一文了解阿里一站式图计算平台GraphScope

这里说一下 AKF 扩展立方体，我觉得这个东西特别的好用，所以给大家介绍一下。

比如说在 Nginx 上配了很多的上游，上游默认使用的是 RoundRobin，不管你的上游有8核16G还是4核8G的，你都会配权重，配权重似乎它俩不一样，但是任何一个请求这两台都能够处理。所以它其实是复制过来的，用最小连接数，它关注的点是上游服务器的负载。

这是X轴，X轴的成本特别低，加机器就可以。但是到了Y轴和Z轴就不一样，他们开始是基于请来。比如说 MySQL 做读写分离，我看到了一个 select 的语句和 update 的语句，如果是 select 的语句，我就随便找一个 slave，找一个备库去访问，它又回到X轴了。

如果是一个 update，我可能就要进入主库，这就是读写分离。还有像 API Gateway 也是经常这样的，做代码重构以后，希望把用户类的、日志类的分到不同的集群去处理，这时候都是基于Y轴，Y轴的成本是非常高的。

Z轴就是分库分表，基本上是基于哈希，用户A的数据可能只能到服务器1，用户B的数据可能到服务器2。Z轴的成本不好说，比如说哈希算法，为什么说一致性哈希呢？因为你做这种基于哈希的负载均衡有很大的问题，请求的集合是近乎无限的集合，但是上游服务器的映射集合是非常有限的，有多少的服务器，你有多少个选择，就只能映射到这样的集群。

从大集群映射到小的集群，无论前面经过多少的算法，最后肯定得有求余的操作，没有求余的话，没有把它归纳到这么小的集合内。求余的话，就有一个问题，余数不能变，因为你的上游机器一旦出现宕机或者是增加的时候，余数变了，整个哈希函数就变，只要这个函数一变，那整个Z轴就会发生很大幅度的变化。
 

MapReduce 讲了很多，分为3步：数据分发、每个节点进行 Map 函数计算、输出以后合并。MapReduce 我们很多是在 SQL 来做，因为你用 SQL 的 Group by 的聚合计算，先天性的跟分发和规避能够对得起，无论是求标准差或者是平均值，也很容易去做并行的计算，这是可以做到的。当然如果有前后依赖关系那是没有办法做的。

MapReduce 还有一个特点，它跟数据源强相关，所以基本上 Java 生态在这块上是无敌的。原因是，大家的数据都放在中，所以数据是互联网公司的核心资产——数据都在这里，其他框架写得再好也没有用。
 

为了活下去，他们必须及时止损。

除此之外，更重要的原因在于运营商基站负载过重。

随着技术的成熟，我国4G基站早就已经达到几百万的规模。

而现有手机用户数量过于庞大，且每个基站都有着限定的频率资源，各运营商基站早已处于负荷运转状态。

如果这些手机用户还同时长期使用流量上网，基站运转压力就会越积越大，拉跨网络速度，甚至导致系统崩溃。

这就是为什么有时候手机信号明明满格，网络却连接不上的原因。

所以，4G无限流量套餐，有缘再见。

4G做无限流量任务失败，更不用说5G了。

随着5G技术慢慢普及，使用人数也越来越多，也就意味着5G基站这个水池也开始汇入越来越多的水。

然而，5G目前运行情况并不是很理想：

一、目前中国现有的5G基站总体数量远远不及4G基站的五分之一;

二、单个5G基站覆盖范围同样比不上单个4G基站覆盖范围;

三、5G网络在运转过程中还需要基站更多的频率资源支持。

总的来说，基站运转工作并不轻松。

在此基础上，如果运营商执意开通了5G无限流量套餐，允许大量用户长期使用5G流量上网，只会给基站带来更大的运转负担。

此外，所谓4G无限流量套餐，不限量但限速。

（编辑：信阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!