内容简介:来看看微服务有哪些优势和不足。没有最好的架构,只有最适合的。PS:微服务的要求是分析的足够小的颗粒,项目分析的透彻。
来看看微服务有哪些优势和不足。
优势
-
独立性
>从构建部署,扩容收容,容错,数据库都是单独管理的。每个服务之间都是单独管理。一个微服务出现问题,只会影响他自己。并不会影响整个服务。每个都独立的数据库。
-
敏捷性
对于使用者来说微服务暴露的接口相对简单,因为他们的功能都很单一,清晰的api,同时也可以很快的应对变化,针对新需求很快的找到需要修改的微服务,去修改就可以。
-
技术栈灵活
api接口不变就可以了,服务重构。
-
高效团队
每个团队只负责自己的微服务,做些架构调整,架构变化,几个人开个小会就可以了。
不足
没有最好的架构,只有最适合的。
-
额外的工作
服务的拆分,其实服务的拆分是一门非常深的学问。
-
数据的一致性
单体一个数据库,很容易做到一致性,微服务都有自己的服务,虽然我们在微服务尽量减少连表操作,尽量在同一个微服务,也难免出现这样或者那样的关联关系。
-
沟通成本
api的改变,单体架构中,想改一个接口可以将调用这个接口的地方顺便改掉,但是在微服务中,你想改的地方不是你负责,推动其他人其他组来修改。如果其他人或者其他组比较多的沟通成本就很明白了。
了解DDD(领域驱动设计)
-
软件开发 VS DDD
一般软件设计或者说软件开发分两种:瀑布式,敏捷式。
- 前者一般是项目经理经过大量的业务分析后,会基于现有需求整理出一个基本模型,再将结果传递给开发人员,这就是开发人员的需求文档,他们只需要照此开发便是。这种模式下,是很难频繁的从用户那里得到反馈,因此在前期分析时就已经默认了这个业务模型是正确的,那么结果可想而之,数月甚至数年后交付的时候,必然和客户的预期差距较大。
-
后者在此基础上进行了改进,它也需要大量的分析,范围会设计到更精细的业务模块,它是小步迭代,周期性交付,那么获取客户的反馈也就比较频繁和及时。可敏捷也不能够将业务中的方方面面都考虑到,并且敏捷是拥抱变化的,大量的需求或者业务模型变更必将带来不小的维护成本,同时,对人(Developer)的要求也必然会更高。
-
DDD则不同:它像是更小粒度的迭代设计,它的最小单元是领域模型(Domain Model),所谓领域模型就是能够精确反映领域中某一知识元素的载体,这种知识的获取需要通过与领域专家(Domain Expert)进行频繁的沟通才能将专业知识转化为领域模型。领域模型无关技术,具有高度的业务抽象性,它能够精确的描述领域中的知识体系;同时它也是独立的,我们还需要学会如何让它具有表达性,让模型彼此之间建立关系,形成完整的领域架构。通常我们可以用象形图或一种通用的语言(Ubiquitous Language)去描述它们之间的关系。在此之上,我们就可以进行领域中的代码设计(Domain Code Design)。如果将软件设计比做是造一座房子,那么领域代码设计就好比是贴壁纸。前者已经将房子的蓝图框架规划好,而后者只是一个小部分的设计:如果墙纸贴错了,我们可以重来,可如果房子结构设计错了,那可就悲剧了。
PS:微服务的要求是分析的足够小的颗粒,项目分析的透彻。
>>原创文章,欢迎转载。转载请注明:转载自IT人故事会,谢谢!
>>原文链接地址:
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 治疗磁盘空间不足焦虑症,释放容器占用空间:Win10 + Docker 篇
- Presto 集群内存不足时保护机制
- Kubernetes中的不足也是好事
- 图像数据不足时,你可以试试数据扩充
- elasticsearch启动时提示内存不足错误的解决方法
- Docker-解决空间不足的问题以及修改默认配置
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Python Machine Learning
Sebastian Raschka / Packt Publishing - ebooks Account / 2015-9 / USD 44.99
About This Book Leverage Python' s most powerful open-source libraries for deep learning, data wrangling, and data visualization Learn effective strategies and best practices to improve and opti......一起来看看 《Python Machine Learning》 这本书的介绍吧!