为什么使用微服务〜价值在于帮助云计算，人工智能，大数据，数字双胞胎登陆

在过去的20年中，作为一名IT从业人员云计算 微服务，应用程序开发已从最简单的封闭式单一体系结构演变为当前的微服务体系结构. 体系结构变得越来越复杂. 最重要的是从企业客户的角度进行思考. 企业确实需要使用云. 云服务必须使用微服务架构吗？

首先，什么是微服务架构？

微服务是指将大型和复杂的软件应用程序拆分为多个简单的应用程序. 每个简单的应用程序描述一个小型企业，并且系统中的每个简单的应用程序都可以独立部署. 各种微服务之间是松散耦合的，每个服务都可以独立升级，部署，扩展和重新启动，以实现频繁更新而不会影响最终用户.

二，微服务架构会带来多少麻烦？

一般而言，微服务的倡导者经常强调微服务架构的使用将带来以下好处:

与传统的单片架构相比，微服务架构具有降低系统复杂性，独立部署，独立扩展和跨语言编程的特点. 目前，在微服务技术架构的实践中，主要有两种实现形式: 侵入式架构和非侵入式架构. 侵入式架构是指嵌入在程序代码中的服务框架，用于实现类的继承，其中Spring Cloud是最常见的. 非侵入式体系结构以代理的形式与应用程序一起部署，接管应用程序定义的网络，并且对它是透明的，由服务网格表示.

具体来说:

1. 明确的应用程序定位和易于维护

例如，对于一个平台，我们曾经将其部署在服务器上，并且所有代码都打包为war软件包. 现在云计算 微服务，我们可以将其细分为: 用户服务，仓储服务，采购服务，信息服务，地图服务等. 每个微服务仅关注特定的业务功能，因此开发和维护单个服务相对简单. 由于其边界足够清晰，业务也同样足够清晰，支付服务只做支付的事情，与以前的大型而完整的单一服务相比，每个微服务的代码量相对较小.

2. 加快集成和部署速度，使不间断的灰度发布成为可能.

随着单一服务的代码量（例如数百万行代码）的增加，仅一次编译一个应用程序可能会花费很长时间，但是现在，如果某个地方存在问题（例如付款），模块问题仅需要单独修改付款模块. 修改支付模块后，请分别测试支付功能并分别部署支付模块，而不会影响整体部署速度.

3. 支持敏捷发展，提高企业应对市场变化的能力

根据市场，我们可以快速灵活地发布并快速启动和部署新功能. 像我们的流行病一样，我们可以快速迭代客户需求，快速影响市场，并提高公司对市场变化的响应能力. 这是我们推进微服务架构的时候. 一个经常告诉公司的理由.

4. 良好的可扩展性

随着业务的发展，用户数量越来越多，或者订单量猛增. 目前，我们可以专门优化此订单服务，并为此订单服务提供更高级别的机器，而其他人则没有. 对于遇到瓶颈的企业（例如SMS服务），我们暂时无法执行任何操作.

同时，架构的灵活性和开发的敏捷性给运营和维护带来了挑战. 作为微服务开发和运营治理的必要支持，微服务框架有助于实现微服务注册，发现和治理的功能. 作为一个从整体应用程序开发出来的人，我觉得使用微服务架构实际上会带来很多麻烦. 过去只需要把一个战争包放到tomcat下，但是现在，我们可能需要部署几个甚至几十个微服务，在这种情况下，如何确保正常的操作以及沟通与合作在数十种甚至数百种微服务中，这给操作和维护带来了巨大挑战；

主要从用户的角度来看，什么样的紧迫性使用户不得不将其现有的应用程序转换为微服务模型，并随后购买大量的服务管理和Devops软件，从而面临后续操作和维护的快速增长，从业者学习曲线困难，问题定位非常困难等等.

根据中国信息技术研究院发布的《 2019年云原生技术发展白皮书》的报告，包括微服务在内的云原生技术仍主要用于系统，尚未进入企业核心系统.

