穹灵科技

云计算是一种通过互联网提供与计算相关资源的可扩展的方法。工程学科应用于这个概念则被称为云计算工程，它与任何与云计算相关的技术相关联。

云计算构建了一个系统化的方法，专注于云计算应用程序的标准化和治理。

基础设施即服务
平台即服务
软件即服务
云计算工程师是负责与云计算相关的任何技术问题的IT专业人员。他们的职责包括支持、维护、设计、管理、计划。

云计算安全工程师
云计算系统工程师
云计算架构师
云计算网络工程师
云计算软件工程师
要想成为一名云计算工程师，IT专业人员首先应该掌握云计算主要领域的技能。

首先从掌握基本概念开始，然后通过掌握完全面向云计算的特定供应商的平台或技术等重要领域来增强其专业知识水平，因为这有助于为IT专业人员增加附加优势。但要获得这些特定领域的知识，IT专业人员应具备软件、操作和架构角色所需的技能。

通常在操作角色中获得的技能要了解恢复灾难，故障转移和冗余的方法。只要对这些概念有良好的把握，就可以通过一些培训轻松学习云计算架构师概念。

而了解应用程序网络、虚拟化和存储技术的操作和设计，将为IT专业人员在云计算领域增加额外的优势。

IT人员*好具有强大的编程背景，而如果熟练操作OpenStack，AWS(Amazon Web Service)和Azure则更好。

掌握这些技术中的至少一种，将有助于对他人设计的软件的理解。总之，这都要求IT人员具有更加丰富的经验和实践技能。

云计算架构的基础是基于API和Web服务。在这些服务模式方面具有良好的专业知识水平将使IT人员在掌握云基础知识方面*一步。

“云计算工程师” 这个概念在IT时代是一个进化的角色，IT专业人员在云计算时代取得成功的同时，还需要一系列高级技能。

这些技能通过云计算认证培训所获得，行业标准认证为IT人员提供了获得云计算工程师工作的边缘优势。

AWS
Azure
MCSE-基础架构和云平台
CCNA和CCNP云计算版本
VMware VCP7-CMA
AWS的认证

它包括学历证书和专业证书。AWS认证涵盖的解决方案架构师的角色是AWS解决方案架构师助理。获得这一级认证后，IT人员可以转到专业级认证继续学习。

AWS认证为拥有技术知识的IT专业人员提供了一定程度的认可，它增强了IT人员在设计、操作和部署应用程序和基础设施方面所需的技能。

云计算工程师应该全面了解与云计算有关的每个概念。

IT人士应该对所有的编程语言有全面的了解，其中包括Java，Ruby和Python。除了传统技术外，云计算工程师还应该在现代的基础设施方面具有更多的技能。

大多数寻求云计算工程师的组织都必须要求应聘者具备Docker、Azure、AWS、Rackspace、Linux、Google Compute Engine和OpenStack的操作经验。此外，拥有DevOps和NoSQL数据库的经验也很重要。

云计算-从头到尾(Cloud Computing- Beginning to En)- Ray J. Rafaels著
云计算-实践方法(Cloud Computing- A Hands-on Approach)- Arshdeep Bahga和Vijay Madisetti著
云计算- 概念、技术和架构以及云计算设计模式(Cloud Computing- Concepts. Technology and Architecture and Cloud Computing Design Patterns) – Thomas Erl等人著
Cloudonomics – 云计算的商业价值(Cloudonomics- The Business Value of Cloud Computing) – Joe Weinman著
亚马逊网络服务傻瓜教程(Amazon web services for Dummies)- Bernard Golden著

总而言之，云计算工程师必须通过互联网充分利用所有可用资源，并制定适当的应用程序，以充分拓展他们的职业生涯。

LeetCode-检验两棵树是否相同

LeetCode-检验两棵树是否相同
题目描述
给你两棵二叉树的根节点 p 和 q ，编写一个函数来检验这两棵树是否相同。
如果两个树在结构上相同，并且节点具有相同的值，则认为它们是相同的。
例1：

例2：

例3：

思路
使用树的先序遍历，在根节点值相等的时候再分别比较左子树和右子树，要考虑两棵树结构不同的情况。

代码实现
# Definition for a binary tree node.
# class TreeNode(object):
# def __init__(self, val=0, left=None, right=None):
# self.val = val
# self.left = left
# self.right = right
def preorder(p, q):
if not p and not q:
return True
elif not p or not q:
return False
elif p.val == q.val:
a=preorder(p.left, q.left)
b=preorder(p.right, q.right)
return a and b
else:
return False

class Solution(object):
def isSameTree(self, p, q):
“””
:type p: TreeNode
:type q: TreeNode
:rtype: bool
“””
return preorder(p, q)

