gydtep

只要跑的够快，故障就追不上我。:-) 在研发流程上，通过集成测试尽可能在早期发现应用存在的问题。在应用级别，可以采用断路器（Circuit Breaker）等模式防止一个依赖服务的局部故障引起全局问题；

gydtep

此外通过 K8s 的健康监测、可观测性可以实现对应用故障的探知，通过服务网格的断路器功能，可以将故障发现、流量切换和快速自愈这些能力外置到应用实现之外，由系统能力保障。Fail small的本质在于控制故障的影响范围——**半径。这个原则在架构设计和服务设计上都需要我们持续关注。

gydtep

在云原生的时代，我们到底需要什么样的应用运行时？
Dapr(https://dapr.io/)是微软给出的答案。Dapr 是一个事件驱动的，可移植的，构建微服务应用的运行时环境。支持应用在云或边缘部署，支持语言与框架的多样性。Dapr利用 Sidecar 的模式，把应用逻辑中的一些横切关注点需求（Cross-cutting）分离和抽象出来，从而达到应用与运行环境的解耦以及对外部依赖（包括服务之间）的解耦。

gydtep

最底下基础设施是各种云平台或者边缘环境。

2、其上是 Dapr 运行时和“building block” (构件)。Dapr 构件解耦了外部服务和服务的消费者，可以按需加载。构件以统一的 HTTP/gPRC API 为应用层提供服务访问。我们可以将外部服务从 Amazon DyanamoDB 切换为 Azure ComosDB ，上层应用无需修改任何代码。Dapr 运行时作为一个独立的 sidecar 进程，独立于应用逻辑。

gydtep

占用资源更少 - 运行时更低的资源占用，意味着更高的部署密度和更低的计算成本。

正因为此，Golang、Node.js、Python 等语言开发者在持续攀升，有几个值得大家关注的技术：

gydtep

预测性维护是机器学习和AI对制造产生影响的特别富有成果的领域。实际上，根据凯捷(Capgemini)的研究，将近30%的制造业AI实施与机械和生产工具维护相关。这使得预测性维护成为当前制造中使用最广泛的用例。

gydtep

用于质量控制的计算机视觉

汽车和消费品行业面临监管机构的苛刻要求，而遵守这些法规是AI和机器学习的一大亮点。高质量摄像机的成本每年都在下降，而AI图像识别和处理软件仍在不断快速改进。因此，基于AI的检查方法对企业越来越有吸引力。

gydtep

随着产品功能迭代，还需要重新走一遍全部流程。在这个流程里，业务需求来自很多团队，包括产品团队、运营团队、市场团队等，橙色标注的文字是一个产品经理一定要重点关注的节点和事项

gydtep

从业务需求到需求规范，一定要做统一收口，如果没有线上工具化的体系，可以指定一个人，让他做统一收口，收口完成之后要形成公司或者部门内部比较完整的指标字典和维度字典。与此同时，一定要对指标字典进行拆分，看看哪些是公共性指标（跨部门或者公司级别）和个性化指标。

gydtep

有些公司需要这样的同步方式，再往下是具体的采集方案设计，前面已经拆分出了公共性指标和个性化指标，它们延伸出来就是公共埋点和个性埋点，公共埋点是非常重要的业务性指标，这个指标很长时间都不会变。再往下是研发口径，不管是公共埋点的事件规则、属性规则，还是采集时机，都要做统一管理，最后再进行验证。