0.背景 总结一些无需保密的经验作为总结 20230610企业级web开发特性总结 1.接入层网络 一般web系统都是由接入层网络+业务层网络组成，从用户客户端到业务曾服务的入口这段流量路径通常是人们所说的接入层网络 网络层这中间通常会包括：DNS、X层负载均衡 物理链路上通常会包括三大运营商接入网络、小运营商接入网络、机房间专线、核心交换机互联 相关技术包括虚拟IP、4层/7层网络报文解析等 2.相关总结 一个典型的wen服务接入层网络通常是由 DNS系统、4层负载均衡、7层负载均衡组成 无论是哪层，核心思想都是把多个一样的东西对外表现 ...
20230701kubesphere修复bug方案
0.背景 博客地址 https://blog.hylstudio.cn/archives/1258 飞书文档 https://y5eh3nr7kr.feishu.cn/docx/WofxdG39IomQZAxpg83c2LranGd kubesphere有点小bug想修一修，准备搭一个本地的环境。 利用最新版的kubekey已经可以支持搭建自定义域名的harbor当作镜像中心了，利用这个镜像中心可离线或加速安装当前官网文档上的kubersphere和k8s。 当安装完成后进入负责安装的pod内查看来下，发现是/shell-operator在运行，打算从这个东西入手来尝试搞清楚kubesphere的安装和运行逻辑，从而对现有的kubesphere做补丁升级 ...
20230623esxi自动创建虚机+安装ubuntu
0.背景 做实验需要反复创建虚机装系统，略麻烦。打算给家里云做个低配版的虚机自动化管理 1.方案调研 esxi本身有接口和SDK可以给各种语言做自动化对接，从官方github就能找到不少资料 ubuntu自动安装也比较成熟，常见的方案都是使用cloud-init来提供user-data，可以参考官方文档试试 2.虚机自动创建 使用govc命令行即可，脚本参考https://github.com/vmware/govmomi/blob/main/scripts/vcsa/create-esxi-vm.sh 去掉了对我没用的部分并增加了几个参数方便自己使用，完整文档请参考https://github.com/vmware/govmomi/tree/main/govc#u ...
20230622mysql in k8s
0.背景 视频版 TODO 待录制 原计划是从手动到容器化再到云原生，每种阶段的搭建方式都来一次，但实际上容器化和云原生基本上没什么太大差距。因此跳过容器化阶段直接进入云原生的数据库搭建。 mysql属于有状态的应用，因此它的存储在一般的docker中需要特殊处理。有一种说法是没有必要在docker中搭建mysql，这个说法不完全对，在测试环境容器化可以带来很大的灵活性。实际上生产环境下上只要存储弄好了之后利用k8s的资源管理和调度能力是可以搭出合适的mysql集群的 其实前段时间已经给paraparty的群服务器搭过一次了，这里是总结下经 ...
20230619离线导入导出镜像
Shell #pull and save tar docker pull container-registry.oracle.com/mysql/community-operator:8.0.33-2.0.10 docker save -o community-operator-8.0.33-2.0.10.tar container-registry.oracle.com/mysql/community-operator:8.0.33-2.0.10 #scp and import image IP=1.2.3.4 ssh root@$IP scp community-operator-8.0.33-2.0.10.tar root@$IP:/root/images alias docker='crictl' docker image import community-operator-8.0.33-2.0.10.tar 0123456789 & ...
20230610企业级web开发特性总结
0.前言 做了这么久web开发，先后接触过不少python、Java、C#、Js、Kotlin、Go等主流语言的web开发框架，但其实时间长了会发现企业级web开发的特性要求是固定的，各个语言和框架都有自己的方案但殊途同归。特此做个总结系列，相对系统的梳理和回忆下我的知识。以下特性不限于单一语言，从架构设计上考量的话，只要满足相关特性即可，这是语言无关的，只要能达成既定的技术目标就好。 因为其中每点都能拿出来单独展开，因此第一版暂时开坑写个提纲，然后看我心情慢慢填坑 1.接入层网络特性 DNS分地区多IP解析+健康检查+灾备自动切换 L4V ...
20230515LLM笔记
0.前言 先叠个盾：我AI水平有限，哪写的不对欢迎大佬指正。 1.原理 LLM是根据上文预测下一个最大可能性的token，直到语句结束或超长。常见的对话只是表现形式的一种，实际运行的原理是对文本的补全预测。 关于部分人对于模型表现出的行为产生了偏离实际的想法，需要强调现在的模型还没有记忆，时刻记得无论输出什么内容，即使行为再像一个人，它也依旧是静态的 训练数据里是把对话作为整体的，因此当你输入的内容被拼接成训练数据里的前半部分，模型就会根据输入补全后面的内容，这部分内容再以回复的形式展现到聊天框。下一句你发送 ...