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


反应式架构摸索

2019年01月21日

简介

In computing, reactive programming is a declaractive programming paradigm concerned with data streams and the propagation of change.

从术语上,本文不严格区分反应式编程/响应式编程,从各种材料看,称呼为“反应式”更好。对应的,反应式编程的反面——顺序编程/命令式编程 也不做严格区分。

反应式思想也分为不同的层次, 有架构层面的,代码层面的——rxjava1——概念 ReactiveX(RxJava/RxGo) 不等于反应式编程,仅仅是用于反应式编程的API。

20200522补充

Reactive 架构才是未来

public static void main(String[] args) {
    FluxProcessor<Integer, Integer> publisher = UnicastProcessor.create();
    publisher.doOnNext(event -> System.out.println("receive event: " + event)).subscribe();
    publisher.onNext(1); // print 'receive event: 1'
    publisher.onNext(2); // print 'receive event: 2'
}

笔者最近看golang的源码有一点感触:当go并发的成本非常低之后,比hashicorp raft 内部的代码 干脆以 channel 串通了。一些独立的逻辑 在启动之后 就新启 goroutine long running 了,goroutine 消费channel 发channel。即便是 web 处理也是 收到请求 发channel,接收channel 响应response。业务逻辑是通过channel 串起来的(接口就是channel)。 这就有点reactive 的意思了,怎么处理数据已经写好了,你发数据即可。

坦白讲 Reactive programing 方式目前接受程度并不高。特别是使用 Java 语言开发同学,这和 Java 面向命令控制流程的编程思维方式有较大差异。

架构层——全面异步化:淘宝反应式架构升级探索

全面异步化:淘宝反应式架构升级探索

反应式架构与一般架构相比,其反应体现在:

  1. 对用户有反应,对用户有反应我们才说响应,一般我们说的响应,基本上都说得针对跟用户来交互。
  2. 对输入有反应,响应系统的输入,也可以叫做消息驱动。
  3. 要对失败有反应,应用失败了系统不能无动于衷,等着它挂掉,要有反应。
  4. 要对容量和压力变化有所反应,比如说淘宝的秒杀,系统需要反应来保证对用户的响应性,再如那个当流量降下来,将系统缩容,可以节约成本,这也是一种反应。

要做到反应式,需要做到三点:

  1. 适应性,也就是发生失败能恢复回来,无论是系统、网络、代码出现了问题都能恢复。
  2. 弹性,这点主要是应对流量的变化,弹性的前提是做到可伸缩性 Scalability,从软件设计上,要做到去中心化;同时,在运行时,要感知节点当前的系统负载,将压力往上游进行反馈,做到系统可以感知链路级别的节点压力
  3. 消息驱动,有了消息驱动才能比较好的做到上面两个点。在反应式架构里,以前这点叫做事件驱动,后来改为消息驱动,消息驱动强调无阻塞、无 callback,所以不会有线程挂在那里,不会有持续的资源消耗。同时,事件驱动或消息驱动都是异步化,而异步化会将操作系统中的队列情况显式地提升到了应用层,使得应用层可以显式根据队列的情况来进行压力负载的感知(PS,常规的同步操作,会让os 线程让出cpu,在os thread struct array 中等着被调度。异步之后,线程都是满负荷在跑)

PS:从上图学到的一点是,在反应式架构下, app 并不是直接和组合业务服务交互的,有了网关一层的包装,http 响应本质就是 用tcp连接 给网关写返回值数据而已。我们想象一下一个中间rpc 服务的逻辑

1. 串联rpc 框架,上游请求序列转换为一个输入参数流,一次调用(比如查询product)视为“进来一个productId”
2. 对输入数据进行转换,可能涉及到其它rpc
3. 等拿到结果了,写回响应

其实有点类似 mapreduce, map和reduce 归你写,但什么时候在哪里哪个线程跑map/reduce 你就说了不算了。

反应式架构中的核心概念是“流”,流就是面向数据的顺序串行执行的一系列操作组合,它同传统的编程相比,将业务逻辑导致数据改变,变成了操作改变数据,反过来影响业务逻辑的改变。面向流编程就是面向数据编程。PS:没懂

整个方案对业务架构的升级主要包括编程框架、中间件,以及业务方的升级。中间件的升级,包括服务框架(RPC)、网关、缓存、消息(MQ)、DB(JDBC)、限流组件、分布式跟踪系统、移动端 Rx 框架。这其中值得注意的包括,对服务框架的升级,流式实现将在 Dubbo 3 中放出;DB 中的异步集成使用 Ali JVM 协程或用线程池实现;移动端为了支撑已有的 iOS 应用,淘宝开发了 AliRxObjc 并即将开源。

代码/框架层——剖析响应式编程的本质

剖析响应式编程的本质 要点如下:

