⼀一个对象通过ID被唯⼀一标识 Value Object - 值对象 • 通过值确定对象的等价性 Domain Services - 业务逻辑 Aggregate - 聚合(根) • ⼀一组实体对象和值对象的集合 • 外部对聚合的访问通过聚合根 Factories - 对象⼯工⼚厂 Repository - 存储机制 Tactical-战术建模 领域驱动设计的架构 �16 Domain Model 能快速发现界限上下⽂文以及相关的聚合根等 参与⼈人员：业务⼈人员，领域专家，技术⼈人员，架构师，测试⼈人员等关键⻆角⾊色 开放空间：⾜足够的空间将业务事件流可视化，让⼈人们可以互相讨论 彩⾊色即时贴：使⽤用不不同颜⾊色标识 Alberto Brandolini 如何使⽤用Event Storming 业务流梳理理 寻找事件 寻找命令 寻找聚合 划分⼦子域&界限上下⽂文 理理解业务 但不不出现在设计 中的业务术语 统⼀一语⾔言 业务流梳理理 寻找事件 寻找命令 寻找聚合 划分⼦子域&界限上下⽂文 统⼀一语⾔言 ① ② ③ ④ ⑤ ⑥ 业务流梳理理 领域专家介绍业务，参与者可以任意提问，⼤大家在理理解业务的基础上梳理理出业务流。 业务流梳理理 寻找事件 寻找命令 寻找聚合 划分⼦子域&界限上下⽂文 统⼀一语⾔言 ① ② ③ ④ ⑤ ⑥ 寻找事件

⼈人员，架构师，测试⼈人员等关键⻆角⾊色都 要参与其中 ‣开放空间：有⾜足够的空间可以将事件流 可视化，让⼈人们可以交互讨论 ‣彩⾊色即时贴：⾄至少三种颜⾊色 活动准备 寻找领域事件 事件⻛风暴暴 命令⻛风暴暴 寻找聚合 划分限界上下⽂文 什什么是事件？ 为什什么⽤用事件？ 如何进⾏行行事件⻛风暴暴？ 事件：领域专家关⼼心的，在业务上真实 发⽣生的事 例例1: 客户订单已提交 例例2: 对账已完成，每⽉月末夜间触发 已增加 商品已 编辑 退货单已 创建 退货单已 审核 订单已 退货 ⼊入库单 已创建 ⼊入库单 已⼊入库 仓库库存 已增加 寻找命令 事件⻛风暴暴 命令⻛风暴暴 寻找聚合 什什么是命令？ 为什什么⽤用命令？ 如何进⾏行行命令⻛风暴暴？ 命令：什什么活动产⽣生了了事件 例例1: 提交客户订单 例例2: 启动夜间对账 事件是业务上的输出，命令是业务 上的输⼊入。命令以及相应⻆角⾊色可以 投诉单 客服 ⼈人员 客服 ⼈人员 产品运 营⼈人员 产品运 营⼈人员 产品运 营⼈人员 产品运 营⼈人员 产品运 营⼈人员 寻找聚合 事件⻛风暴暴 命令⻛风暴暴 寻找聚合 什什么是聚合？ 如何寻找聚合？ 聚合是⼀一组相关领域模型的集合 ， 是⽤用来封装业务的不不变性。确保 关联关系紧密的领域模型能够内 聚在⼀一起。 1. 按照事件顺序依次通过提问来分析： •

务 开 发 框 架 ⼯工 程 实 践 与 规 范 持 续 交 付 流 ⽔水 线 端 到 端 的 ⼯工 具 链 注册发现 监控 调⽤用链 路路由 授权认证 ⽇日志聚合 容错 集中配置 基础设施 业务层 - 聚合服务 - 基础服务 接⼊入层 • 流量量限制 • 调⽤用统计 • 安全认证 • 提供统⼀一接⼝口，封装内部变化 • 协议转换 API⽹网关 微服务⽣生态系统 注册发现 监控 调⽤用链 路路由 授权认证 ⽇日志聚合 熔断 集中配置 基础设施 接⼊入层 业务层 - 聚合服务 - 基础服务 • ⾯面向对象设计(名词/动词)
 • 可重⽤用的逻辑 • 资源密集型部分 • 领域驱动设计 • 数据访问⽅方式 服务设计与拆分 44 Node.js Java 基础服务实现 聚合服务实现 Proxy Chained Shared 开 发 框 架 ⼯工 程 实 践 与 规 范 持 续 交 付 流 ⽔水 线 端 到 端 的 ⼯工 具 链 注册发现 监控 调⽤用链 路路由 授权认证 ⽇日志聚合 容错 集中配置 基础设施 接⼊入层 业务层 - 聚合服务 - 基础服务 注册发现 为什什么要注册发现 • 服务重启/升级后的IP地址变化 • ⽔水平伸缩后服务的实例例数量量变化 • 同⼀一个结点运⾏行行多个服务(端⼝口不不同)

