在分布式系统中，稳定性风险无处不在，通过 API 优先的设计模式，我们对独立的服务进行稳定性架构设计、容量规划；我们还可以对独立的 API 进行故障注入、稳定性演练，来消除系统性的稳定性风险。
同时在新的微服务架构中已经内置了可观测探针，比如在 SpringBoot 的 2.3 发布了两个新的 actuator 地址，/actuator/health/liveness 和 /actuator/health/readiness ，
分布式系统所面对的最大挑战之一就是可观测性。可观测性可以帮助我们解系统当前的状态，并作为应用自愈，弹性伸缩和智能运维的基础。
在服务网格上即可获得完整的链路追踪信息。这样的方式极大简化了可观测性能力的建设，可以让现有的应用低成本融入云原生可观测性体系中。
也得到了众多互联网公司的广泛应用。在云原生时代又有了更多新的手段，Kubernetes 让我们可以轻松注入故障，杀死pod，模拟应用失效和自愈过程
UDPA API 基于现有的 Envoy xDS API 逐步演进，目前除支持 Envoy 之外，将支持客户端负载均衡实现 (比如 gRPC-LB)，更多数据平面代理，硬件负载均衡和移动客户端等等。
我们知道 Service Mesh 不是银弹，其架构选择是通过增加一个服务代理来换取架构的灵活性和系统的可演化性，但是也增加了部署复杂性（sidecar管理）和性能损失（增加两跳）。UDPA 的标准化和发展将给服务网格架构带来的新一次变化。
gRPC 应用直接从控制平面获取服务治理的策略， gPRC 应用之间直接通信无需额外代理。这个可以看到开放的服务网格技术的雄心
创建数据集的过程是多部分的-从经常收集多年的数据开始，工程师将需要确定数据的总体结构。他们需要消除数据中的任何缺陷、差异或差距，然后将这些数据转换为算法需要与之进行有效交互的形式。
嵌入式系统的边缘人工智能
边缘人工智能是制造业整体AI开发的重要组成部分。 Edge AI在硬件设备上本地处理数据，而不是依靠通过互联网连接的集中式数据库或处理节点。
Edge AI对许多行业至关重要。一个例子是自动驾驶汽车，其中Edge AI可以减少电池的电量消耗。监视系统、机器人技术和其他几个行业也将从Edge AI模型中受益。
