精华内容
下载资源
问答
  • 虚拟化有哪几种架构

    千次阅读 2019-09-30 23:10:28
    目前分为两,寄居架构(Hosted Architecture)和裸金属架构 (“Bare Metal” Architecture),如所示。 寄居架构就是在操作系统之上安装和运行虚拟化程序,依赖于主机操作系统对设备的支持和物理资源的管理; 裸...

    目前分为两种,寄居架构(Hosted Architecture)和裸金属架构 (“Bare Metal” Architecture),如图所示。

    寄居架构就是在操作系统之上安装和运行虚拟化程序,依赖于主机操作系统对设备的支持和物理资源的管理;

    裸金属架构就是直接在硬件上面安装虚拟化软件,再在其上安装操作系统和应用,依赖虚拟层内核和服务器控制台进行管理。

                                         寄居架构

     

    转载于:https://www.cnblogs.com/soul-stone/p/8278786.html

    展开全文
  • 但是在类似于Hadoop系列的大数据分析系统大行其道之前,数据分析工作已经历了长足的发展,尤其是以BI系统为主的数据分析,已经了非常成熟和稳定的技术方案和生态系统,对于BI系统来说,大概的架构图如下: ...

    随着大数据技术的发展,数据挖掘、数据探索等专有名词的曝光度越来越高,但是在类似于Hadoop系列的大数据分析系统大行其道之前,数据分析工作已经历了长足的发展,尤其是以BI系统为主的数据分析,已经有了非常成熟和稳定的技术方案和生态系统,对于BI系统来说,大概的架构图如下:

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

    可以看到在BI系统里面,核心的模块是Cube。Cube是一个更高层的业务模型抽象,在Cube之上可以进行多种操作,例如上钻、下钻、切片等操作。

    大部分BI系统都基于关系型数据库,而关系型数据库使用SQL语句进行操作,但是SQL在多维操作和分析的表示能力上相对较弱,所以Cube有自己独有的查询语言MDX。

    MDX表达式具有更强的多维表现能力,因此以Cube为核心的分析系统基本占据着数据统计分析的半壁江山,大多数的数据库服务厂商直接提供BI套装软件服务,轻易便可搭建出一套OLAP分析系统,不过BI的问题也随着时间的推移逐渐暴露出来:

    BI系统更多以分析业务数据产生的密度高、价值高的结构化数据为主,对于非结构化和半结构化数据的处理非常乏力。例如图片、文本、音频的存储、分析。

    由于数据仓库为结构化存储,当数据从其它系统进入数据仓库这个东西,我们通常叫做ETL过程,ETL动作和业务进行了强绑定,通常需要一个专门的ETL团队去和业务做衔接,决定如何进行数据的清洗和转换。

    随着异构数据源的增加,例如如果存在视频、文本、图片等数据源,要解析数据内容进入数据仓库,则需要非常复杂的ETL程序,从而导致ETL变得过于庞大和臃肿。

    当数据量过大的时候,性能会成为瓶颈,在TB/PB级别的数据量上表现出明显的吃力。

    数据库的范式等约束规则,着力于解决数据冗余的问题,是为了保障数据的一致性。但是对于数据仓库来说,我们并不需要对数据做修改和一致性的保障,原则上来说,数据仓库的原始数据都是只读的,所以这些约束反而会成为影响性能的因素。

    ETL动作对数据的预先假设和处理导致机器学习部分获取到的数据为假设后的数据,领取免费资料加大数据学习交流扣扣裙957加205后面962连在一起就可以了,因此效果不理想。例如,如果需要使用数据仓库进行异常数据的挖掘,那么在数据入库经过ETL的时候就需要明确定义需要提取的特征数据,否则无法结构化入库,然而大多数情况是需要基于异构数据才能提取出特征。

    在一系列的问题下,以Hadoop体系为首的大数据分析平台逐渐表现出优异性,围绕Hadoop体系的生态圈也不断变大,对于Hadoop系统来说,从根本上解决了传统数据仓库瓶颈的问题,但是也带来一系列的新问题:

    从数据仓库升级到大数据架构,是不具备平滑演进的,基本等于推翻重做;