t(a, b) SELECT sum(count(b)) FROM t Validation ❌ 嵌套的聚合函数 SELECT a FROM t WHERE sum(b) > 10 ❌ WHERE 中的聚合函数 聚合函数提取 sum + count $1.1 聚合分析 count [] [count(Id(1))] [sum(Id(1))] [sum(Id(1)) [sum(Id(1)), count(Id(1))] Id=1 2 3 4 5 [count(Id(4))] ⚠ 嵌套聚合函数 ✅ 收集所有聚合函数 聚合函数提取 Filter $1.2 = “Bob” Hash Join $1.1 = $2.1 Scan $1.1, $1.2 Scan $2.1, $2.2 Projection $1.2 + $2.2 物理下标解析 Parser Binder Optimizer Executor SQL AST Table 基于 egg 的新版查询引擎 类型分析 Schema 分析 聚合分析 — 类型检查 — 通配符展开 — 聚合提取 常量分析 列分析 ⾏分析 类型分析 Schema 分析 — 类型解析 — 物理下标解析 — 常量折叠 — 算⼦下推 — 代价估计 — 其它优化

亿，存储消息量近 400TB，高峰期集群 QPS 达 650万/秒。 面对流量的成倍增长，CAT 在通信、计算、存储方面都遇到了前所未有的挑战。整个系统架构也经历了 一系列的升级和改造，包括消息采样聚合、消息存储、业务多维度指标监控、统一告警等等，项目最终稳 定落地。为公司未来几年内业务流量的稳定增长，打下了坚定的基石。 经过 7 年的持续建设，CAT 也在不断发展，我们也希望更好的回馈社区，将  CAT 3.0 开源发布，支持多语言客户端及多项性能提升 - 美团技术团队 性能提升 性能提升 消息采样聚合 消息采样聚合在客户端应对大流量时起到了至关重要的作用，当采样命中或者内存队列已满时都会经 过采样聚合上报。采样聚合是对消息树拆分归类，利用本地内存做分类统计，将聚合之后的数据进行 上报，减少客户端的消息量以及降低网络开销。 通信协议优化 CAT 客户端与服务端通信协议由自 比如我们会根据用户的行为，发放勋章奖励，其 中一个勋章的发放条件是用户过去30天的浏览商户数量，我们不会直接出一个30天的聚合数据，而是以 天为周期，做一次聚合，然后再把30天的数据聚合，这样比较通用灵活一些，上层应用可以按照自己的 业务需求，进行一些其他时间段的聚合。 在数据的导入中，我们也有不同的策略： 1. 比如用户的行为路径分析中，我们在Hive中计算好的结果，数据量是非常庞大的，但是Hive本身的设

算法 < 43 其中，参数 α 与流行度成反比，来削弱流行商品的权重，从而消除流行度偏差。参 数 β 是正样本权重，用于解决样本不平衡问题。 第四个阶段首先将 i2i 打分通过 Max 操作进行聚合，突出打分集合中低热度商品的高 分信号，从而缓解流行度偏差问题。然后对商品列表的打分结合商品热度进行调整处 理，进而缓解流行度偏差问题。 关于该比赛的更多细节，大家可以参考《KDD Cup 2020 (message function)、聚合函数 (reduce function) 和更新函数 (update function)[7]。 我们扩展了聚合函数的种类，提出一种更加通用的计算范式： 上述计算范式仍然分为生成消息、聚合消息、更新当前节点三个步骤，具体包括： ● 层次维度的聚合函数 ：用于聚合同一节点在模型不同层次的表示。例如， 多数 GNN 模型中，层次维度的聚合函数为上一层的节点表示；而在 中，层次维度的聚合函数可以设定为 LSTM[11]。 ● 消息函数 ：结合起始节点和目标节点，以及边的特征，生成用于消息传递的 消息向量。 ● 节点维度的聚合函数 ：汇集了来自邻居节点 的所有消息向量。值得注 意的是， 也可以有不同的实现。例如，在 GCN 中为所有邻居节点，而在 GraphSage[9] 中为邻居节点的子集。 ● 更新函数 ：用于聚合节点自身在上一层和当前层的表示。

records! car rental saga T T' time 断 一致性方案的选择建议 ? ??? ???? ? ?? ? ? ? ?? 一致性方案的选择建议 • 微服务内：聚合通过数据库事务保证强一致 内刚 • 微服务间：最终一致 外柔 微服务架构与领域驱动设计 • if our service boundaries align to the bounded that our microservices are loosely coupled and strongly cohesive. 微服务：限界上下文 领域驱动设计是微服务系统架构的最佳指南 聚合与数据一致性 • A properly designed Aggregate is one that can be modified in any way required by the business will not be expected to be up-to-date at all times. 聚合内：强一致 跨聚合：最终一致 聚合边界：强一致边界 一致性方案选择建议 • 微服务：限界上下文 • 聚合边界：强一致边界 • 限界上下文 -> 1 .. N 聚合 微服务内：聚合通过数据库事务保证强一致 微服务间：最终一致 如果需要分布式强一致，先考虑设计是否合理而非追求最新技术

