
CNET科技资讯网 2月8日 国际报道:微服务架构可能并不适合于所有企业。对于那些IT资源有限的小公司来说,微服务并不可行。对于那些遗留系统运行尚可的公司来说,可能不值得尝试将他们的系统分解为多个微服务。它甚至可能不适合于DevOps文化。
这个观点来自于Stripe工程师Susan Fowler,她同时也是“生产就绪的微服务”的作者,前Uber公司微服务团队的一名工程师。最近Fowler与InfoQ的Thomas Betts进行交谈,提出微服务项目的最佳候选者是那些遇到了可扩展性问题的公司。微服务可以帮助管理应用,在这些应用中“可扩展性方面的局限可导致服务器性能和稳定性的问题,无法在这个应用上进行任何工作,开发者速度显然也受到了影响”。
(巧合的是,另外一位Fowler——Martin Fowler早在2014年为微服务奠定了基础,包括对微服务进行定义:“微服务架构是一种把单一应用作为一套小型服务进行开发的方法,每个微服务都运行着它自己的进程,与轻量级机制——通常是HTTP资源API——进行通信”。)
对于很多组织机构来说,要想实现一个运行良好的微服务架构也许并不困难。“大多数系统并不是以考虑微服务架构而设计的,”Susan Fowler这样表示。因此,很多微服务最终被设计成了独立于孤岛环境,或者孤岛环境中的孤岛。
据Fowler的观察,微服务也不一定能与DevOps环境很好地融合。特别是在大型数据中心内,开发工作和运营工作显然是分离的。然而在微服务架构中,“会有数十个、数百个甚至数千个微服务,因此,许多微服务开发团队,以及这些团队中既是开发者又是运营工程师的工作人员可能从组织架构上来说都是没有意义的。”
但是,微服务架构也需要很好地适应所在的组织机构。在另外一篇博客文章中,Fowler主张采取一种四层方法:
硬件层:配置管理工具、数据据、服务器、主机层日志记录和监控、操作系统、资源隔离、资源抽象。
通信层:DNS端点、负载均衡、通讯、网络、远程过程调用、服务发现、服务注册。
应用层:部署管道、开发环境、微服务层日志记录和监控、自助服务式内部开发工具、测试、包、构建和发布工具。
微服务层:微服务。
好文章,需要你的鼓励
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。
南洋理工大学与腾讯联合研究团队开发出Rolling Forcing技术,实现AI视频实时流式生成的重大突破。该技术通过滚动窗口联合去噪、注意力锚点机制和高效训练算法三项创新,解决了长视频生成中的错误累积问题,可在单GPU上以16fps速度生成多分钟高质量视频,延迟仅0.76秒,质量漂移指标从传统方法的1.66降至0.01,为交互式媒体和内容创作开辟新可能。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。