联邦学习 管理 Local Controller Worker Worker Worker 边侧推理 Lib 边侧训练 Model Worker 云侧 推理 Lib 参数 聚合 云侧 训练 Model Global Manager AI任务协调 AI任务管理 模型/数据集管理 Cloud Node Messaging over KubeEdge 终身学习 开发边云协同联邦学习程序。 ② 启动联邦学习任务，部署训练 程序到边缘 ③ 多任务检测，划分Non-IID样本集，与云端配合识别相似任务 ④ 本地训练，模型参数上传云端，云端运行跨边迁移+模型聚合算法。 Cloud EdgeNode 1 EdgeNode 2 Sedna Federated-Learning Service API model local samples Algo models parameters updating Labelin g Service Labelin g Service 边云协同联邦学习： 孤岛数据不出边缘，知识聚合产生模型 EdgeNode 2 App Unseen Task Detect EdgeNode 1 App Unseen Task Detect EdgeNode 4 App

跨平台性：基于Golang开发语言强大跨平台特性 框架介绍-项目初心 工程化建设 统一框架 核心组件 项目架构 设计模式 开发规范 开发文档 开发工具 …… 模块化设计 第二部分 • 复用原则 • 单仓包设计 • 模块聚合设计 • 常见问题 模块化设计 什么是模块？ 模块化的目标？ 模块也称作组件，是软件系统中可复用的功能逻辑封装单位。 在不同的软件架构层次，模块的概念会有些不太一样。 在开发框架层面，模块是某一类功能逻辑的最小封装单位。 项目依赖的模块过多，项目整体的稳定性会受到影响 • 项目依赖的模块过多，无从下手是否应当升级模块版本 • 各个模块孤立设计，单独看待每个模块可替换性很高， 开发体系难以建立，开发规范难以统一 模块化设计-模块聚合设计 • 框架核心维护较全面的通用基础模块，降低基础模块选择成本 • 我们只需要维护一个统一的框架版本，而不是数十个模块版本 • 我们只需要了解一个框架的内容变化，而不是数十个模块的内容变化

longTimeRequest(results) 6| 7| fmt.Println(sumSquares(<-results, <-results)) 8| } 这可以看作是后面将要提到的数据聚合的一个应用。 采用最快回应 本用例可以看作是上例中只使用一个通道变种的增强。 有时候，一份数据可能同时从多个数据源获取。这些数据源将返回相同的数 据。 因为各种因素，这些数据源的回应速度参差不一，甚至某个特定数据源 模块执行分配给它们 的不同的任务。 每个模块由一个或者数个并行工作的协程组成。实践中常见 的工作任务包括： 数据生成/搜集/加载； 数据服务/存盘； 数据计算/处理； 数据验证/过滤； 数据聚合/分流； 数据组合/拆分； 数据复制/增殖； 等等。 一个模块中的工作协程从一些其它模块接收数据做为输入，并向另一些模块发 送输出数据。 换句话数，一个模块可能同时兼任数据消费者和数据产生者的 19 | return c 20 | } 事实上，此随机数产生器是一个多返回值的future/promise。 一个数据产生者可以在任何时刻关闭返回的通道以结束数据生成。 数据聚合 一个数据聚合模块的工作协程将多个数据流合为一个数据流。 假设数据类型 为int64，下面这个函数将任意数量的数据流合为一个。 1| func Aggregator(inputs ...<-chan uint64)

go longTimeRequest(results) fmt.Println(sumSquares(<-results, <-results)) } 这可以看作是后面将要提到的数据聚合的一个应用。 采用最快回应 本用例可以看作是上例中只使用一个通道变种的增强。 有时候，一份数据可能同时从多个数据源获取。这些数据源将返回相同的数 据。 因为各种因素，这些数据源的回应速度参差不一，甚至某个特定数据源的 的模块执行分配给它们 的不同的任务。 每个模块由一个或者数个并行工作的协程组成。实践中常见的 工作任务包括： 数据生成/搜集/加载； 数据服务/存盘； 数据计算/处理； 数据验证/过滤； 数据聚合/分流； 数据组合/拆分； 数据复制/增殖； 等等。 一个模块中的工作协程从一些其它模块接收数据做为输入，并向另一些模块发 送输出数据。 换句话数，一个模块可能同时兼任数据消费者和数据产生者的角 色。 } }() return c } 事实上，此随机数产生器是一个多返回值的future/promise。 一个数据产生者可以在任何时刻关闭返回的通道以结束数据生成。 数据聚合 一个数据聚合模块的工作协程将多个数据流合为一个数据流。 假设数据类型为 int64，下面这个函数将任意数量的数据流合为一个。 func Aggregator(inputs ...<-chan uint64)

