Mobabel

Just One Pure ITer

Category: Distributed Architecture

[转]分布式架构知识体系 0

Distributed Archi

[转]分布式架构知识体系

1. 1.问题 1、何为分布式何为微服务？ 2、为什么需要分布式？ 3、分布式核心理论基础，节点、网络、时间、顺序，一致性？ 4、分布式是系统有哪些设计模式？ 5、分布式有哪些类型？ 6、如何实现分布式？

0

System Monitor

[转]运维监控的终极秘籍

本文从饱和监控的采集和监控的四个黄金指标入手，解答关于新系统如何添加监控的问题。 有很多文章都提到过白盒监控和黑盒监控，以及监控的四个黄金指标。关于白盒与黑盒监控的定义，这里不再赘述。一般来说，白盒与黑盒分别从内部和外部来监控系统的运行状况，例如机器存活、CPU 内存使用率、业务日志、JMX 等监控都属于白盒监控，而外部端口探活、HTTP 探测以及端到端功能监控等则属于黑盒监控的范畴。

[转]推拉系统架构 0

Distributed Communication Theory

[转]推拉系统架构

今年花了一些笔墨写推拉系统架构： 系统通知，推送还是拉取？ 状态同步，推送还是拉取？ 网页消息，推送还是拉取？ 群已读回执，推送还是拉取？（这个diao） 群消息，存一份还是多份？（这个meng） feed流，到底什么是读扩散？ feed流，到底什么是写扩散？ 每一篇都是细致展开的案例，绝无花哨的装B。 画外音：每一篇，都先说业务场景，再聊N个方案，以及方案的优缺点，细细品味，定有收获。

[转]ShardingSphere分布式事务解决方案 0

Distributed Transaction Solution

[转]ShardingSphere分布式事务解决方案

1. 导读 相比于数据分片方案的逐渐成熟，集性能、透明化、自动化、强一致、并能适用于各种应用场景于一体的分布式事务解决方案则显得凤毛麟角。基于两（三）阶段提交的分布式事务的性能瓶颈以及柔性事务的业务改造问题，使得分布式事务至今依然是令架构师们头疼的问题。 Apache ShardingSphere（Incubating）不失时机的在2019年初，提供了一个刚柔并济的一体化分布式事务解决方案。如果您的应用系统正在受到这方面的困扰，不妨倒上一杯咖啡，花十分钟阅读此文，说不定会有些收获呢？

0

Kafka Practice

[总结]Kafka性能调优和参数调优

Kafka的配置详尽、复杂，想要进行全面的性能调优需要掌握大量信息，这里只记录一下我在日常工作使用中走过的坑和经验来对kafka集群进行优化常用的几点。

[转]百万并发中间件系统的内核设计看Java并发性能优化 0

Build High Performance System

[转]百万并发中间件系统的内核设计看Java并发性能优化

（1）大部分人对Java并发仍停留在理论阶段 （2）中间件系统的内核机制：双缓冲机制 （3）百万并发的技术挑战 （4）内存数据写入的锁机制以及串行化问题 （5）内存缓冲分片机制 + 分段加锁机制 （6）缓冲区写满时的双缓冲交换 （7）且慢！刷写磁盘不是会导致锁持有时间过长吗？ （8）内存 + 磁盘并行写机制 （9）为什么必须要用双缓冲机制？ （10）总结 “ 这篇文章，给大家聊聊一个百万级并发的中间件系统的内核代码里的锁性能优化。很多同学都对Java并发编程很感兴趣，学习了很多相关的技术和知识。比如volatile、Atomic、synchronized底层、读写锁、AQS、并发包下的集合类、线程池，等等。

[转]新浪日访问量百亿级的应用如何做缓存架构设计 0

Cache in distributed Architecture / Redis High Avaliable Scale Architect

[转]新浪日访问量百亿级的应用如何做缓存架构设计

微博日活跃用户1.6亿+，每日访问量达百亿级，面对庞大用户群的海量访问，良好架构且不断改进的缓存体系具有非常重要的支撑作用。刷微博吗？跟我们一起听听那些庞大的数据是如何呈现的吧！ 陈波：大家好，今天的分享主要有以下内容，首先是微博在运行过程中的数据挑战，然后是Feed系统架构，接下来会着重分析Cache架构及演进，最后是总结、展望。

[转]同程RocketMQ如何应对每天1500亿条的数据处理？ 0

RocketMQ

[转]同程RocketMQ如何应对每天1500亿条的数据处理？

同程艺龙的机票、火车票、汽车票、酒店相关业务已经接入了 RocketMQ，用于流量高峰时候的削峰，以减少后端的压力。 同时，对常规的系统进行解耦，将一些同步处理改成异步处理，每天处理的数据达 1500 亿条。 在近期的 Apache RocketMQ Meetup 上，同程艺龙机票事业部架构师查江，分享了同程艺龙的消息系统如何应对每天 1500 亿条的数据处理。 通过此文，您将了解到： 同程艺龙消息系统的使用情况 同程艺龙消息系统的应用场景 技术上踩过的坑 基于 RocketMQ 的改进