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,與輕量級機制——通常是HTTP資源API——進(jìn)行通信”。)
對于很多組織機構(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
浙江大學(xué)團(tuán)隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學(xué)、編程等任務(wù)上顯著提升推理準(zhǔn)確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學(xué)研究團(tuán)隊提出SIRI方法,通過"壓縮-擴張"交替訓(xùn)練策略,成功解決了大型推理模型"話多且準(zhǔn)確率低"的問題。實驗顯示,該方法在數(shù)學(xué)競賽題上將模型準(zhǔn)確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓(xùn)練提供了新思路。
南洋理工大學(xué)與騰訊聯(lián)合研究團(tuán)隊開發(fā)出Rolling Forcing技術(shù),實現(xiàn)AI視頻實時流式生成的重大突破。該技術(shù)通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓(xùn)練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標(biāo)從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學(xué)研究團(tuán)隊發(fā)現(xiàn),通過讓AI模型學(xué)習(xí)解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學(xué)習(xí)方法訓(xùn)練多個AI模型。實驗結(jié)果顯示,幾何訓(xùn)練在四個空間智能測試基準(zhǔn)上都帶來顯著提升,其中最佳模型達(dá)到49.6%準(zhǔn)確率,超越此前最好成績。這項研究揭示了基礎(chǔ)幾何知識對培養(yǎng)AI空間智能的重要價值。