一、DDD架构相关概念来自小张的博客1.1什么是DDD领域驱动设计，即DomainDrivenDesign（DDD）。DDD是一套完整而系统的设计理论与方法，使得你的设计思路能够更加清晰，设计过程更加规范。DDD善于处理与领域相关的拥有高复杂度业务的产品开发总之,DDD是专门为解决复杂性而诞生一套完整的理论方法DDD落地实现离不开Clean架构、六边形架构、CQRS、EventSource等思想。1.2DDD相关概念领域：用来限定业务边界和范围子域：领域进一步划分就是子域核心域：核心域应该就是公司的主要业务，简单来说就是公司最盈利的业务。通用域：见明知意，就是不管什么业务，都会涉及到比较通用的
1.安装docker 下载docker *.deb安装包 官网网站: http://www.loongnix.cn/index.php/Docker 网络在线下载地址:wget http://ftp.loongnix.cn/os/loongnix/1.0/docker/docker-ce_18.06.3.ce-1_mips64el.deb官网文档地址: ShowDoc 其中libdevmapper.so.1.02.1 可以在/lib中找官网用户手册使用教程: Docker|龙芯开源社区拉取镜像镜像查找下载地址: Quay有的镜像在它的
1.数据中台与DW/BI/DSS个人认为数据中台本质上是一种新的适配大数据技术发展的新的“数据仓库-决策支持（商业智能）”架构。这个架构是构建在传统的架构基础之上，对传统架构的一种新的发展。数据中台从企业的视角出发，要求企业在构建数据仓库到决策支持系统的过程中构建一个服务型的架构。数据中台希望构建在数据仓库基础上的决策支持系统的建设能更加迅速敏捷，缩短业务需求实现过程中的数据开发过程的时间。数据中台把应用的共性需求沉淀在中台，做厚数据服务层，这样应用前台在构建的时候可以大幅度的利用已沉淀在中台的各种能力，可以做到快速搭建，形成大中台小前台的层次架构。1.1.数据仓库（DW）/商务智能（BI）/
Istio简介2.1、istio架构实际上Istio就是ServiceMesh架构的一种实现，服务之间的通信（比如这里的ServiceA访问ServiceB）会通过代理（默认是Envoy）来进行。而且中间的网络协议支持HTTP/1.1，HTTP/2，gRPC或者TCP，可以说覆盖了主流的通信协议。代理这一层，称之为数据平面。控制平面做了进一步的细分，分成了Pilot、Citadel和Galley，它们的各自功能如下：Pilot：为Envoy提供了服务发现，流量管理和智能路由（AB测试、金丝雀发布等），以及错误处理（超时、重试、熔断）功能。Citadel：为服务之间提供认证和证书管理，可以让服务
序言本周5月15日，MegaEase创始人兼CEO、知名架构师、CSDN资深博主陈皓（网名：左耳朵耗子）于13日去世，享年47岁。之前听过他的极客时间《左耳听风》，个人觉得还是有点收获的。CoolShell——陈皓写这篇文章的目的是希望陈皓在架构之路上的一些经验能够被大家参考和借鉴。文章链接：我做系统架构的一些原则——陈皓下面引用他的一些建议和原则：原则一：关注于真正的收益而不是技术本身原则二：以应用服务和API为视角，而不是以资源和技术为视角原则三：选择最主流和成熟的技术原则四：完备性会比性能更重要原则五：制定并遵循服从标准、规范和最佳实践原则六：重视架构扩展性和可运维性原则七：对控制逻辑进
目录1.微服务架构1.1.单体应用架构1.2.微服务应用1.3微服务架构的优势1.4.微服务架构的缺点(挑战)1.5.SpringCloud与微服务关系1.6.SpringBoot和SpringCloud关系2.创建微服务工程2.1.数据库2.2.搭建父工程2.2创建公共模块2.3.商品系统2.4.订单微服务1.微服务架构1.1.单体应用架构将项目所有模块(功能)打成jar或者war，然后部署一个进程优点:1:部署简单:由于是完整的结构体，可以直接部署在一个服务器上即可。2:技术单一:项目不需要复杂的技术栈，往往一套熟悉的技术栈就可以完成开发。缺点:1:系统启动慢，一个进程包含了所有的业务逻辑
大数据架构是为处理超大数据量或复杂计算而设计的，流程上包括数据的获取、处理和分析。大数据，可以简单理解为传统数据库无法处理的数据量，比如主从模式的MySQL在简单场景下可以存储和处理上亿条数据，但涉及到分析场景，能处理的数据量可能远远小于1亿。利用大数据架构，可以轻松处理上亿到千亿数据的分析需求。大数据架构通常支持这些使用方式：离线静态数据的批处理实时动态数据的流式处理大数据的交互式查询（adhocquery）机器学习训练和推理多数大数据架构会包含下面这些组件：数据源所有大数据解决方案都必须从数据源开始，数据源有很多种，比如：应用的数据存储，比如传统关系型数据库MySQL等应用产生的静态文件，
没有足够的特征数据，安全策略将是"无根之木，无源之水"。微信安全数据仓库应运而生，成为整个安全业务的特征数据存储中心，每天服务了万亿级的特征数据读写请求，为整个微信安全策略提供了可靠的数据支撑，是微信安全基石之所在。然而，微信安全数据仓库不仅仅是一个存储中心，更是一个特征管理和数据质量管理的中心。在演进过程中，数据仓库一直致力于提升特征管理能力和数据质量保障，实现了特征的管理、共享、分析和数据质量检测等功能。本文将介绍安全数据仓库的起源、演进、当前的架构设计和数据质量保证系统的实现。业务背景安全策略开发流程安全业务的核心逻辑在安全策略中实现。整个的策略开发流程包括特征数据的收集，安全策略的编写
一、趋势：拨云见日1、数智化转型数智化，包括了数字化与智能化；其中数字化是基础，智能化是目标。数智化带来的价值主要包括两个部分：一个是大型工业企业普遍关注的降本增效，能给企业带来实际的、可衡量的收益。另一个是为用户提供创新体验，数智化具备提供给用户“从无到有”这样全新体验的能力。数智化的实践方向为，将企业核心从物理世界为主、信息系统为辅的形态，转换为数字世界为主、线下环节为辅的形态，即数字原生企业。具体的实施路线是要将数据作为企业核心生产要素和战略资源，实现数据资产化和数据经营化。并且通过全链路全要素数据打通，实现对全生命周期的产品、流程和服务进行数智化管理，并实现数据的实时分析和应用，从而为
简介在本次分享中，想跟大家探讨ChatGPT技术产品的落地实践，从技术架构的角度出发，剖析GPT模型的核心原理、关键技术以及实际应用场景。将从以下几个方面展开讨论：1.ChatGPT模型概述：首先，简要介绍ChatGPT（ChatbotbasedonGenerativePre-trainedTransformer）模型的基本概念、可应用场景、公司层面资源支持情况。2.技术架构解析：接下来，简单科普下GPT模型的技术架构，包括Transformer结构、自注意力机制、预训练与微调策略等关键技术。3.工程端架构聚焦：该部分以JAVA工程开发的视角，针对GPT应用的聚焦，包括Prompt构造、GPT
