本文是我在 2021 GIAC 上的一次分享. 《Hints for Microservice design》的精简过后的讲稿. 本次分享的内容主要是关于业务架构的讨论，业务架构不像技术架构一样有明确的好坏衡量标准，例如评价数据库的技术架构好不好，就可以在限定的资源限制下去 benchmark 进行评判，但是业务架构不能 benchmark.

回想起来我折腾博客和各类网站已将近 10 年光阴，在维护 0xFFFF 的几年来，也尝试过各类不同的建站方案. 当前用到的各类服务，综合速度和成本而言，感觉可能的选择方向差不多已经成型，可以做一个总结. 若你也想低成本搭建属于自己的网站，且想拥有不俗的访问速度，这里的方案也许可以是你的一个参考.

一般早期架构是 一体化架构（Monolithic Architecture），简单来说就是所有的业务都在一个后台服务来承载. 例如，一个Java web应用运行在Tomcat之类web容器上，仅包含单个WAR文件；一个Rails应用使用Phusion Passenger部署在Apache/Nginx上，或者使用JRuby部署在Tomcat上，它们都仅包含单个目录结构.

在上一篇 k8s-服务网格实战-入门Istio中分享了如何安装部署 Istio，同时可以利用 Istio 实现 gRPC 的负载均衡. 今天我们更进一步，深入了解使用 Istio 的功能. 从 Istio 的流量模型中可以看出：Istio 支持管理集群的出入口请求（gateway），同时也支持管理集群内的 mesh 流量，也就是集群内服务之间的请求.

量子位 | 公众号 QbitAI. 中国何时会有一个大模型，能以极强的泛化能力，创建各种智能体、成为人类真正的助手. 在各大科技公司卷了半年的生成式AI热潮趋于冷静期的当下，这是一个极其值得思考的问题. 很多人会说，目前可能只有被称为业界标杆的GPT-4才能胜任，甚至对它加以“唯一”这样的头衔. 而与此同时，着眼于国内，即使这半年来各个大模型玩家争先恐后抢着落地，但“需要两到三年才能追赶GPT-4”的声音也是甚上尘嚣.

作者：David Hadas (IBM Research Labs). 译者：Wilson Wu (DaoCloud). 本文对 DevOps 产生的错误安全意识做出提醒. 开发和配置微服务时遵循安全最佳实践并不能让微服务不易被攻击. 本文说明，即使所有已部署的微服务都容易被攻击，但仍然可以采取很多措施来确保微服务不被利用.

​由于其可扩展性、灵活性和敏捷性，微服务架构已经变得越来越受欢迎. 然而，随着这种架构的分布和复杂性增加，确保强大的安全措施变得至关重要. 微服务的安全性超越了传统的方法，需要采用全面的策略来保护免受不断演变的威胁和漏洞的影响. 通过理解核心原则并采取有效的安全措施，组织可以加强其微服务架构，并保护敏感数据和资源.

做开发的同学都知道日志的重要性，日志的种类一般有接口日志、错误日志、关键步骤日志、用户操作日志等. 本文主要详细讲解使用kubernetes容器化部署的服务该如何记录和收集日志. 将想要记录的日志内容输出到stdout或stderr即可（DockerEngine本身具有LogDriver 功能，可通过配置不同的LogDriver将容器的stdout通过DockerEngine写入到日志系统），由DockerEngine将日志写入到日志系统.

​微服务架构项目落地过程中，开发人员一般都遇到过调用超时问题，大部分时候会出现在feign接口调用上，这是微服务与单体服务最大的区别，单体从来不用考虑服务之间调用因为网络、序列化等因素导致的额外时间损耗问题. 很多开发人员在微服务开发中通常会随手设置一个较长超时，原则就是别在feign接口调用超时，这个随手的超时时间可能是5分钟、10分钟，甚至1个小时不等，看似解决超时导致的问题，实际如果没有从整体微服务架构来考虑超时背后的因素，这样会导致给整个链路调用埋下隐患，可能会随机或者在高并发等情况下爆发.

为了在提供上述能力的前提下经受住流量、存储、容灾三大压力，点赞目前的系统实现方式如下：. 整个点赞服务的系统可以分为五个部分. 流量路由层（决定流量应该去往哪个机房）. 业务网关层（统一鉴权、反黑灰产等统一流量筛选）. 点赞服务（thumbup-service）,提供统一的RPC接口. 点赞异步任务（thumbup-job）.