    大数据下的分布式存储强调数据的只读性质,所以类似于Hive、HDFS这些存储方式都不支持update,HDFS的write操作也不支持并行,这些特性导致其具有一定的局限性。

    基于大数据架构的数据分析平台侧重于从以下几个维度去解决传统数据仓库做数据分析面临的瓶颈:

    分布式计算:分布式计算的思路是让多个节点并行计算,并且强调数据本地性,尽可能的减少数据的传输,例如Spark通过RDD的形式来表现数据的计算逻辑,可以在RDD上做一系列的优化,来减少数据的传输。

    分布式存储:所谓的分布式存储,指的是将一个大文件拆成N份,每一份独立的放到一台机器上,这里就涉及到文件的副本、分片以及管理等操作,分布式存储主要优化的动作都在这一块。

    检索和存储的结合:在早期的大数据组件中,存储和计算相对比较单一,但是目前更多的方向是在存储上做更多的手脚,让查询和计算更加高效,对于计算来说高效不外乎就是查找数据快、读取数据快,所以目前的存储不单单的存储数据内容,同时会添加很多元信息,例如索引信息。像类似于parquet和carbondata都是这样的思想。

    总的来说,目前围绕Hadoop体系的大数据架构大概有以下几种:

    传统大数据架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

    之所以叫传统大数据架构,是因为其定位是为了解决传统BI的问题。简单来说,数据分析的业务没有发生任何变化,但是因为数据量、性能等问题导致系统无法正常使用,需要进行升级改造,那么此类架构便是为了解决这个问题。可以看到,其依然保留了ETL的动作,将数据经过ETL动作进入数据存储。

    优点:简单、易懂,对于BI系统来说,基本思想没有发生变化,领取免费资料加大数据学习交流扣扣裙957加205后面962连在一起就可以了变化的仅仅是技术选型,用大数据架构替换掉BI的组件。

    缺点:对于大数据来说,没有BI下如此完备的Cube架构,虽然目前有Kylin,但是Lylin的局限性非常明显,远远没有BI下Cube的灵活度和稳定度,因此对业务支撑的灵活度不够,所以对于存在大量报表或复杂钻取的场景,需要太多的手工定制化,同时该架构依旧以批处理为主,缺乏实时的支撑。

    适用场景:数据分析需求依旧以BI场景为主,但是因为数据量、性能等问题无法满足日常使用。

    流式架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

    在传统大数据架构的基础上,流式架构非常激进,直接拔掉了批处理,数据全程以流的形式处理,所以在数据接入端没有了ETL,转而替换为数据通道。经过流处理加工后的数据,以消息的形式直接推送给了消费者。虽然有一个存储部分,但是该存储更多以窗口的形式进行存储,所以该存储并非发生在数据湖,而是在外围系统。

    优点:没有臃肿的ETL过程,数据的实效性非常高。

    缺点:对于流式架构来说,不存在批处理,因此对于数据的重播和历史统计无法很好的支撑。对于离线分析仅仅支撑窗口之内的分析。

    适用场景:预警、监控、对数据有有效期要求的情况。

    Lambda架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

    Lambda架构算是大数据系统里面举足轻重的架构,大多数架构基本都是Lambda架构或者基于其变种的架构。

    Lambda的数据通道分为两条分支:实时流和离线。实时流依照流式架构,保障了其实时性,而离线则以批处理方式为主,保障了最终一致性。

    什么意思呢?流式通道处理为保障实效性更多的以增量计算为主辅助参考,而批处理层则对数据进行全量运算,保障其最终的一致性。因此,Lambda最外层有一个实时层和离线层合并的动作,此动作是Lambda里非常重要的一个动作,大概的合并思路如下:

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

    优点:既有实时又有离线,对于数据分析场景涵盖的非常到位。

    缺点:离线层和实时流虽然面临的场景不相同,但是其内部处理的逻辑却是相同,因此有大量冗余和重复的模块存在。

    适用场景:同时存在实时和离线需求的情况。

    Kappa架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

    Kappa架构在Lambda的基础上进行了优化,将实时和流部分进行了合并,将数据通道以消息队列进行替代。因此对于Kappa架构来说,依旧以流处理为主,但是数据却在数据湖层面进行了存储,当需要进行离线分析或者再次计算的时候,则将数据湖的数据再次经过消息队列重播一次则可。

