摘要:連接性,傳輸?shù)臄?shù)據(jù),安全,延遲與性能,客戶端與服務(wù)器間的狀態(tài)同步成為管理系統(tǒng)時(shí)需要考慮的問題。每次進(jìn)化都需要我們打造與管理所需的技術(shù)需要的技術(shù),系統(tǒng),技能變化。
By James TurnbullInes Sombra March 20, 2018
https://www.oreilly.com/ideas...
在過去的幾周,我們一直在反饋從我們第一次站在職場時(shí)就在變化的工業(yè)技術(shù)。我們在尋找在兩個(gè)不同的但是重疊領(lǐng)域的變化:技術(shù)的變化與方法學(xué)的變化。我們大部分人第一次接觸的系統(tǒng)是第一代的CS應(yīng)用。它與它的上一代系統(tǒng)有很大不同:其通過控制臺(tái)連接到一個(gè)運(yùn)行在大型機(jī)或中型機(jī)的中心化應(yīng)用。工程師像增強(qiáng)服務(wù)器一樣學(xué)習(xí)它的客戶端邏輯。連接性,傳輸?shù)臄?shù)據(jù),安全,延遲與性能,客戶端與服務(wù)器間的狀態(tài)同步成為管理系統(tǒng)時(shí)需要考慮的問題。
復(fù)雜性的提高需要其對應(yīng)的管理這些系統(tǒng)的方法與技能的提高。新類型的系統(tǒng)意味著新技能,理解新工具,框架,與編程語言。我們可以發(fā)現(xiàn)現(xiàn)在很多以前集中在一個(gè)角色的技能開始分散:前端工程師,后端工程師,數(shù)據(jù)科學(xué)家,設(shè)計(jì)師,UX/UI專家,還有其他專家。我們可以發(fā)現(xiàn)這個(gè)階段建立了很多孤島功能并且在轉(zhuǎn)換這些孤島間的復(fù)雜性。DevOps與SRE社區(qū)在試圖消滅以上的孤島。
從第一代CS系統(tǒng),我們可以看到很大的變化。大部分是由于技術(shù)對于做生意至關(guān)重要-對所有行業(yè)的任何生意都是這樣。這與客戶要求快速在不同地理區(qū)域的設(shè)備上部署結(jié)合。舉個(gè)例子,從街角錄像帶店租賃錄像進(jìn)化為在Netflix與Hulu上的流媒體。我們期望分發(fā)內(nèi)容的延遲從小時(shí)或分鐘降低到秒。我們期望內(nèi)容分發(fā)可以24 7 365 天在我們所有地區(qū)的設(shè)備上:從我們的家和辦公室到移動(dòng)中。我們作為客戶,不需要關(guān)心基礎(chǔ)設(shè)施或系統(tǒng)達(dá)到此目的的復(fù)雜性:我們只想看新賽季的比賽。
每次進(jìn)化都需要我們打造與管理所需的技術(shù)需要的技術(shù),系統(tǒng),技能變化。在大多數(shù)時(shí)候,這些變化引入了更多的復(fù)雜性:我們曾經(jīng)管理CS系統(tǒng)需要的技能與知識(shí)與現(xiàn)代分布式系統(tǒng)需要的彈性,低延遲,高可用的需求有很大不同。所以,我們需要知道哪些我們之前不知道的呢?
重定義最小可用產(chǎn)品作為從業(yè)者,我們要做得更好。由于可用性與彈性已經(jīng)是主要考慮的問題,應(yīng)用程序的最小可用產(chǎn)品需要被重定義。好的設(shè)計(jì)目標(biāo)現(xiàn)在需要把包括基本的對于運(yùn)維性,安全,性能與可觀察性的架構(gòu)目標(biāo)。每個(gè)工程師,從在React組件上工作的前端工程師到在構(gòu)建一個(gè)分布式數(shù)據(jù)集的后端工程師,需要考慮他們系統(tǒng)的小部分是如何影響整個(gè)系統(tǒng)的。
用戶對性能的需要已經(jīng)對計(jì)算模型與狀態(tài)管理策略產(chǎn)生了新的限制。計(jì)算模型開始轉(zhuǎn)向Serverless與邊緣計(jì)算架構(gòu),期望能降低用戶延遲。這是我們學(xué)到的新一課:計(jì)算節(jié)點(diǎn)越靠近用戶越有效率。
對于狀態(tài)管理也是這樣。應(yīng)用正在從最開始的分布式狀態(tài),共享存儲(chǔ),甚至數(shù)據(jù)遷移從中心存儲(chǔ)向邊緣或云計(jì)算升級。接近最終用戶可以保證更快速的決策,但大大增加我們應(yīng)用的復(fù)雜性。
每一處約束都代表工程師需要理解他們自己維護(hù)的部分與其他部分的變化可能對宏觀系統(tǒng)造成的影響。當(dāng)這些內(nèi)容由于復(fù)雜性或缺乏對系統(tǒng)的深刻理解不能在心里建模掌握時(shí),就需要用程序的方式來建模,如觀察,插樁,追蹤,測試。
我們現(xiàn)在已經(jīng)不能使用簡單的方式來監(jiān)測故障或使用簡單的方式來調(diào)試故障。復(fù)雜架構(gòu)與分布式的應(yīng)用,看起來很適合用探針,但可能對終端用戶無法實(shí)現(xiàn)良好的性能。就算在觀測事件與指標(biāo),由于不同系統(tǒng)間的相關(guān)性與平衡性,而且計(jì)算延遲在分布式系統(tǒng)中也不夠精確,我們很難用傳統(tǒng)方式獲得一張全圖。
應(yīng)用的instrumentation在開發(fā)過程中已經(jīng)是一個(gè)必選項(xiàng)而不是一種事后行為了。每個(gè)工程師都需要考慮如何清楚的表示他們系統(tǒng)的狀態(tài),性能與可觀測性。這需要工程師學(xué)習(xí)與適應(yīng)新技術(shù)來交付這些新的能力。