不知道你有没有这样的经历，线上的系统突然来了很大的流量，有可能是黑客的攻击，也有可能是业务量远远大于你的预估，如果你的系统没有做任何的防护措施，这时候系统负载过高，系统资源慢慢耗尽，接口响应越来越慢，直至不可用，这又导致了调用你接口的上游系统发生资源耗尽的情况，最终导致系统雪崩. 想想就知道，这是一个灾难性的后果，那么有什么方法呢.

在微服务架构中，需要调用很多服务才能完成一项功能. 服务之间如何互相调用就变成微服务架构中的一个关键问题. 服务调用有两种方式，一种是RPC方式，另一种是事件驱动（Event-driven）方式，也就是发消息方式. 消息方式是松耦合方式，比紧耦合的RPC方式要优越，但RPC方式如果用在适合的场景也有它的一席之地.

在后端开发过程中，我们绕不开的就是数据结构设计以及关联的问题. 然而在传统的单体架构的开发中，解决数据关联的问题并不难，通过关系型数据库中的关联查询功能，以及MyBatis的级联功能即可实现. 但是在分布式微服务中， 整个系统都被拆分成了一个个单独的模块，每个模块也都是使用的单独的数据库. 这种情况下，又如何解决不同模块之间数据关联问题呢.

作为一个后端研发人员，开发服务接口是我正常不过的工作了，这些接口不管是面向前端HTTP或者是供其他服务RPC远程调用的，都绕不开一个共同的话题就是“高可用”，接口开发往往看似简单，但保证高可用这块实现起来却不并没有想想的那么容易，接下来我们就看一下，一个高可用的接口是该考虑哪些内容，同时文中有不足的欢迎批评指正.

联合作者：罗泽轩，API7.ai 技术专家、Apache APISIX PMC 成员. 联合作者：赵士瑞，API7.ai 技术工程师，Apache APISIX Committer. 身份认证是授予用户访问系统并授予使用系统的必要权限的过程. 而提供了这一功能的服务，就是身份认证服务. 在传统的单体软件应用程序中，所有这些都发生在同一个应用程序中.

服务端性能优化--最大QPS推算及验证. 影响QPS（即吞吐量）的因素有哪些. 每个开发都有自己看法，一直以为众说纷纭，例如：. QPS主要受编程模型的影响，比如不是coroutine、是不是NIO、有没有阻塞. QPS主要由业务逻辑决定，业务逻辑越复杂，QPS越低. QPS受数据结构和算法的影响.

本文正在参加 「金石计划. hello，大家好，我是张张，「架构精进之路」公号作者. 在日常工作中的一些技术设计方案评审会上，经常会有人提到注意服务接口的幂等性问题，最近就有个组内同学就跑到跟前问我，幂等性到底是个啥. 在目前分布式/微服务化的今天，提供的服务能力丰富多样，基于 HTTP 协议的 Web API 是时下最为流行的一种分布式服务提供方式，对于服务的幂等性保障尤为重要.

我们来自字节跳动飞书商业应用研发部(Lark Business Applications)，目前我们在北京、深圳、上海、武汉、杭州、成都、广州、三亚都设立了办公区域. 我们关注的产品领域主要在企业经验管理软件上，包括飞书 OKR、飞书绩效、飞书招聘、飞书人事等 HCM 领域系统，也包括飞书审批、OA、法务、财务、采购、差旅与报销等系统.

本文将以 Kubernetes Ingress、Istio 和 Envoy Gateway 为例，向你介绍 Kubernetes 中的入口网关和 Gateway API，同时介绍 Gateway API 使得 Kubernetes 和服务网格入口网关融合的新趋势. Ingress 作为 Kubernetes 的初代入口网关，它的资源模型过于简单以致于无法适应当今的可编程网络；.

　　知识库是企业经营过程中的面向客户和内部员工的知识沉淀文档库，里面包含各类教程、问答、案例等，知识库的检索匹配是自然语言处理(NLP)中一个重要的基础问题，本质是进行文本语义的相似度计算，也就是语义匹配，我们很多领域的任务都可以抽象为文本匹配检索任务，例如检索引擎、智能客服、知识检索、信息推荐等领域.