测试结果

结论
仍需优化。

Python（五）之错误和异常

拿头来坚持的小店 我也想开通小店

实用*新版Python小白零基础入门教程
讲师：暂无

好评：100%

销售量：0
￥45

Python3——入门基础视频教程
讲师：暂无

好评：100%

销售量：0
￥99
更多
申明：资料来源于网络及书本，通过理解、实践、整理成学习笔记。
文章目录
语法错误
异常
处理异常
finally子句
自定义异常
语法错误
在python中如果错误信息以”SynataxError”开头，说明python解释器认为这是一个语法错误，同时会提示你在哪个文件的哪一行开始出错。语法错误通常意味着我们使用python书写格式或者使用方法不正确。

print:

执行结果：
File “E:\Python\Study\error.py”, line 1
print:
^
SyntaxError: invalid syntax

异常
即使python程序的语法是正确的，但是在运行的时候也可能发生一些预想之外的错误。运行时检测到的错误被称为异常，有些错误可能不是致命的，但如果程序员对异常不错处理，python解释器会输出异常到控制台上并终止程序。

python标准异常：

BaseException： 所有异常的基类
SystemExit： 解释器请求退出
KeyboardInterrupt： 用户中断执行(通常是输入^C)
Exception： 常规错误的基类
StopIteration： 迭代器没有更多的值
GeneratorExit： 生成器(generator)发生异常来通知退出
StandardError： 所有的内建标准异常的基类
ArithmeticError： 所有数值计算错误的基类
FloatingPointError： 浮点计算错误
OverflowError： 数值运算超出*大限制
ZeroDivisionError： 除(或取模)零 (所有数据类型)
AssertionError： 断言语句失败
AttributeError： 对象没有这个属性
EOFError： 没有内建输入,到达EOF 标记
EnvironmentError： 操作系统错误的基类
IOError： 输入/输出操作失败
OSError： 操作系统错误
WindowsError： 系统调用失败
ImportError： 导入模块/对象失败
LookupError： 无效数据查询的基类
IndexError： 序列中没有此索引(index)
KeyError： 映射中没有这个键
MemoryError： 内存溢出错误(对于Python 解释器不是致命的)
NameError： 未声明/初始化对象 (没有属性)
UnboundLocalError： 访问未初始化的本地变量
ReferenceError： 弱引用(Weak reference)试图访问已经垃圾回收了的对象
RuntimeError： 一般的运行时错误
NotImplementedError： 尚未实现的方法
SyntaxError： Python 语法错误
IndentationError： 缩进错误
TabError： Tab 和空格混用
SystemError： 一般的解释器系统错误
TypeError： 对类型无效的操作
ValueError： 传入无效的参数
UnicodeError Unicode： 相关的错误
UnicodeDecodeError： Unicode 解码时的错误
UnicodeEncodeError： Unicode 编码时错误
UnicodeTranslateError： Unicode 转换时错误
Warning： 警告的基类
DeprecationWarning： 关于被弃用的特征的警告
FutureWarning： 关于构造将来语义会有改变的警告
OverflowWarning： 旧的关于自动提升为长整型(long)的警告
PendingDeprecationWarning： 关于特性将会被废弃的警告
RuntimeWarning： 可疑的运行时行为(runtime behavior)的警告
SyntaxWarning： 可疑的语法的警告
UserWarning： 用户代码生成的警告
处理异常
使用try和except关键字捕获异常并让我们运行相应的代码去处理异常。

try:
业务语法块
except 异常类型:
处理异常语法块

在try业务块语法中产生的异常都会终止业务语法块并跳转到except匹配异常类型，如果能匹配上，则运行处理异常的语法块，否则程序报错退出。

number = int(input(‘请输入一个数字：’))
print(number)

执行结果：
请输入一个数字：a
number = int(input(‘请输入一个数字：’))
ValueError: invalid literal for int() with base 10: ‘a’

try:
number = int(input(‘请输入一个数字：’))
print(number)
except ValueError:
print(‘输入了无效的数字’, ValueError)
except Exception as e:
print(‘输出错误’, e)

执行结果：
请输入一个数字：a
输入了无效的数字 <class ‘ValueError’>

上面就是一个处理异常的例子，首先在try中编写我们的业务逻辑代码，然后根据错误类型定义多个异常处理的except语句块。如果有多个except，那么python解释器会逐个匹配except后的异常类型，匹配到则运行相应的处理异常的语法块，没有匹配到则输出异常并退出程序。由于大部分异常都是从Exception这个父类继承过来的，所有匹配的异常类型是Exception，大部分几率是能匹配到异常的。

finally子句
python中的finally子句需要和try子句搭配着一起使用。finally子句在异常处理中的作用是：无论是否有异常或者是否捕获了异常，finally子句都会执行。

for i in range(2):
try:
number = int(input(‘请输入一个数字：’))
print(number)
except Exception as e:
print(‘捕获到了异常’, e)
finally:
print(‘finally子句执行’)