進(jìn)化的技術(shù)生態(tài)新的框架,架構(gòu),過程,一個(gè)成長的工具生態(tài)幫我們完成這些挑戰(zhàn)。他們有些還處于孵化階段,但會(huì)快速變成熟。我們已經(jīng)看到了這種變革:只花了四年容器已經(jīng)成為了主流技術(shù),并且我們正在致力于使用類似kubernetes工具來支持復(fù)雜應(yīng)用級別的抽象。部署上也有類似的變更正在發(fā)生,serverless,邊緣計(jì)算技術(shù),安全,性能與系統(tǒng)可觀測性。
最后,沒有變化能存在在人與組織之外。我們需要開發(fā)必須的領(lǐng)導(dǎo)技能去構(gòu)建跨功能團(tuán)隊(duì),并保證夠構(gòu)建這些系統(tǒng)所需的快速迭代。我們需要繼續(xù)投入在DevOps與SRE社區(qū)來打破估到,無縫改造團(tuán)隊(duì)并提高開發(fā)效率。圍繞快速交付高質(zhì)量,安全與高性能應(yīng)用的團(tuán)隊(duì)組織可以創(chuàng)造高創(chuàng)新性的產(chǎn)品與組織。
對于剛開始或正在路上的組織和行業(yè)從業(yè)者, O"Reilly"s Velocity會(huì)議有一系列計(jì)劃來幫助公司處理這些現(xiàn)代復(fù)雜性。來自于Google,Netflix,Microsoft,Amazon,Twitter,Nordstorm,Slack,F(xiàn)astly的開發(fā)者與工程師會(huì)來分享他們的在構(gòu)建,伸縮,加固分布式系統(tǒng)的成功與失敗的經(jīng)驗(yàn)。你會(huì)有機(jī)會(huì)學(xué)習(xí),社交,歡笑,并與觀眾和行業(yè)領(lǐng)袖進(jìn)行分享。
本文來自微信公眾號「麥芽面包,id「darkjune_think」
轉(zhuǎn)載請注明。微信掃一掃關(guān)注公眾號。
交流Email: zhukunrong@yeah.net
文章版權(quán)歸作者所有,未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址:http://m.specialneedsforspecialkids.com/yun/69432.html
摘要:摘要本文主要講了神經(jīng)進(jìn)化是深度學(xué)習(xí)的未來,以及如何用進(jìn)化計(jì)算方法優(yōu)化深度學(xué)習(xí)。揭示了神經(jīng)進(jìn)化的突破性研究深度學(xué)習(xí)的大部分取決于網(wǎng)絡(luò)的規(guī)模和復(fù)雜性。在這三個(gè)例子中,使用神經(jīng)進(jìn)化成功地超越了最先進(jìn)的基準(zhǔn)。 摘要: 本文主要講了神經(jīng)進(jìn)化是深度學(xué)習(xí)的未來,以及如何用進(jìn)化計(jì)算方法(EC)優(yōu)化深度學(xué)習(xí)(DL)。 過去幾年時(shí)間里,我們有一個(gè)完整的團(tuán)隊(duì)致力于人工智能研究和實(shí)驗(yàn)。該團(tuán)隊(duì)專注于開發(fā)新的進(jìn)化...
摘要:通過在中結(jié)合進(jìn)化算法執(zhí)行架構(gòu)搜索,谷歌開發(fā)出了當(dāng)前較佳的圖像分類模型。本文是谷歌對該神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索算法的技術(shù)解讀,其中涉及兩篇論文,分別是和。此外,谷歌還使用其新型芯片來擴(kuò)大計(jì)算規(guī)模。 通過在 AutoML 中結(jié)合進(jìn)化算法執(zhí)行架構(gòu)搜索,谷歌開發(fā)出了當(dāng)前較佳的圖像分類模型 AmoebaNet。本文是谷歌對該神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索算法的技術(shù)解讀,其中涉及兩篇論文,分別是《Large-Scale Ev...
摘要:友盟朋新宇在開場演講中,友盟朋新宇表示,在數(shù)據(jù)化智能化的今天,進(jìn)化是一種態(tài)度,更是一種選擇。在朋新宇看來,數(shù)據(jù)加工有三大過程過程第一層是采集,友盟技術(shù)平臺(tái)每天能夠支撐萬億級的采集能力。 10月16日,友盟+主辦的2018UBDC全域大數(shù)據(jù)峰會(huì)在北京舉辦。峰會(huì)以DI·進(jìn)化為主題——8小時(shí),10余家黑科技企業(yè),超40位國內(nèi)頂級專家主題分享,近3500位數(shù)據(jù)從業(yè)者共同見證,旨在讓更多企業(yè)會(huì)用...
閱讀 2658·2021-11-25 09:43
閱讀 678·2021-11-12 10:36
閱讀 4636·2021-11-08 13:18
閱讀 2184·2021-09-06 15:00
閱讀 3121·2019-08-30 15:56
閱讀 936·2019-08-30 13:57
閱讀 1994·2019-08-30 13:48
閱讀 1422·2019-08-30 11:13