AKF扩展立方体和AKF可用性立方体

简介: 很多人知道AKF扩展立方体是从《架构即未来》这本书开始。实际上akfpartners官方写过4篇关于AKF扩展立方体的文章,还有一篇介绍AKF可用性立方体。akfpartners官方在高可用、扩展性方面有很多专业技术文章,建议有空就翻翻看。

很多人知道AKF扩展立方体是从《架构即未来》这本书开始。实际上akfpartners官方写过4篇关于AKF扩展立方体的文章,还有一篇介绍AKF可用性立方体。akfpartners官方在高可用、扩展性方面有很多专业技术文章,建议有空就翻翻看。

AKF扩展立方体和AKF可用性立方体都介绍了X轴、Y轴和Z轴。X轴核心是复制,Y轴核心是按业务拆分;Z轴核心是按算法拆分。AKF扩展立方体解决的问题是提供无限扩展性的解决方案;AKF可用性立方体解决的问题是提供无限高可用的解决方案。

AKF扩展立方体

X轴扩展是通过克隆和复制的方法来扩展。对应用来说,复制服务、负载均衡、浏览器存储session、对象缓存都是X轴扩展的例子;对数据库来说,数据库主从读写分离是典型的例子。

Y轴扩展是按业务来拆分,微服务就是一种Y轴扩展方式,DDD为扩展提供方式方法。扩展的大敌是瓶颈。所以微服务系统都要求将不同服务的数据库分开,来增强扩展性。

Z轴扩展是按算法规则扩展。对应用来说,单元化架构就是一种Z轴扩展方式;对数据库来说,分库分表就是一种Z轴扩展方式。

官方对三轴拆分的本质描述有一张图,清楚明白:

AKF可用性立方体

AKF可用性立方体

X轴扩展可以大幅提高可用性。假如一个服务本身的可用性是4个9,根据 (总时间-不可用时间)/总时间 的可用性公式,可用性可被提高到下面这么多9:

Y轴扩展对可用性是起副作用的。因为业务拆分之后,模块之间的跨系统交互会增加,增加通信失败的风险。服务、数据扇出和服务、数据熔断是典型的反模式。服务扇出是说一个服务是个中心节点,和很多服务有调用关系;数据扇出是要得到数据需要从多处获取数据,也是一个中心。这样,一旦这个服务发生故障,和其有调用关系的都受到影响,被熔断。这些可以通过额外的处理:限流、降级等进行规避。

Z轴扩展可减小故障辐射半径,提高可用性。这种可用性手段又被称为舱壁模式或者泳道。被称为永不沉没的泰坦尼克,之所以叫永不沉没就是使用了舱壁,使用了16个舱壁,就算4个进水都不会有问题。设计上没有问题,据说是使用外包做了豆腐渣工程,导致了悲剧。

相关文章
|
1月前
|
人工智能 中间件 API
LangChain+Llama.cpp 本地模型与Agent工具调用
本文介绍如何用LangChain对接本地llama.cpp服务:通过`llama-server`启动Qwen量化模型,配置OpenAI兼容接口;安装LangChain生态包;实现基础对话与自定义工具Agent(如查天气、时间),全程离线运行,零依赖云端API,适合私有化AI原型开发。(239字)
271 3
|
1月前
|
缓存 负载均衡 Cloud Native
API 网关调度与路由机制:负载均衡、故障切换、多模型路由底层实现
本文深度剖析MaaS网关路由调度机制,对比静态路由、负载均衡、多源故障切换、三级资源路由及KV缓存等5类方案,覆盖15家平台实践。分析各梯队(云厂商/第三方/聚合/轻量)实现差异、适用场景与SLA约束,揭示可用性、一致性与成本间的本质权衡。(239字)
195 0
|
1月前
|
机器学习/深度学习 数据采集 人工智能
千问大模型完整RLHF全参数微调指南
本文详解Qwen3.5-0.8B-Base全参数微调全流程,覆盖SFT监督微调、RM奖励建模、PPO强化学习与DPO直接偏好优化四大环节,提供可运行脚本与医疗领域实践案例,助力开发者低成本完成小模型垂直定制。(239字)
321 1
|
1月前
|
SQL 测试技术 数据库连接
我用ChatGPT把回归测试从3天压到3小时,提示词全公开
本文分享如何用ChatGPT优化电商后台回归测试:通过提示词引导,实现用例梳理、自动化脚本生成与日志分析三步提效,将3天人工测试压缩至3小时。强调其辅助定位而非替代人力,聚焦释放工程师精力于高价值工作。
|
1月前
|
人工智能 自然语言处理 API
觉得阿里云大模型价格太高怎么办?四种便宜购买与使用方法分享
本文针对阿里云大模型“能力强但调用成本高”的普遍痛点,梳理了一套可落地的全链路省钱方案。从开通百炼领取超7000万Tokens新人免费额度起步,叠加夜间错峰4折起的Night Plan活动,再搭配Token Plan订阅与AI通用型节省计划,四层优惠叠加后,实际调用成本可降至普通按量付费的三到五成,帮助个人开发者与团队大幅降低大模型落地的综合开支。
726 18
|
1月前
|
机器学习/深度学习 前端开发
发动机故障诊断智能体(三):特征可分性优化与加权对比投影层
在基础时序编码网络完成对正常工况的压缩表征后,尽管模型具备了提取稳态规律的能力,但在面对多种不同类型的微量气路故障时,潜在空间中的特征分布仍可能存在相互交叠的现象。该组件致力于通过引入度量对比学习机制,在特定的低维投影空间内重塑特征拓扑结构,系统性优化不同故障模式之间的几何可分性。
|
11天前
|
人工智能 API 开发工具
把 API 包成 MCP server:怎么做、值不值、坑在哪
本文讲API服务商最实际的问题:手上的API要不要包一层MCP?给出三个判断标准,三条实现路线(官方SDK手写/FastMCP从OpenAPI生成/云厂商工具集),以及上线前必须处理的5个细节——工具描述、参数校验、入站鉴权、字段投影、可观测。附首版验收4条标准与投入产出账。
209 2
|
1月前
|
机器学习/深度学习 算法 前端开发
发动机故障诊断智能体(二):基础时序压缩与长短期记忆编码网络
在智能体完成气路多航段时序数据的采集与规整后,高维度的原始时序信号需要经过深度表征与降维处理,以消除高频测量噪声并提炼本质物理趋势。采用长短期记忆自编码器架构,在脱离人工标签监督的情况下,利用海量正常运行数据进行自监督重构训练,构建出能够压缩并表征发动机稳态工况与退化趋势的时序特征提取模型。