三，微服务架构的真正价值？

但是微服务架构的价值仅在于提高敏捷性. 互联网敏捷并迅速面对现实是否合适？实际上，我认为它的核心价值应该体现在其分布式开发体系结构中. 尽管很麻烦，但这是应用程序服务支持数据中心的拆分，以确保将不同的业务应用程序及其数据部署在不同的硬件上. 并在网络上，从而真正发挥云计算的计算能力. 而且这种计算能力支持需要计算能力支持的各种应用场景，包括:

1. AI领域的深度学习: 微服务架构正在加速AI生态系统中功能的解耦. AI模型中不同粒度的功能，例如分类，聚类，识别，预测，自然语言处理，卷积和再现，都被转换为微服务. 深度学习领域要解决的三个核心问题是性能，效率和成本. 使用云原生技术形成以容器服务为核心，云原生技术为基础架构的深度学习解决方案，无缝集成云计算，存储，负载平衡和其他服务，同时贯穿深度学习的整个生命周期. 深度学习本质上是一门实验科学，它需要使用不同的算法和库进行连续的组合和实验. 深度学习软件的版本迭代非常快，并且新算法不断出现. TensorFlow，PyTorch等深度学习框架和各种新算法. 公共云平台如何帮助用户快速构建和投资于实验研究是用户的主要关注点. 深度学习需要大量的计算能力，但GPU资源昂贵，共享资源的更具成本效益的方式是普遍场景的瓶颈. 对于深度学习测试周期，它可以分为四个部分: 数据准备，模型开发，模型训练阶段和模型推断. 每个阶段都有不同的任务，用户可以轻松地使用深度学习平台灵活地处理已分阶段的任务. 借助云原生技术，可以在很大程度上解决上述问题.

2. 云数集成: 微服务服务提供的概念可以实现大数据服务的提供. 云化趋势降低了技术使用的门槛，大数据基础架构向云的迁移是一个重要趋势. 所有主要的云供应商都已开始提供各种类型的大数据产品和服务来满足用户需求，并已构建了自己的云数据产品. 例如，亚马逊网络服务（AWS）和谷歌云平台（GCP）长期以来一直提供托管的MapReduce或Spark服务，以及国内的阿里巴巴云的MaxCompute和腾讯云的灵活MapReduce. 可扩展的服务也已经可用，例如Google Big Query，AWS Redshift，阿里云的PolarDB，腾讯云的Sparkling等云，为PB级数据集提供分布式服务. 大多数早期的云化产品都是现有大数据产品的云化转换. 现在，越来越多的大数据产品从设计之初就遵循云原生的概念，以基于微服务架构进行开发. 生于云中的时间长于云，更适合云中的生态. 向云解决方案演进的最大优势在于，用户不再需要担心如何维护底层硬件和网络. 他们可以将更多的精力放在数据和业务逻辑上，从而大大降低了大数据技术的学习成本和使用门槛.

3. 帮助企业实现数字化转型. 微服务的分布式体系结构可以为新的数字转换技术（例如大数据和AI）提供支持. 实现企业数字化转型的深入应用. 例如，通过用户配置文件分析，大量用户消费行为的分析以及用户消费习惯模型的完善，这些将使企业能够了解客户需求，进行有针对性的营销，然后实现深入的数字化转型.

4. 为了应对Internet的高并发性和不可预测的携带需求. 随着网络连接的不断发展，互联网形式的业务变得越来越丰富. 与过去的传统业务相比，网络链接业务具有更强大的Internet业务形式. 在紧急购买，高峰和网络推广等场景中，需要一个IT机架. 该结构可以更好地支持高并发和高弹性的业务需求.

5. 数字孪生城市将在物联网市场中爆发. 高端采集设备. 近年来，随着倾斜摄影和无人机技术的成熟，实时，准确地获取本地正射，倾斜或激光雷达点云数据已大大减少了野外测绘工作量.

拥有大量应用程序或希望进一步构建相关应用程序的企业应尝试寻找更多合作伙伴，以获得相关资源.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-181996-1.html