    优点:Kappa架构解决了Lambda架构里面的冗余部分,以数据可重播的超凡脱俗的思想进行了设计,整个架构非常简洁。

    缺点:虽然Kappa架构看起来简洁,但是施难度相对较高,尤其是对于数据重播部分。

    适用场景:和Lambda类似,该架构是针对Lambda的优化。

    Unifield架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

    以上的种种架构都围绕海量数据处理为主,Unifield架构则更激进,将机器学习和数据处理揉为一体,从核心上来说,Unifield依旧以Lambda为主,不过对其进行了改造,在流处理层新增了机器学习层。可以看到数据在经过数据通道进入数据湖后,新增了模型训练部分,并且将其在流式层进行使用。同时流式层不单使用模型,也包含着对模型的持续训练。

    优点:Unifield架构提供了一套数据分析和机器学习结合的架构方案,非常好的解决了机器学习如何与数据平台进行结合的问题。

    缺点:Unifield架构实施复杂度更高,领取免费资料加大数据学习交流扣扣裙957加205后面962连在一起就可以了对于机器学习架构来说,从软件包到硬件部署都和数据分析平台有着非常大的差别,因此在实施过程中的难度系数更高。

    适用场景:有着大量数据需要分析,同时对机器学习方便又有着非常大的需求或者有规划的情况。

    总结

    以上为目前数据处理领域使用较多的几种架构,当然还有非常多其他架构,不过其思想都会或多或少的类似。数据领域和机器学习领域会持续发展,以上几种思想或许终究会变得过时,我们只能与时俱进,不断更新自己的知识库。

    展开全文
  • 但是在类似于Hadoop系列的大数据分析系统大行其道之前,数据分析工作已经历了长足的发展,尤其是以BI系统为主的数据分析,已经了非常成熟和稳定的技术方案和生态系统,对于BI系统来说,大概的架构图如下: ...

    随着大数据技术的发展,数据挖掘、数据探索等专有名词的曝光度越来越高,但是在类似于Hadoop系列的大数据分析系统大行其道之前,数据分析工作已经历了长足的发展,尤其是以BI系统为主的数据分析,已经有了非常成熟和稳定的技术方案和生态系统,对于BI系统来说,大概的架构图如下:

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

     

    可以看到在BI系统里面,核心的模块是Cube。Cube是一个更高层的业务模型抽象,在Cube之上可以进行多种操作,例如上钻、下钻、切片等操作。

    大部分BI系统都基于关系型数据库,而关系型数据库使用SQL语句进行操作,但是SQL在多维操作和分析的表示能力上相对较弱,所以Cube有自己独有的查询语言MDX。

    MDX表达式具有更强的多维表现能力,因此以Cube为核心的分析系统基本占据着数据统计分析的半壁江山,大多数的数据库服务厂商直接提供BI套装软件服务,轻易便可搭建出一套OLAP分析系统,不过BI的问题也随着时间的推移逐渐暴露出来:

    BI系统更多以分析业务数据产生的密度高、价值高的结构化数据为主,对于非结构化和半结构化数据的处理非常乏力。例如图片、文本、音频的存储、分析。

    由于数据仓库为结构化存储,当数据从其它系统进入数据仓库这个东西,我们通常叫做ETL过程,ETL动作和业务进行了强绑定,通常需要一个专门的ETL团队去和业务做衔接,决定如何进行数据的清洗和转换。

    随着异构数据源的增加,例如如果存在视频、文本、图片等数据源,要解析数据内容进入数据仓库,则需要非常复杂的ETL程序,从而导致ETL变得过于庞大和臃肿。

    当数据量过大的时候,性能会成为瓶颈,在TB/PB级别的数据量上表现出明显的吃力。

    数据库的范式等约束规则,着力于解决数据冗余的问题,是为了保障数据的一致性。但是对于数据仓库来说,我们并不需要对数据做修改和一致性的保障,原则上来说,数据仓库的原始数据都是只读的,所以这些约束反而会成为影响性能的因素。