事件⻛风暴暴得到的命令和事件就没⽤用了了吗？ 订单 已创建 库存 已锁定 提交 订单 ⽤用户 SubmitOrderCommand OrderCreated StockLocked 订单聚合创建订单服务 接收 仓库聚合的事件订阅者 仓库聚合锁定库存服务 发送 LockStockCommand ⽣生成 ⽣生成 接收 ⽣生成 QueryOrderCommand 订单域查询服务 接收 OrderList ��Equals()�� Ø ����/���� Ø ���(Immutable) Ø ��Address/Color 如何区分应⽤用服务和领域服务 应⽤用服务（很薄，没有业务逻辑） 领域聚合A 领域聚合B 领域聚合C 领域服务 领域服务 领域服务 X 领域服务之间最好不不要相互直接调⽤用 使⽤用什什么架构 六边形架构为什什么是六条边 领域故事中的对象怎么对应到架构上 命名 OrderController OrderController 适配器器层 领域层 CreateOrderApplication OrderRepositoryJPA API DB OrderRepositoryMybatis 订单聚合 仓库聚合 领域层 领域故事如何变成代码 创建订单服务收到命令后，会把创建订单命令转换成订单，然后调⽤用订单仓库进⾏行行保 存，保存成功后会让事件发布器器发布订单已创建事件 软件中最痛苦的就是需求经常发⽣生变化，这也是DDD想要解

● Calc OP：用于处理对获取到的原始特征做与模型无关的逻辑处理，如拆分、 判空、组合。业务可以结合需求实现特征处理逻辑。 通过 IO、计算分离，特征抽取执行阶段就可以进行 IO 异步、自动聚合 RPC、并行 计算的编排优化，从而达到提升性能的目的。 Transformer：用于处理与模型相关的特征逻辑，如分桶、低频过滤等等。一个特 征可以配置一个或者多个 Transformer。Transformer 类型、易读的特征表达式语言，将特征看成一系列 OP 与其他特征的组合，并基于 Bison&JFlex 构建了高性能语法和词法解析引擎。我们在解释执行阶段还做了一系 列优化，包括并行计算、中间特征共享、异步 IO，以及自动 RPC 聚合等等。 10 > 美团 2020 技术年货 举个例子： // IO Feature: binaryBusinessTime; ReadKV 是一个 IO 类型的 OP ReadKV('mtp （16c16g）的服务容量提升超过 100%，提高了资源的利用率。 4.2.2 预估的性能及表达式的开销 框架的优势：得益于分布式，纯异步流程，以及在特征 OP 内部做的各类优化（公用 特征 、RPC 聚合等），从老框架迁移到 Augur 后，上千份文档的深度模型预估性能 提升了一倍。 至于大家关心的表达式解析对对于性能的影响其实可以忽略。因为这个模型预估的耗 时瓶颈主要在于原始特征的抽取性能（

git ⼀样好用。 业务层  服务管理：实现服务 CRUD，域名 CRUD，服务健康状态检查，服务权重管理等功能。  配置管理：实现配置管 CRUD，版本管理，灰度管理，监听管理，推送轨迹，聚合数据等功能。  元数据管理：提供元数据 CURD 和打标能力，为实现上层流量和服务灰度非常关键。 19 > Nacos 架构 内核层  插件机制：实现三个模块可分可合能力，实现扩展点 SPI eper 在写性能上似乎能达到上万的 TPS，这得益于 Zookeeper 精巧的设计，不过这显然是因为有⼀系列的前提存在。首先 Zookeeper 的写逻辑就是 进行 K-V 的写入，内部没有聚合；其次 Zookeeper 舍弃了服务发现的基本功能如健康检查、友好 的查询接口，它在支持这些功能的时候，显然需要增加⼀些逻辑，甚至弃用现有的数据结构；最后， Paxos 协议本身就限制了 Zookeeper 首先是双机房容灾，基于 Leader 写的协议不做改造是无法支持的，这意味着 Zookeeper 不能在 没有人工干预的情况下做到双机房容灾。在单机房断网情况下，使机房内服务可用并不难，难的是 如何在断网恢复后做数据聚合，Zookeeper 的单点写模式就会有断网恢复后的数据对账问题。Eure ka 的部署模式天然支持多机房容灾，因为 Eureka 采用的是纯临时实例的注册模式：不持久化、所 有数据都可以通过客