Skip to main content
Advanced Search
Search Terms
Content Type

Exact Matches
Tag Searches
Date Options
Updated after
Updated before
Created after
Created before

Search Results

123 total results found

微服务优缺点

spring cloud

分工协作 单体:影响开发效率、发布及迭代性差,项目启动慢,每一个开发者都要对整个项目有个总体的把握 拆分:开发效率高,每个开发者专注自己负责的模块,提升了敏捷性, 并发能力 单体:整体集群,易造成系统资源浪费;无法准确的预测最大并发量,无法准确的预知服务器扩容数量 拆分:服务集群,充分利用服务器资源,可以只针对多个或单个服务扩容,容易定位问题或服务并发数量,从而实现更加准确的扩容 业务 单体:随着业务的增加,应用慢慢膨胀,难以维护 差分:根据功能垂直差分,责任更加分明,维护更加精...

SOA、分布式、微服务有什么关系

spring cloud

分布式架构是指将单体架构的各个部分拆分,然后部署不同的机器或进程中去,soa和微服务基本上都是微服务架构 SOA是一个面向服务的架构,系统所有服务都注册在总线上,当调用服务时,从总线上查找信息,然后调用 微服务时一种更彻底的面向服务的架构,将系统中各个功能抽象成一个个小的应用程序,基本保持一个应用对应一个服务架构

怎么进行服务拆分

spring cloud

高内聚】低耦合,职责单一,服务粒度适中 以业务模型切入:比如 商品、用户、订单等等 演进式拆分:刚开始不要拆分的太细、可以逐步迭代拆分 微服务1.0 仅使用服务注册发现 微服务2.0 服务注册发现,熔断、降级 微服务3.0 将服务治理作为通用组件

常用的微服务组件

spring cloud

注册中心(nacos 核心原理)

spring cloud

服务注册: 服务启动时,通过rest请求的方式向Nacos Server注册自己的服务 服务心跳:Nacos Client 会维护一个定时心跳通知Nacos Server 默认5s一次,如果超过15s没有收到心跳,会将服务设置为false(拉取服务列表时会把此服务忽略),如果nacos 服务端超过30s 没有收到心跳,则剔除服务。 服务发现:Nacos Client 会有一个定时任务,实时去Nacos Server 拉取健康服务 服务停止:Nacos Client 通过 rest 发送一个注销请求

谈谈配置中心

spring cloud

配置中心原理

bean 容器启动流程

spring bean 生命周期

扫描给定路径下的class 生成所有类的bean对象定义,并放在一个map中 然后筛选出非懒加载的BeanDefinition对象进行创建Bean,对于多例Bean不需要在启动过程中进行创建,获取时创建 利用BeanDefinition创建Beanj就是Bean的生命周期,这期间包含合并BeanDefinition、推断构造函数、实例化、属性填充、初始化、初始化后等步骤,其中AOP就是发生在初始化这一步 单例Bean创建后,Spring会发布容器启动事件 Spring 启动结束 1、AnnotatedBe...

@SpringBootApplication 注解介绍

spring

@SpringApplication 注解是Spring Boot框架中用来标识Spring Boot应用主类的。它提供了一种快捷的方式来启动和配置Spring应用程序。 @EnableAutoConfigration注解: 负责自动配置类的导入,也就是把自动配置类导入到Spring容器中,从而得到解析 @SpringBootConfigration注解:等同于@Configration,表示当前类是一个配置类 主要作用是配置和启动Spring Boot应用。它提供了一些有用的属性,例如@ComponentS...

Bean 实例化与初始化的区别

spring

Spring 创建一个Bean对象时,会先创建出一个Java对象,会通过反射来执行类的构造方法来得到一个Java对象,而这个过程就是Bean的实例化。 得到Bean对象后会进行依赖注入,依赖注入之后就会进行初始化了,而Bean的初始化就是调用Bean对象里面的特定方法,比如如果实现了InitialzingBean接口,那么框架就会调用aferPropertiesSet方法,或者执行init-method指定的方法

Spring Aop 与AspectJ的简明区别

spring

AspectJ 是在编译前把额外的逻辑生成到字节码逻辑 AOP 是动态代理的,在运行中生成的 共用AspactJ一套注解 类实现了接口底层会用JDK 实现,否则就用CgLib实现