    ETL动作对数据的预先假设和处理导致机器学习部分获取到的数据为假设后的数据,因此效果不理想。例如,如果需要使用数据仓库进行异常数据的挖掘,已经为大家精心准备了大数据的系统学习资料,从Linux-Hadoop-spark-......,需要的小伙伴可以点击那么在数据入库经过ETL的时候就需要明确定义需要提取的特征数据,否则无法结构化入库,然而大多数情况是需要基于异构数据才能提取出特征。

    在一系列的问题下,以Hadoop体系为首的大数据分析平台逐渐表现出优异性,围绕Hadoop体系的生态圈也不断变大,对于Hadoop系统来说,从根本上解决了传统数据仓库瓶颈的问题,但是也带来一系列的新问题:

    从数据仓库升级到大数据架构,是不具备平滑演进的,基本等于推翻重做;

    大数据下的分布式存储强调数据的只读性质,所以类似于Hive、HDFS这些存储方式都不支持update,HDFS的write操作也不支持并行,这些特性导致其具有一定的局限性。

    基于大数据架构的数据分析平台侧重于从以下几个维度去解决传统数据仓库做数据分析面临的瓶颈:

    分布式计算:分布式计算的思路是让多个节点并行计算,并且强调数据本地性,尽可能的减少数据的传输,例如Spark通过RDD的形式来表现数据的计算逻辑,可以在RDD上做一系列的优化,来减少数据的传输。

    分布式存储:所谓的分布式存储,指的是将一个大文件拆成N份,每一份独立的放到一台机器上,这里就涉及到文件的副本、分片以及管理等操作,分布式存储主要优化的动作都在这一块。

    检索和存储的结合:在早期的大数据组件中,存储和计算相对比较单一,但是目前更多的方向是在存储上做更多的手脚,让查询和计算更加高效,对于计算来说高效不外乎就是查找数据快、读取数据快,所以目前的存储不单单的存储数据内容,同时会添加很多元信息,例如索引信息。像类似于parquet和carbondata都是这样的思想。

    总的来说,目前围绕Hadoop体系的大数据架构大概有以下几种:

    传统大数据架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

     

    之所以叫传统大数据架构,是因为其定位是为了解决传统BI的问题。简单来说,数据分析的业务没有发生任何变化,但是因为数据量、性能等问题导致系统无法正常使用,需要进行升级改造,那么此类架构便是为了解决这个问题。可以看到,其依然保留了ETL的动作,将数据经过ETL动作进入数据存储。

    优点:简单、易懂,对于BI系统来说,基本思想没有发生变化,变化的仅仅是技术选型,用大数据架构替换掉BI的组件。

    缺点:对于大数据来说,没有BI下如此完备的Cube架构,虽然目前有Kylin,但是Lylin的局限性非常明显,远远没有BI下Cube的灵活度和稳定度,因此对业务支撑的灵活度不够,所以对于存在大量报表或复杂钻取的场景,需要太多的手工定制化,同时该架构依旧以批处理为主,缺乏实时的支撑。

    适用场景:数据分析需求依旧以BI场景为主,但是因为数据量、性能等问题无法满足日常使用。

    流式架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

     

    在传统大数据架构的基础上,流式架构非常激进,直接拔掉了批处理,数据全程以流的形式处理,所以在数据接入端没有了ETL,转而替换为数据通道。经过流处理加工后的数据,以消息的形式直接推送给了消费者。虽然有一个存储部分,但是该存储更多以窗口的形式进行存储,所以该存储并非发生在数据湖,而是在外围系统。

    优点:没有臃肿的ETL过程,数据的实效性非常高。

    缺点:对于流式架构来说,不存在批处理,因此对于数据的重播和历史统计无法很好的支撑。对于离线分析仅仅支撑窗口之内的分析。

    适用场景:预警、监控、对数据有有效期要求的情况。

    Lambda架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

     