在 Kubernetes 中运行无服务器函数时，实现更快的启动速度和更小的内存占用. 由于运行上千个应用程序容器荚Pod所耗费的资源多，令它实现较少工作节点和资源占用所需成本也较高，所以在使用  Kubernetes 时，快速启动和较少的内存占用是至关重要的. 在 Kubernetes 平台运行容器化微服务时，内存占用是比吞吐量更重要的考量因素，这是因为：.

在微服务架构中，需要调用很多服务才能完成一项功能. 服务之间如何互相调用就变成微服务架构中的一个关键问题. 服务调用有两种方式，一种是RPC方式，另一种是事件驱动（Event-driven）方式，也就是发消息方式. 消息方式是松耦合方式，比紧耦合的RPC方式要优越，但RPC方式如果用在适合的场景也有它的一席之地..

大家好，我是Laffery，本文同步发表在我的个人博客「 Kuqiochi | 谈谈服务端渲染「SSR」」. SSR（服务端渲染，Server Side Render），顾名思义就是在服务端渲染出页面. 与之相对应的是CSR（客户端渲染，Client Side Render），即在浏览器上渲染完整的页面.

Update: 在排查 Cloudflare 缓存命中率低的问题时，发现没有一台 Server 实在是不方便. 比如想看下哪些请求透过了 CF，直接到了源站，如果内容 deploy 在 Vercel 上，就看不到这些请求日志. 所以虽然 Vercel 很方便，用起来也很舒服，但一些能力上的缺失在某些场景下还是挺难受的，因此还是转向了 VPS（Vultr） + Cloudflare 的传统配搭.

当业务依赖软件质量和速度来生存时，这种平衡就更难维持了. 许多公司都面临着持续快速交付高质量软件的挑战，这些软件通过 质量工程限制生命周期. Airbnb 在加速和扩展其价值主张的过程中面临着众多挑战，尤其是其信息系统的发展过程. 本文分享了 Airbnb 在质量工程方面的架构迭代之旅，并附有实用要点.

最近 eBPF 技术在云原生社区中持续火热，在我翻译了《 什么是 eBPF 》之后，当阅读“云原生环境中的 eBPF”之后就一直在思考 eBPF 在云原生环境中究竟处于什么地位，发挥什么样的作用. 当时我评论说“eBPF 开启了上帝视角，可以看到主机上所有的活动，而 sidecar 只能观测到 pod 内的活动，只要搞好进程隔离，基于 eBPF 的 proxy per-node 才是最佳选择”，再看到 William Morgan 的 这篇文章.

ebpf是一种创新的革命性技术，它能在内核中运行沙箱程序， 而无需修改内核源码或者加载内核模块. 将 Linux 内核变成可编程之后，就能基于现有的（而非增加新的）抽象层来打造更加智能、 功能更加丰富的基础设施软件，而不会增加系统的复杂度，也不会牺牲执行效率和安全性. BPF的第一个版本在1994年问世.

之前在写 面试常客：HTTP 缓存时，曾经就强缓存和协商缓存写过两个demo，但缓存要在服务端做，只能贴上代码，不能在网页上感受（虽然我贴了gif）. 笔者的所有 demo 例子都放在 github page 上，其特点是不需要服务器即可部署静态资源，但它不具备部署服务端应用能力. 最近笔者在了解 CI/CD 方面的知识点，想起了 Vercel，就想着能否将服务端应用架在 vercel 上呢.

vivo短视频在视频推荐时需要对用户已经看过的视频进行过滤去重，避免给用户重复推荐同一个视频影响体验. 在一次推荐请求处理流程中，会基于用户兴趣进行视频召回，大约召回2000~10000条不等的视频，然后进行视频去重，过滤用户已经看过的视频，仅保留用户未观看过的视频进行排序，选取得分高的视频下发给用户.

【编者按】本系列讲述了 lyft 是如何从本地开发、联调测试以及线上发布等多个环节提升微服务的研发效能，本文是该系列的第一篇. 2018 年底，Lyft 工程团队完成了将原来基于 PHP 的单体架构拆分成一组由 Python 和 Go 组成的微服务. 几年下来，微服务架构在允许团队之间相互独立地进行运维和交付服务方面取得了很大的成功.