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(yùn)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(diǎn)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(xiàng)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(yùn)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(shí)現(xiàn)一個運(yùn)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(dú)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(yùn)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(yùn)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(diǎn)、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
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實(shí)現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗(yàn)證有效性。