    Lambda架构算是大数据系统里面举足轻重的架构,大多数架构基本都是Lambda架构或者基于其变种的架构。

    Lambda的数据通道分为两条分支:实时流和离线。实时流依照流式架构,保障了其实时性,而离线则以批处理方式为主,保障了最终一致性。

    什么意思呢?流式通道处理为保障实效性更多的以增量计算为主辅助参考,而批处理层则对数据进行全量运算,保障其最终的一致性。已经为大家精心准备了大数据的系统学习资料,从Linux-Hadoop-spark-......,需要的小伙伴可以点击因此,Lambda最外层有一个实时层和离线层合并的动作,此动作是Lambda里非常重要的一个动作,大概的合并思路如下:

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

     

    优点:既有实时又有离线,对于数据分析场景涵盖的非常到位。

    缺点:离线层和实时流虽然面临的场景不相同,但是其内部处理的逻辑却是相同,因此有大量冗余和重复的模块存在。

    适用场景:同时存在实时和离线需求的情况。

    Kappa架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

     

    Kappa架构在Lambda的基础上进行了优化,将实时和流部分进行了合并,将数据通道以消息队列进行替代。因此对于Kappa架构来说,依旧以流处理为主,但是数据却在数据湖层面进行了存储,当需要进行离线分析或者再次计算的时候,则将数据湖的数据再次经过消息队列重播一次则可。

    优点:Kappa架构解决了Lambda架构里面的冗余部分,以数据可重播的超凡脱俗的思想进行了设计,整个架构非常简洁。

    缺点:虽然Kappa架构看起来简洁,但是施难度相对较高,尤其是对于数据重播部分。

    适用场景:和Lambda类似,该架构是针对Lambda的优化。

    Unifield架构

    目前围绕Hadoop体系的大数据架构,主要有哪几种,有什么优缺点?

     

    以上的种种架构都围绕海量数据处理为主,Unifield架构则更激进,将机器学习和数据处理揉为一体,从核心上来说,Unifield依旧以Lambda为主,不过对其进行了改造,在流处理层新增了机器学习层。可以看到数据在经过数据通道进入数据湖后,新增了模型训练部分,并且将其在流式层进行使用。同时流式层不单使用模型,也包含着对模型的持续训练。

    优点:Unifield架构提供了一套数据分析和机器学习结合的架构方案,非常好的解决了机器学习如何与数据平台进行结合的问题。

    缺点:Unifield架构实施复杂度更高,对于机器学习架构来说,从软件包到硬件部署都和数据分析平台有着非常大的差别,因此在实施过程中的难度系数更高。

    适用场景:有着大量数据需要分析,同时对机器学习方便又有着非常大的需求或者有规划的情况。

    总结

    以上为目前数据处理领域使用较多的几种架构,当然还有非常多其他架构,不过其思想都会或多或少的类似。数据领域和机器学习领域会持续发展,以上几种思想或许终究会变得过时,我们只能与时俱进,不断更新自己的知识库。

     

    展开全文
  • 作者:小傅哥博客:https://bugstack.cn❝沉淀、分享、成长,让自己和他人都能有所收获!????❞目录一、前言二、架构图有哪几种?三、Zachman框架是什么?四、陪你画个架...

    作者:小傅哥
    博客:https://bugstack.cn

    沉淀、分享、成长,让自己和他人都能有所收获!????

    目录

    • 一、前言

    • 二、架构图有哪几种?

    • 三、Zachman框架是什么?

    • 四、陪你画个架构图

      • 1. 架构选型图

      • 2. 微服务架构

      • 3. 技术架构图

    • 五、总结

    • 六、系列推荐

    一、前言

    很多程序员画架构图头疼,不知道画什么、怎么画!

    分享评审述职答辩,只要你在程序员这个行业,就几乎离不开要画图。

    一提到画图很多人就想站起来喊,”内卷“、”内卷啦“、”PPT工程师“,但程序代码本身就是一种数学逻辑的具体实现,如果没有一些图表配合文字的阐述,讲真很难让所有人都能在共同的共识下进行交流。

    这不像是文科,”八表流云澄夜色,九霄华月动春城“ 上来就能联想到它是在描述啥。但是偏理科代码逻辑或架构设计,只能把抽象的内容用图表的形式展现出来,让大家在同一的共识下共同协同工作。

    而我们画的架构图、流程图、结构图、功能图、逻辑图等,都需要好看、好懂、好用、好搞,因为:

    • 好看是为了提升沟通效率,

    • 好懂是为了提升交流共识,

    • 好用是为了提升交付质量,

    • 好搞是为了提升实施速度。

    这就像君子在追求漂亮姑娘一样,好看就想主动撩一下、有品行和共同的三观很快让你开口说我懂你、接下来就是交付质量和实施速度了,那也是水到渠成的事。

    好,别激动,接下来我们就开始专心研究研究架构图,都有哪些,该怎么画,有什么手法。

    二、架构图有哪几种?

