gRPC的error可以理解为远程error，他是在另一个服务 返回的，所以每次error在客户端是反序列化，new出来 的。是无法通过errors.Is判断其根因。 • 将gRPC的错误码注册到一起，然后通过FromError方式， 利用map唯一性的判别，转化为本地错误，使用 errors.Is来判断根因。 • errors.Is(eerrors.FromError(err), UserErrNotFound()) 微服务的开发阶段

------- wiki AI 具体应用场景 机器学习 vs 深度学习 • 机器学习是指通过算法，对数据进行分析，最终得出判断。 • 深度学习是指通过人工神经网络，通过对数据进行分析学习， 最终得出判断。 • 机器学习最难的地方在于特征的提取，而深度学习认为特征 提取是可以通过人工神经网络学习而得出结论的。深度学习 在非结构化数据方面有很大的优势。

业务容器。他为每个业务容器提供如下功能：①在pod中担任Linux命 名空间共享的基础。②启用pid命名空间，开启init进程。 引入这种方式的原因： 1. 一组容器运行的pod中，很难对整体进行判断，引入pasue作为根容器， 以他的状态代表整个容器组的状态。 2. pod中多个容器共享pasue容器的IP，共享pause容器挂载的volume。 这样简化了密切相连的容器之间的通信，也解决了他们之间文件共享的问题。 的具体原因是什么。 比如，Pod 当前的 Status 是 Pending，对应的 Condition 是 Unschedulable，这就意味着它的调度出现了问题。 Pod 的这些状态信息，是我们判断应用运行情况的重要标准，尤其是 Pod 进入了非“Running”状态后，你一定要能迅速 做出反应，根据它所代表的异常情况开始跟踪和定位，而不是去手忙脚乱地查阅文档。 16 www.h3c.com

数字映射。数字技术实现了对现实世界的数据采集、存储，并能提 供分析处理数据所需的算力。云计算作为链接数字世界计算资源与 数字应用的纽带，能够有效整合海量、泛在的算力资源，加速数字 应用的感知、判断和执行。 （一）数字应用方式与算力资源供给的变革，推动云计 算作用转变 人工智能大模型的快速发展，引发数字应用使用方式和算力资 源供给的双向变革，加速了云计算向面向大体量分布式应用体系化、 段算力服务以云计算技术为依托，综合考虑用户计算需求、算力、 网络等多样资源状态，构建全域一体、算网融合的多要素融合编排 体系，完成调度从单一资源到多样资源的跃迁，如中国移动“九天·算 网大脑”通过对计算任务、算网资源状态等综合判断形成算网融合 编排方案。 （三）模式方面，云计算重构算力服务供需新模式 传统云服务交易模式，主要以使用方与云厂商之间进行“一对 一”租赁模式为主，在云计算演进过程中，这种模式的弊端逐渐显 云计算白皮书（2023

⾸云容器服务的⾃动伸缩能⼒是通过节点⾃动伸缩组件实现的，可以按需弹出实例，⽀持多实例规格、多 种伸缩模式，满⾜不同的节点伸缩场景。 节点⾃动伸缩组件是基于kubernetes资源调度的分配情况进⾏伸缩判断的，节点中资源的分配是通过资源 请求（Request）进⾏计算的。当Pod由于资源请求（Request）⽆法满⾜并进⼊等待（Pending）状态 时，节点⾃动伸缩组件会根据配置的弹性伸缩组配置信