Technology

Chart Type 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go 内存管理 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 回溯法 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup Linux网络源代码学习——整体介绍 zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

Architecture

实时训练 分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 在离线业务混部 RNN pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台 tf-operator源码分析 k8s批处理调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF 生命周期管理 openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Kubernetes webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 controller 组件介绍 openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 serverless 泛谈 概率论 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念入门 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 用户登陆 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 当我在说模板引擎的时候,我在说什么 用户认证问题 资源的分配与回收——池 消息/任务队列


Thrift基本原理与实践(二)

2016年07月16日

简介

重复下上节的thrift示例

namespace java org.lqk.thrift
service RemotePingService{
    void ping(1: i32 length)
}
  • RemotePingService.Iface void ping(int length)
  • RemotePingService.syncIface void ping(int length, org.apache.thrift.async.AsyncMethodCallback resultHandler)

thrift提供了RemotePingService.Client和RemotePingService.AsyncClient实现了接口和方法,方法的实际逻辑就是发送和接收数据。

thrfit调用客户端例子

TTransport transport = new TSocket("localhost", 1234);
TProtocol protocol = new TBinaryProtocol(transport);
RemotePingService.Client client = new RemotePingService.Client(protocol);
transport.open();
client.ping(2012);
transport.close();

熟悉spring的人看到这段代码,应该会想到有办法简化它,因为这段代码就做了一件事client.ping(2012),而client的初始化和销毁工作可以交给spring。最终的效果是

@Autowired
private RemotePingservice.Iface pingService;
public void test(){
    pingService.ping(2012);
}

spring化 + 代理模式 + 连接池

FactoryBean{
    ClientConfig
    ConnectionConfig
    ConnectionPoolConfig
}

TTransport transport = new TSocket("localhost", 1234);使用common-pool2对TTransport进行池化。

代理模式,我们一般要搞清楚在哪个方法上加代理,在这个方法的前后要干点什么。此处,我们要代理的便是RemotePingService.Client和RemotePingService.AsyncClient的ping方法(这是切入点),它们已经实现了发送和接收数据的逻辑,代理方法中,我们要在ping方法之前做的工作是通过一系列xxConfig得到Client和AsyncClient。以对同步方法的代理为例,伪代码如下:

静态代理

ping_proxy(){
    RemotePingService.Client client= XXBuilder.build(ClientConfig,ConnectionConfig,ConnectionPoolConfig);
    client.ping();
}

动态代理

ProxyHandler implements InvocationHandler{
     ClientConfig
     ConnectionConfig
     ConnectionPoolConfig
     public Object invoke(Object proxy, Method method, Object[] args) throws Throwable {
        RemotePingService.Client client= XXBuilder.build(ClientConfig,ConnectionConfig,ConnectionPoolConfig);
        Object result = method.invoke(client, args);
        return result;
     }
}

异步方法相对同步方法的特别之处在于,异步方法还要传入一个callback。我们可以定制这个callback以达到一些目的。

对异步调用的代理和改造

同步和异步的底层实现一般不太一样。

同步的话,void ping(ing length){send_command(length);receive_command()}业务线程直接操刀数据的发送与回收。

而对于异步通信,因为nio的使用,通常由io线程(eventloop)而不是业务线程来监听响应数据,io线程与业务线程的交互有以下几种形式;

  1. 传入callback,比如thrift异步调用会传入一个AsyncMethodCallback。io线程拿到响应数据后,执行AsyncMethodCallback.onComplete()
  2. Future。业务线程执行调用时(也就是发送请求数据),先创建一个future并返回。io线程拿到响应后设置Future,业务线程从Future中拿到响应。

callback和future本质都是一样的,都是业务线程先创建好并传给io线程,io线程拿到数据后,由io线程处理设置future的结果 or 执行callback.onComplete

  • future提供设置和获取结果的api
  • callback提供onComplete方法,想对结果干什么事直接干就是了,但无法返回结果。

其中,对于Future模式,有以下优点(也是我们为什么要对异步调用进行改造的原因):