    仅说技术架构图的话,通常我们☞指的是选型各项技术组件来支撑整个服务建设的系统架构。但用于不同人群范围和不同场景下会有其他分类,如图 26-1 架构图分类

    • 业务架构:需求初期业务的结果和过程描述一般比较模糊,可能来自于某个老板、运营或用户的反馈。客户说海尔洗衣机洗土豆会堵,海尔立马设计专门的土豆洗衣机 业务方向往往是定方向和结果的叫战略,主要包括业务规划、业务模块和流程以及问题域的列表等。

    • 应用架构:服务复用、跨组协同,简单、灵活、整合是应用架构必须考虑的点,就像你要上线一个聊天功能,那么聊天内容的输入法、文字识别、舆情监控以及视频服务、支付服务等,它们都是在应用架构分层下沉淀到平台的产物,在供各个方使用。

    • 产品架构:业务提需求,产品定方案,相对于业务的粗放流程,产品架构会更加细腻以及考虑各个模块的分层和边界。

    • 数据架构:数据的获取、数据的存放和数据的使用是数据架构要解决的三个问题,数据库存放、大数据汇总、数据分析等。

    • 技术架构:是离程序员最近的架构设计,它不仅是系统搭建的架构图设计,还包括了结构、功能、流程、逻辑等内容。它的具体描述就是整个系统如何落地的具体实现方案。

    三、Zachman框架是什么?

    Zachman框架,由约翰 扎科曼(John Zachman )在1987年创立的全球第一个企业架构理论,其论文《信息系统架构框架》至今仍被业界认为是企业架构设计方面最权威的理论。

    Zachman框架(Zachman framework)是一种逻辑结构,它可以对企业信息按照不同分类和不同角度进行表示。

    Zachman框架,从横向六个角度看待企业,这个六个观点可以分为;什么内容、如何工作、什么地点、谁负责、为什么这么做(称为W5H)。

    框架的列由一组工件组成,分为规划者、拥有者、设计者(架构师)、建造者、分包者、产品,或者有时表示为视点:范围上下文,业务概念,系统逻辑,技术,物理,组件组装和操作类。整体如图 26-2 TOGAF Zachman框架

    表格横向六项 代表了用于描述信息系统的某一个方面,对于任何一个事物只要在这几个基本方面对其进行清洗的解释就足够可以描述清楚。

    • 数据(What,即什么内容):什么是业务数据,信息或对象?

    • 功能(How,即如何工作):业务如何运作,即什么是业务流程?

    • 网络(Where,即何处):企业运营、部署在哪里?

    • (Who,即何人负责):什么人?什么是业务部门及其等级制度?

    • 时间(When,即什么时间):业务计划和工作流程是什么?什么时候执行?

    • 原因(Why,即为什么做):为什么选择的解决方案?这是怎么产生的?

    表格纵向六项 代表了在信息系统构造过程中所涉及到的人在描述信息系统时所采用的视角,包括:

    • 范围/规划者(Planner):此视图描述了业务目的和策略,充当其他视图将被派生和管理的上下文。

    • 业务模型/拥有者(Owner):这是对信息系统必须在其中运作的组织的描述。

    • 系统模型/设计师(Designer):该视图概述了系统如何满足组织的信息需求。

    • 技术模型/建造者(Builder):这是系统如何实施的表示,它使特定的解决方案和技术显而易见。

    • 详细表述/分包者(Sub-Contractor):这些表示说明了某些系统元素的特定于实现的细节:在生产开始之前需要进一步说明的部分。

    • 功能系统/产品(Functioning Enterprise):在1987年的论文(《A framework for information systems architecture》)中并没有这一行的内容,实际上此行的内容也并不在架构描述的范畴的之内,不过为了使得架构Zachman框架对于架构的表述更加完备,这一行最终还是被加了进去。