  1. 响应式编程(Reactive Programming)到底是什么?从名词定义来讲,中文的响应式并没有很好地展现Reactive的本意
  2. 传统的顺序编程(将顺序编程作为 响应式编程的对立面)采用每条指令依次执行的方式,倘若上一条指令没有执行结束,当前的线程就得等着,任你如何提升机器性能还是代码性能,如果本质不变,始终改变不了响应需要等待的现实。若要响应迅速,就得把顺序执行指令的方式换一换——同步换成异步,方法执行换做消息发送,于是乎,我们可以精简地定义:响应式编程就是异步数据流编程。 有关异步编程框架的讨论提到:其实从某种程度来说,异步框架是程序试图跳出操作系统界定的同步模型,重新虚拟出一套执行机制,让框架的使用者看起来像一个异步模型。另外通过把很多依赖操作系统实现的笨重功能换到程序内部使用更轻量级的实现。
  3. 这其实是一种编程范式,是编程理念的一种思想转型。因为采用响应式编程,我们就不再将软件要处理的业务视为对象,又或者函数,而是直接透析到本质:数据流(Data Stream)。一言以蔽之:万事万物皆为流 everything is a stream。这种流动差不多可以归纳为:Command -> CommandHandler -> Event -> EventHandler -> Command ...
  4. 响应式编程 和CQRS 不谋而合,按照CQRS的设计思想,任何业务都可以分解为两种形式的消息:Query与Command。
  5. 执行Command本身是要改变业务对象值的,然而,如果我们将每次变更都视为是一种“状态的迁移”,然后利用事件去记录每次变更,就可以将可变转换为不变。
  6. 响应式编程的设计原则是:

    • 保持数据的不变性
    • 没有共享
    • 阻塞是有害的

领域驱动 + CQRS

《软件设计之美》无限流:在传统的编程方式中,我们熟悉的集合类都是有限长度的,因为集合中的每个元素都是事先计算好的。但现在有了惰性求值,我们就可以创造出一个无限长的集合。无限长集合真正预置进去的是:元素的产生规则。这样一来,元素就会像流水一样源源不断地产生出来,我们将这种集合称为无限流(Infinite Stream)。

以分支逻辑的替换为突破口来理解反应式编程

传递的命令式编程范式以控制流为核心,通过顺序、分支和循环三种控制结构来完成不同的行为。

顺序和循环 使用rxjava 替换起来比较简单,难就难在 分支/ifelse 的替换。参见Conditional Logic and RX 值得读三遍

Conditional logic in RX style programming is a big hurdle for new users. If you’re coming from an imperative background there is a learning curve. Once you get the hang of it though, you can create powerful but simple applications that would be almost to difficult the old way.

对数据组中奇数和偶数进行不同的输出:

public class EvenOrOdd {
  		public static void main(String... args) {
		Flux.fromIterable(Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10))
    	.map(EvenOrOdd::check)
    	.doOnNext(System.out::println)
    	.blockLast();
  	}
  	private static String check(int i) {
	if (i % 2 == 0) {
  		return i + " is even";
   	 	} else {
  		return i + " is odd";
	}
  	}

那如果奇数和偶数场景下 调用不同的rpc呢? 那就是将 数字map 为future。即不管符不符合condition,都是一种输出,将分支判断转换为 map映射。那如果不符合条件没输出呢?用filter 操作即可。

Rx-style programming really shines with asynchronous code. 反应式编程 对异步代码很友好,面向数据流编程只是在写处理逻辑(回调函数),rxjava 并不保证执行顺序线程是你看到的那样,传递的命令式编程范式以控制流为核心,而反应式编程将“控制权”让出去了。命令式编程控制流排斥异步和多线程

其它材料

2018.8.24 补充:我们使用rxjava,会发现,它对观察者 定义了接口,对被观察者 也定义了接口, 在两个定义的接口之间(被观察者管发送,观察者管接收,中间可以玩很多花活儿):

  1. 首先是数据流的处理:有了数据流,那么数据的那一套转换、缓冲等可以剥离出来。
  2. 同步异步,线程的切换等

按照程序 = 控制 + 逻辑。逻辑就是被观察者 如何发射, 观察者如何接收,控制则是同步、异步等。再比如数据流转换是逻辑,但n个转换逻辑如何串起来是控制

2019.1.5 补充 响应式架构与 RxJava 在有赞零售的实践 响应式架构(vs 微服务),响应式编程 。

微服务之间的通信的最佳机制就是消息传输。如上文所说,服务之间的异步边界能够在时间和空间两方面进行解耦,能够提升整体系统的性能。

将方法调用转换为数据流动

反应式架构 是几个概念的集大成者,我们先要对 一些具体的概念有所感觉,比如异步、数据流 等

假设存在一个逻辑,对于传入的1000个uid,按照几个过滤条件(rpc调用)过滤,输出符合所有条件的uid,其它的uid 则记录原因。则常规代码如下

主流程{
	List<Long> uids = filterX();
	Map<uid,bool> result = filterX+1(uids);
	List allowUids = xx
	for(uid : result.keySet()){
		if(result.getuid){
			allowUids.add(uid)
		}else{
			// 记录原因
		}
	}
}

如果是数据流动(这块可以考虑下spring stream)

  1. 没有主控流程,至少代码上不直接体现
  2. filterX 是生产者 filterX+1 是消费者
  3. 用户是否符合条件 是两种“重要性” 均等的结果,均交给下游处理

    filterX+1{ void onNext(data){ if(allow){ emit(nextFilter,data); }else{ emit(errorHandler,data); } } }

像是一个链表节点,每个步骤除了负责自己, 还负责决策消息的下一个去处。

从这个角度看,异步和数据流是一体两面的,异步先是数据流,从整个流程看,是一个数据的生产和处理过程。异步只是从生产者的角度看 是一个“异步”, 表示生产者想从数据的生产和处理过程中捕获事件/数据。