隔离是为了在系统发生故障时，限制传播范围和影响范围，特别要注意非核心系统的故障对核心系统的影响。
线程池隔离
进程隔离
集群隔离
用户隔离
租户隔离
逻辑隔离
物理隔离
混合隔离
BA:Basically Available，基本可用。
S:Soft state，软状态。
E:Eventually consistent，最终一致。
业界常用的一致性模型
弱一致性：写入一个数据 a 成功后，在数据副本上可能读出来，也可能读不出来。不能保证每个副本的数据一定是一致的。
构建、发布、运行：严格分离构建和运行。
进程，以一个或多个无状态进程运行应用，如果存在状态，应该将状态外置到后端服务中，例如数据库、缓存等。
Code Review 原则：以发现问题为目标，团队开放、透明，整个 Code Review 的过程对事不对人，不设置惩罚。
线上线下接合的方式，长期线上，定期线下。
Service Mesh 则从业务进程集成客户端的方式演进为独立进程的方式，客户端变成了一个独立进程。
对这个独立进程升级、运维要比绑在一起强得多。
他们希望通过本地计算，更好地控制敏感数据。
市场营销、**和房地产领域的云原生开发人员不太可能在本地服务器上运行代码。这些行业的重点是内容，因此需要轻松快速地访问。可访问性和性能对这些领域的成功至关重要，而本地服务器可能无法满足这些要求。
语言无关的分布式编程框架成为一种服务。为了解决分布式带来的技术挑战，传统中间件需要在客户端 SDK 编写大量的逻辑管理分布式的状态。我们看到很多项目在把这些内容下沉到 Sidecar 中，并通过语言无关的 API (基于 gRPC/HTTP) 提供给应用。这一变化进一步简化应用代码逻辑和应用研发的职责，例如配置绑定，身份认证和鉴权都可以在 Sidecar 被统一处理。
Perkins表示，当使用智能工具和功能解决特定于行业的问题时，人工智能将提供巨大的价值。医疗、银行、保险、零售和制造业的组织中正在出现创造性的应用程序。Perkins说：“这在很大程度上是因为组织希望更好地将数据资产实现货币化，并利用新的数据流来发掘见解。”
在网络安全和威胁情报中有大量的人工智能网络安全应用程序。最常见的用例包括面部和语音识别、垃圾邮件或网络钓鱼识别以及恶意软件检测。机器学习方法可用于检测电子邮件中的异常，模式识别技术可识别需要保护的受监管个人数据，无监督机器学习可对网站进行分类并识别高风险网站，无监督机器学习可在网络钓鱼和垃圾邮件尝试中发现近乎重复的网站。TrendMicro公司最近发表的一篇文章指出，端到端深度学习是检测恶意软件的解决方案。