    根据 TOGAF 的定义,企业是具有一系列共同目标组织的集合,而架构则是为了有效地实现这一系列目标。

    在实现的过程中 定义了企业的结构和运作模式的概念蓝图(SearchCIO),以及构成企业的所有关键元素和其关系的综合描述(Zachman)。通过创建、沟通和优化用以描述企业未来状态和发展的关键原则和模型以将业务愿景和战略转化成有效的企业变更的过程(Gartner)。

    可以这一部分内容会比较绕,但可以作为架构设计的知识扩展进行学习理解以及运用。

    四、陪你画个架构图

    简单来说,架构图就是为了达成交流共识的实现方案演示,并不一定非得拘泥于某种形式,只要你能画的清楚,讲的明白就最合适不过了。

    1. 架构选型图

    • 难度:⭐⭐⭐

    • 作用:通常在新项目开发初期,都要做一些技术选型工作。在负载、网关、架构、治理、框架、服务、数据以及环境和支撑服务上,要选择适合当前开发的技术。

    2. 微服务架构

    • 难度:⭐⭐⭐⭐

    • 作用:技术选型完毕后,接下来就是对于这些技术的运用。这个过程有点像搭积木一样,把每一个区域用适合此位置的积木填充进去。如果是团队初建或者是技术升级,那么这个过程还是比较复杂的,需要大量的验证。不过其实互联网的技术分层和使用已经相对稳定,搭建一个这样的微服务并不会耗费太长的时间。

    3. 技术架构图

    • 难度:⭐⭐⭐⭐

    • 作用:技术架构图主要是对于研发层面做技术实现指导的,它可以把系统分层和实现结构划分清楚。另外一般也会把案例工程的结构拿出来一起讲解,这样可以让团队伙伴快速的进入开发。

    五、总结

    • 本章节向大家讲解了什么是架构图,架构图的分类和怎么画架构图,通过这样的内容可以让大家对架构图有一个全貌的认知。在以后自己画架构图了也可以非常明确的知道面对的什么用户群体,要画的内容是什么。

    • TOGAF有一套非常完善的企业架构理论,它描述了一种开发和管理企业体系结构生命周期的方法,并构成了TOGAF的核心。所涉及到的知识非常丰富,值得认真看一下。

    • 好看,能把一件事做的好看非常重要,好看能让人提起兴趣、好看可以使沟通成本降低。也鼓励大家尽可能把经过自己手里的东西,做的好看一些。

    展开全文
  • 后台架构图/技术栈

    2016-12-24 00:43:18
    一.每一个框架都应该熟练使用。每一层或者方向都至少选出一个框架...3.哪种软件模型,插件,分层,微服务,微内核,事件驱动。怎么自定义,扩展 4.注意历史及出现前的问题。自上而下,先系统理论,后实战调试。先摸...
  • 存储scale-up和scalce-out架构

    千次阅读 2015-09-05 21:59:25
    存储scale-up和scalce-out架构 Scale-up,即纵向扩展架构。从下面的拓扑我们可见,...有几种方法可以实现scale-out,即横向扩展,包括集群存储系统和网格存储。但无论是种类型的系统,能够以一个单一系统的形
  • 目录 1、Dubbo是什么? 2、为什么要用Dubbo? 3、Dubbo 和 Spring Cloud 有...7、Dubbo里面有哪几种节点角色? 8、画一画服务注册与发现的流程 9、Dubbo默认使用什么注册中心,还有别的选择吗? 10、Dubbo...
  • 引言:今天小崔问了我一个问题,把我问中了,包与包之间都有哪几种关系,为什么用依赖而不用关联,我感觉是用依赖,但是却说出为什么不用关联,所以专门上网找了一下,正好搜到的是学长的博客,我就直接转过来了,以...
  • 1.Redis支持的数据类型? 答:五种,在第一节redis相关的博客我就说过...Redis有哪几种持久化方式?优缺点是什么? 答:Redis持久化主要分为三种,RDB、AOF还有我们的混合持久化,RDB是一个二进制文件,AOF是保存...
  • 24、八条MSF基本原则中的哪几条与团队模型有关?拥有共同的远景/关注业务价值 /灵活敏捷,主动应变 /向团队成员授权/鼓励开放式沟通/职责清晰,责任共享 25、微软运营框架将配置管理定义为一个非常重要的过程,关于...
  • <ul><li>浅谈浏览器架构<ul><li>浏览器可以是哪种架构?</li><li>如何理解Chrome的多进程架构?</li><li>前端最核心的渲染进程包含哪些线程?<ul><li>主线程(Main thread)(下载资源...
  • 实训一月考试卷