  1. 在调用形式上,跟同步模式是一样的。
  2. 我们可以学习redis的pipeline对齐进一步封装(或者说是java的ExecutorService):提供批量执行接口,异步执行多条命令,对拿到的Future集中处理。好比Future aynscMethod();list<Future> = for(){}

thrift原生的异步调用是

RemotePingService.AsyncClient asyncClient = new RemotePingService.AsyncClient(protocol, clientManager, transport);
asyncClient.ping(111, new AsyncMethodCallback(){
    public void onComplete(Object response) {}
    public void onError(Exception exception) {}
});

thrift原生提供的不是Future模式,是callback模式,这就需要我们将callback转化成Future。如果说以前callback.onComplete的目的是对结果的处理的话,现在也是,只是重点变成了:实际的ping执行完毕后,将结果作为ping_proxy的返回值。

转化的关键就是:将callback变成一个Future,增加一个result成员存储结果,callback的onComplete就是对结果的设置,再增加一些锁的工具类用于安全的获取result。

CustomerAsyncCallback{
    Result result;
    CountDown latch;
    onComploete(Result result){
        set(result)
        latch.countDown(); // 手动标记结果可用
    }
}
// 静态代理
Result ping_proxy(){
    RemotePingService.AsyncClient asyncClient = xx;
    CustomerAsyncCallback callback = xx;    // 初始化callback
    ping(length,callback.onComplete(Result result){
        set(result)
        latch.countDown();     
    });                                
    latch.await()
    return callback.getResult()            
}

基于异步特性实现批量处理

为什么要异步调用批量化?因为这样做可以在一个线程中,一段串行代码里,在很短的时间内发出多个调用(调用之间没有先后关系),调用的总时长取决于最慢的那个调用而不是所有调用的耗费时间之和。

批量化封装,我们的目的是提供类似下列代码的接口

List<Object> results = batch.execute(new xxx{
    RemotePingService.Iface.ping(length);   
    RemotePingService.Iface.ping(length);
    RemotePingService.Iface.ping(lenght);
});
  1. 以同步接口调用,但实际执行的是异步方法
  2. 获取异步调用的返回值,并集中返回。

每一个RemotePingService.Iface.ping(length)实际逻辑就是:创建相应的AsyncClient实例,传入自定义callback,执行实际的ping方法,执行过程中,callback会拿到result值。

那么如何将每个callback拿到的result放到一起呢?如果 RemotePingService.Iface.ping(lenght)能传入一个List参数就好了。

既然不能传,那么熟悉threadlocal的童鞋知道,threadlocal可以实现无参数传参的效果。

数据流向跟引用依赖

数据从客户端到server端的流向:

client : client ==> protocol ==> transport server : Transport ==> protocol ==> processor ==> Fuction

观察最简单的thrift客户端和服务端代码:

TTransport transport = new TSocket("localhost", 1234);
TProtocol protocol = new TBinaryProtocol(transport);
RemotePingService.Client client = new RemotePingService.Client(protocol);
transport.open();
client.ping(2012);
transport.close();

client其实就是iface在客户端的实现

TServerSocket serverTransport = new TServerSocket(1234);
Test.Processor processor = new Processor(new TestImpl());
Factory protocolFactory = new TBinaryProtocol.Factory(true, true);
Args args = new Args(serverTransport);
args.processor(processor);
args.protocolFactory(protocolFactory);
TServer server = new TThreadPoolServer(args);
server.serve();

客户端是,Client对象(client对象就是客户端的ifaceimpl)依赖protocol。protocol依赖transport。因为是protocol的sendMessage驱动transport的senddata(byte[]).

服务端,是先接到byte[],然后变成message,然后执行processor(包装服务端ifaceimpl)

动态发现

说动态发现之前,先说下扩展代码的事。增加一个feature,我们要将feature增加在哪里,如何增加

如果你抽象除了一个Server,可以open、close。那么,你想把这个server注册到zk上时,肯定不是写在Server.open()里。而是定义一个更高层级的抽象,比如Exportor。

Exporter{
    open(){
        zk.xxx
        server.open();
    }
}

mainstay 提供各种api的初衷,估计是想各种实现,比如rpc是thrift,config center是zk

  1. 到时候各个组件可以替换
  2. 可以集中,比如rpc使用thrift和rmi,都用了zk,那么mainstay是可以集中管理的。

小结

基于原生的thrift调用,我们逐步讨论了以下扩展:

  1. spring化 + 代理模式 + 连接池封装
  2. 异步调用的改造
  3. 异步调用的批量化封装

大大简化和丰富了thrift的使用。