型數(shù)據(jù)中心內(nèi),開發(fā)工作和運營工作顯然是分離的。然而在微服務(wù)架構(gòu)中,“會有數(shù)十個、數(shù)百個甚至數(shù)千個微服務(wù),因此,許多微服務(wù)開發(fā)團(tuán)隊,以及這些團(tuán)隊中既是開發(fā)者又是運營工程師的工作人員可能從組織架構(gòu)上來說都是沒有意義的。”
但是,微服務(wù)架構(gòu)也需要很好地適應(yīng)所在的組織機(jī)構(gòu)。在另外一篇博客文章中,F(xiàn)owler主張采取一種四層方法:
硬件層:配置管理工具、數(shù)據(jù)據(jù)、服務(wù)器、主機(jī)層日志記錄和監(jiān)控、操作系統(tǒng)、資源隔離、資源抽象。
通信層:DNS端點、負(fù)載均衡、通訊、網(wǎng)絡(luò)、遠(yuǎn)程過程調(diào)用、服務(wù)發(fā)現(xiàn)、服務(wù)注冊。
應(yīng)用層:部署管道、開發(fā)環(huán)境、微服務(wù)層日志記錄和監(jiān)控、自助服務(wù)式內(nèi)部開發(fā)工具、測試、包、構(gòu)建和發(fā)布工具。
微服務(wù)層:微服務(wù)。
好文章,需要你的鼓勵
騰訊ARC實驗室推出AudioStory系統(tǒng),首次實現(xiàn)AI根據(jù)復(fù)雜指令創(chuàng)作完整長篇音頻故事。該系統(tǒng)結(jié)合大語言模型的敘事推理能力與音頻生成技術(shù),通過交錯式推理生成、解耦橋接機(jī)制和漸進(jìn)式訓(xùn)練,能夠?qū)?fù)雜指令分解為連續(xù)音頻場景并保持整體連貫性。在AudioStory-10K基準(zhǔn)測試中表現(xiàn)優(yōu)異,為AI音頻創(chuàng)作開辟新方向。
Meta與特拉維夫大學(xué)聯(lián)合研發(fā)的VideoJAM技術(shù),通過讓AI同時學(xué)習(xí)外觀和運動信息,顯著解決了當(dāng)前視頻生成模型中動作不連貫、違反物理定律的核心問題。該技術(shù)僅需添加兩個線性層就能大幅提升運動質(zhì)量,在多項測試中超越包括Sora在內(nèi)的商業(yè)模型,為AI視頻生成的實用化應(yīng)用奠定了重要基礎(chǔ)。
上海AI實驗室發(fā)布OmniAlign-V研究,首次系統(tǒng)性解決多模態(tài)大語言模型人性化對話問題。該研究創(chuàng)建了包含20萬高質(zhì)量樣本的訓(xùn)練數(shù)據(jù)集和MM-AlignBench評測基準(zhǔn),通過創(chuàng)新的數(shù)據(jù)生成和質(zhì)量管控方法,讓AI在保持技術(shù)能力的同時顯著提升人性化交互水平,為AI價值觀對齊提供了可行技術(shù)路徑。
谷歌DeepMind團(tuán)隊開發(fā)的GraphCast是一個革命性的AI天氣預(yù)測模型,能夠在不到一分鐘內(nèi)完成10天全球天氣預(yù)報,準(zhǔn)確性超越傳統(tǒng)方法90%的指標(biāo)。該模型采用圖神經(jīng)網(wǎng)絡(luò)技術(shù),通過學(xué)習(xí)40年歷史數(shù)據(jù)掌握天氣變化規(guī)律,在極端天氣預(yù)測方面表現(xiàn)卓越,能耗僅為傳統(tǒng)方法的千分之一,為氣象學(xué)領(lǐng)域帶來了效率和精度的雙重突破。