提起微服务架构，不可避免的两个话题就是服务治理和分布式事务。数据库和业务模块的垂直拆分为我们带来了系统性能、稳定性和开发效率的提升的同时也引入了一些更复杂的问题，例如在数据一致性问题上，我们不再能够依赖数据库的本地事务，对于一系列的跨库写入操作，如何保证其

通常，我们会使用缓存用于缓冲对 DB 的冲击，如果缓存宕机，所有请求将直接打在 DB，造成 DB 宕机——从而导致整个系统宕机。对缓存做高可用，防止缓存宕机使用断路器，如果缓存宕机，为了防止系统全部宕机，限制部分流量进入 DB，保证部分可用，其余的请求返回

本文提出了“参数服务器”的分布式架构来支持分布式机器学习。分布式机器学习主要面临以下挑战：。通过分解机器学习的组件，可以让业务代码更加简洁能够实现鲁棒、多功能、高性能的分布式机器学习算法本系统主要有以下五个特点：

首先，RTM 是一个通用的消息系统，主要是为了解决实时场景下信令的低延迟和高并发问题。我们声网是业务遍布全球的平台，因此在所有的后台设计中，把分区作为一个比较重要的事情来看。目前 RTM 有几个大区域，有美洲、亚洲、东南亚、中国大陆，还有欧洲、非洲几个大区

如上图所示，假若依赖I出现问题，用户的请求失败。另外在高并发的场景下，不仅仅是服务调用失败，更有可能导致队列、线程等等其他系统资源被占用，进而引发级联错误。配置信息详解戳这里//构造函数中指定配置，线程池包括最大线程数等，命令配置包括超时时间等。hystr

分布式锁是控制分布式系统之间同步访问共享资源的一种方式。在分布式系统中，常常需要协调他们的动作。换句话说就是，分布式锁是为了解决数据一致性的问题。如果返回true则获取到锁，否则获取锁失败，为了防止死锁，我们再用expire命令对这个key设置一个超时时间

分布式锁，是用来控制分布式系统中互斥访问共享资源的一种手段，从而避免并行导致的结果不可控。基本的实现原理和单进程锁是一致的，通过一个共享标识来确定唯一性，对共享标识进行修改时能够保证原子性和和对锁服务调用方的可见性。由于分布式环境需要考虑各种异常因素，为实

例如：一个任务由10个子任务组成，每个子任务单独执行需要1个小时，则在一台服务器上执行该任务需要10个小时。分布式方案：提供10台服务器，每台服务器只处理一个子任务，不考虑任务间的依赖关系，执行完这个任务只需要一个小时。

SLA对于每天处理数百万事件的大型系统，有些事情肯定会出错。在深入规划系统之前，我发现决定“健康”系统最重要的因素是什么。“健康”应该是实际可衡量的。衡量“健康”的常见方式是SLA：服务级别协议。我见过的一些最常见的SLA是：可用性：服务运行时间的百分比。

当我们在开发过程中需要用到分布式缓存Redis的时候，我们首先要明白缓存在系统中用来做什么？通过数据全部in-momery 的方式来保证高速访问，同时提供数据落地的功能，实际这正是Redis最主要的适用场景。我觉得在项目中使用 Redis，主要是从两个角度

自20世纪60年代大型主机被发明出来之后，凭借其超强的计算和I/O处理能力，以及在稳定性和安全性方面的卓越表现，在很长一段时间内，大型主机引领了计算机行业以及商业计算领域的发展。在大型主机的研发上最知名的当属IBM，其主导研发的革命性产物SYSTEM/36

如果在执行期间key被修改过，则执行失败，否则成功。事务可以理解为一个打包的批量执行脚本，但批量指令并非原子化的操作，中间某条指令的失败不会导致前面已做指令的回滚，也不会造成后续的指令不做。BGSAVE首先fork一个子线程，写入磁盘快照的状态来源于子进程

Scrapy是一个比较好用的Python爬虫框架，你只需要编写几个组件就可以实现网页数据的爬取。但是当我们要爬取的页面非常多的时候，单个主机的处理能力就不能满足我们的需求了，这时候分布式爬虫的优势就显现出来。它利用Redis对用于爬取的请求进行存储和调度，