longTimeRequest(results) 6| 7| fmt.Println(sumSquares(<-results, <-results)) 8| } 这可以看作是后面将要提到的数据聚合的一个应用。 采用最快回应 本用例可以看作是上例中只使用一个通道变种的增强。 有时候，一份数据可能同时从多个数据源获取。这些数据源将返回相同的数据。 因 为各种因素，这些数据源的回应速度参差不一，甚至某个特定数据源的多次回应速 不同的模块执行分配给它们的不 同的任务。 每个模块由一个或者数个并行工作的协程组成。实践中常见的工作任务 包括： 数据生成/搜集/加载； 数据服务/存盘； 数据计算/处理； 数据验证/过滤； 数据聚合/分流； 数据组合/拆分； 数据复制/增殖； 等等。 一个模块中的工作协程从一些其它模块接收数据做为输入，并向另一些模块发送输 出数据。 换句话数，一个模块可能同时兼任数据消费者和数据产生者的角色。 19| return c 20| } 事实上，此随机数产生器是一个多返回值的future/promise。 一个数据产生者可以在任何时刻关闭返回的通道以结束数据生成。 数据聚合 一个数据聚合模块的工作协程将多个数据流合为一个数据流。 假设数据类型为 int64，下面这个函数将任意数量的数据流合为一个。 1| func Aggregator(inputs ...<-chan uint64)

https://linkerd.io/2016/03/16/beyond-round- robin-load-balancing-for-latency/ ● 流控 ● 请求鉴权 ● 请求参数校验 ● 业务聚合 ● 支持自定义中间件 api gateway层 ● Google SRE算法 ● 放弃了Netflix Hystrix算法 ● 基于滑动窗口（10秒/40窗口） ● 支持自定义触发条件

每秒写入数据点 Active Time Series 2018-2020 年架构 2020 年底面临的问题 ● 无法查询超过 30 天的数据 ● 查询慢，平均时间超过 2 分钟 ● 跨集群指标无法聚合 ● Prometheus 集群经常崩溃 ● 维护时 Prometheus 会丢数据 ● 成本高，需要大容量 SSD 磁盘 2021-2022 核心需求 可跨集群查询 长期存储 兼容

UML ➢ 常⻅的问题 1. 晦涩难懂的概念，有时为了说明⼀些概念引⼊⼀些新的概念（领域服务/领域对象/领域 模型/值对象/聚合根/实体/⽤例等）； 2. ⽅法这么多，到底谁更值得信赖； 3. 案例过于陈旧，如银⾏系统，电⼒系统等，⾥⾯阐述的⽅法和步骤到较难运⽤到互联⽹ 的业务中； 忘掉⼀些晦涩难懂的概念和复杂的步骤，从⽣活的视⻆出发，来思考我们的业务模型

(n2) /O (n3) O (n) P R node1 node2 node3 node4 Propose Response l 流⽔线并发共识机制，共识效率显著提⾼ l ED25519聚合签名验签，效率快⼀倍 l Pacemaker机制保证系统活性 区块链平台关键技术-共识算法 20 趣链科技 版权所有 ©2016-2021 全连接 双向通信 • 统⼀配置 • ⾼效转发

expr3 的类型必须一致。Go的 switch 非常灵活，表达式不必是常量或整 数，执行的过程从上至下，直到找到匹配项；而如果 switch 没有表达式，它会匹配 true 。 在第5行中，把很多值聚合在了一个 case 里面，同时，Go里面 switch 默认相当于每个 case 最后带有 break ，匹配成功后不会自动向下执行其他case，而是跳出整个 switch , 但是可以使用 fallthrough