    2019-08-15 07:42:12
    DNS原理 访问网站过程(以访问百度为例) 3.fail2ban原理 你的公司名称及业务 你们公司的系统应用架构 MySQL主从原理 7.写出 你的技术栈 一台服务器由两块硬盘,一...docker有哪几种网络模式 14.误删除文件的恢复...
  • 业界常见的架构有哪几种形式 有无异地多活/同城多活的实现方案 提供服务的架构图 介绍服务的数据流 三板斧系列(要求严格排序第一就是要比第二重要) 监控:三个最重要的监控指标和监控策略,以及分别的预案/...
  • 老哥絮叨上篇文章我们大致介绍了什么是MySQL主从复制,主从复制的几种集群架构图大概都有哪几种,今天我们就来讲讲如何实现MySQL集群的搭建。主从复制有两种方式可以实现,binlog和GT...
  • ????Exchange ...我先简单说说Exchange有哪几种类型: fanout:Fanout-Exchange会将它接收到的消息发往所有与他绑定的Queue中。 direct:Direct-Exchange会把它接收到的消息发往与它有绑定关系且Routingk
  • 面试题收集册(一)

    2021-03-22 10:03:56
    怎么配置2、nginx前端页面/图片加载不出来,如何排查3、nginx+keepalived脑裂是什么、怎么预防、怎么处理4、nginx和lvs、haproxy有什么区别5、Tomcat优化6、mysql优化(软、硬)7、mysql架构有哪几种、每种原理)8...
  • web部分面试题

    2021-03-29 16:12:53
    怎么配置2、nginx前端页面/图片加载不出来,如何排查3、nginx+keepalived脑裂是什么、怎么预防、怎么处理4、nginx和lvs、haproxy有什么区别5、Tomcat优化6、mysql优化(软、硬)7、mysql架构有哪几种、每种原理)8...
  • 上篇文章我们大致介绍了什么是MySQL主从复制,主从复制的几种集群架构图大概都有哪几种,今天我们就来讲讲如何实现MySQL集群的搭建。主从复制有两种方式可以实现,binlog和GTID,这期我们先通过binlog方式来实现,下...
  • 引用类型和原始类型具有不同的特征和用法,它们包括:大小和速度问题,这种类型以哪种类型的数据结构存储,当引用类型和原始类型用作某个类的实例数据时所指定的缺省值。对象引用实例变量的缺省值为 null,而原始...
  • 一、缓存是什么?...二、缓存有哪几类? 1、基于web应用的系统架构图 请点击此处输入图片描述 2、在系统架构中,不同层级之间为了加快访问速度,缓存都可以存在。 操作系统磁盘缓存->...
  • web缓存

    2017-04-29 01:46:40
    一、缓存是什么? Cache ...①高速缓冲存储器,其中复制了频繁...二、缓存有哪几类? 1、基于web应用的系统架构图 2、在系统架构中,不同层级之间为了加快访问速度,缓存都可以存在。
  • 说说UML中有哪几种图。 说说UML模型元素的组成。 UML中,消息的分类可以从哪两个角度区分,请具体说明。 说说模型-视图分离原则。 逻辑架构是什么? 说说如何创建领域模型?如何找到概念类? 具体说明对象模型有那两...
  • 1. Exchange ...我先简单说说Exchange有哪几种类型: fanout:Fanout-Exchange会将它接收到的消息发往所有与他绑定的Queue中。 direct:Direct-Exchange会把它接收到的消息发往与它有绑定关系且Rout.

空空如也

空空如也

1 2 3 4 5 6
收藏数 116
精华内容 46
关键字:

架构图有哪几种