Spring 事务失效场景

spring

没加@Configuration注解 方法内的自调用 方法是私有的,Spring事务是基于Cglib实现的,而cglib是基于父子类的,被代理对象是父类,如果被代理的方法是私有的,子类无法重写,也就无法增加Spring事务逻辑 单独线程处理事务 手动处理了异常 类没有被Spring管理 数据库不支持事务 方法被final修饰

ApplicationContext 和 BeanFactory 区别

spring

* 1、ApplicationContext继承了BeanFactory * 2、ApplicationContext拥有BeanFactory的所有功能 * 3、ApplicationContext拥有额外的功能、例如获取环境变量、事件发布、资源等

springboot 中spring.factories 作用

spring

spring.factories 是SpringBoot SPI机制实现的核心,SPI表示一种扩展机制,spring.factories作用是对SpringBoot进行扩展的。 在spring.factories文件中配置上接口对应的实现类即可实现对springboot的扩展。

新页面

杂项

spring 事件简介

spring

一、实现原理        使用了设计模式当中的观察者模式,该模式是定义了一种一对多的依赖关系,多个观察者可以监听同一个主题对象,当这个对象发生变化时,会通知相应的观察者会做出相应的变化。 二、组成 事件监听器:需要继承ApplicationListener或定义@EventListener,用于监听和处理特定的事件 事件类:需要继承ApplicationEvent或子类,用于封装事件的具体信息 事件发布者:用于发布事件,应用上下文ApplicationContext已实现 Appli...

表格模板

模板

$x=x_i$ 0 1 2 3 ... M 总和 出现次数 $m_0$ $m_1$ $m_2$ $m_3$ ... $m_M$ N 出现频率 $p^*_0$ $p^*_1$ $p^*_2$ $p^*_3$ ... $p^*_4$ 1

4.1 随机变量的数学期望

概率论 第四章 随机变量的数字特征

[TOC] 数学期望 举一个例子,机砖厂中的机器数据的例子 $x=x_i$ 0 1 2 3 ... M 总和 出现次数 $m_0$ $m_1$ $m_2$ $m_3$ ... $m_M$ N 出现频率 $p^*_0$ $p^*_1$ $p^*_2$ $p^*_3$ ... $p^*_4$ 1 其中 $N=\Sigma_{i=1}^{M}m_i, p^*_i = m_i /N $ 于是便可以得到机床的统计平均数据 $$\overline{X} = \Sigma_{i=1}^{M} p^*_ix...

4.1.2 随机变量函数的数学期望

概率论 第四章 随机变量的数字特征

设X是一个随机变量,$g(x)$是一个实函数,则$Y=g(x)$也是一个随机变量,理论上虽然也可以通过X的分布求出Y的分布,然后通过定义求出给$g(x)$的数学期望$E[g(x)]$,不不过比较复杂,下面给出定理,以简化计算。 定理4.1.1 设X是一个随机变量,$Y=g(x)$,且$E(Y)$存在则 (1). 若$X$是离散型随机变量,其概率分布为** $$P{X=x_i} = p_i, i=1,2,3,....$$ 则Y的数学期望为$$E(Y)=E[g(x)]=\Sigma_{i}^{+\infty}g(x_i...

7.1.1 点估计

概率论 第七章 参数估计

[TOC] 一、什么是参数估计? 参数估计是统计推断的一种,根据总体随机抽取的样本推断总体分布未知参数的过程。 估计形式: 点估计:是指总体X的分布函数已知,但它的一个或多个参数未知,需要借助总体的一个样本估计总体的未知参数。 矩法: 基本思想是用样本中心距替换总体矩,从而求出未知参数的估计量。因为根据大数定律,若已知总体K阶矩uk存在,则样本k阶矩Ak依概率收敛于总体k阶矩即 $$ A_k \overset{P}{\longrightarrow}u_k $$, 且样本矩的连续函数依概率收敛于总体矩的连续函数。 计...

7.1.2 点估计例题

概率论 第七章 参数估计

例7.1.1 设总体X的密度函数为 $$ f(x) = \begin{cases} (\alpha + 1)x^\alpha, \text{ } 0 \lt x \lt1, \alpha \gt-1, \\ \textbf 0, \text{ } 其他 \end{cases} $$ 其中 $\alpha$ 是未知参数,样本为($X_1$, $X_2$, .......,$X_n$),求$\alpha$的矩估计量。 解: 令$A_1= \overline{X} = \mu = E(x) = \frac{...