执行结果：
请输入一个数字：1
1
finally子句执行

请输入一个数字：a
捕获到了异常 invalid literal for int() with base 10: ‘a’
finally子句执行

自定义异常
定义我的自定义异常
class MyException(Exception):
def __init__(self):
pass

# 当使用print输出对象的时候，若定义了__str__(self)方法，打印对象时就会从这个方法中打印出return的字符串数据。
def __str__(self):
return ‘我自定义的异常’

# raise语句用来引发一个异常。异常/错误对象必须有一个名字，且它们应是Error或Exception类的子类。
def raise_customer_exception():
raise MyException()

raise_customer_exception()

执行结果：
Traceback (most recent call last):
File “E:\Python\Study\error.py”, line 23, in <module>
raise_customer_exception()
File “E:\Python\Study\error.py”, line 20, in raise_customer_exception
raise MyException()
__main__.MyException: 我自定义的异常

使用我的自定义异常
class MyException(Exception):
def __init__(self):
pass

def raise_customer_exception():
raise MyException()

try:
raise_customer_exception()
except MyException as e:
print(‘自定义的异常’, e)

执行结果：
自定义的异常

云市场的红火，企业也需要相关的技术人员来满足他们的业务需求，因此促使许多IT人员愿意向云计算领域转型。在这之前，我们需要首先了解一下那些受欢迎的云计算岗位，并了解公司雇主对他们的期望。然后，了解自己的简历需要增加哪些经验和技能，如何获取经验，以及如何回答雇主在面试期间提出的一些难题。

以下概述云计算中的一些常见职业以及他们所需的技能：

1、云计算管理员

企业需要工作人员配置云部署并执行管理和监控任务，这个工作人员就是云计算管理者。需要具备坚实的知识基础，通过教育和培训，获得认证，可以为其在云计算领域的职业做好准备，确保其技能是*新的。

管理员的大部分工作是云计算基础设施管理，所以公司的面试人员将询问应聘者的云计算管理体验，以及其熟悉的工具和平台。

企业将会继续积*应用公共和混合云模型，并在谈论将工作负载合并到公共云及其好处。
面试者可能会问应聘人员是否会采用DevOps工具，特别是随着越来越多的企业追求这个模式，它有利于云计算管理员获得DevOps相关工具的经验。

2、云计算架构师

云计算架构师考虑到大局：他们监督云计算策略，包括采用计划，应用程序设计和管理。由于云计算技术不断变化，云计算架构师必须了解当前趋势，以保持环境的有效运行。

企业希望云计算架构师能够面对未来的系统，对于组织三年或三年以上的云战略有着长期的考虑，并可以制定一个更好的路线图，为企业做好充足的准备。

跨平台的可移植性是企业面临的一个重大问题，因此在面试过程中可能会出现容器体验。云计算架构师需要知道容器的能力以及它们如何适应云战略。

3、云计算安全经理

安全性始终是企业的首要关注点，云计算安全管理者的作用是保持云部署安全。应聘者需要通过正式的培训和认证，如认证信息系统安全专家，这是简历的重要方面。虽然坚实的教育基础很重要，但面试人员希望应聘者可以在现实世界中使用这些技能。
在云计算安全方面，应聘者还有很多参与的机会和因素，并必须证明能够设计、执行和维护各种云基础架构的云安全策略。
云计算系统的威胁和风险日益严重，所以管理人员必须不断监控环境。需要跟踪云安全趋势，并掌握不同的工具和流程，如加密、访问控制和多因素身份验证。

管理人员必须具备良好的沟通能力，为组织内的员工制定政策，以及对治理和合规性标准的了解。应聘者需要学习新技能，强化已经拥有或在云计算的新职业技能，这永远不会太晚。云计算领域对人才的需求不断变化，所以面试人员希望应聘者具备与现在不同的技能，以适应将来的需求。

云计算供应商特定的体验、容器、机器学习是三种技能，可以帮助提高应聘者简历的价值。

4、云应用开发人员

企业开发和部署软件的方式随着云计算的发展而不断变化。由于这些变化，企业需要更多的云应用开发人员；他们希望开发人员也承担通常与架构师、工程师、分析师和技术人员联系的角色。不过，应聘者还需要有编程方面的教育背景，请务必了解潜在雇主使用哪些语言，你是否已经掌握了这种语言。

企业雇主需要确保应聘者的技能适合企业，所以他们会询问开发过程。应聘者使用的管理和开发工具越多，面试人员可以评估应聘者是否能够转换到其工具集中。

强调自动化的重要性，敏捷模型在企业中很受欢迎，因此具有这些模型的经验以及不同部门和角色之间的合作能力有着很大的好处。
————————————————

原文链接：https://blog.csdn.net/IT_studied/article/details/108329201

Sen+MK长时间序列趋势性分析—-基于python的代码实现

sen+mk python实现代码免费共享—–赶紧收藏吧
python开源社区公布了进行sen+mk趋势性检验的官方包，有关该官方包的主要内容详见：https://github.com/Coder2cdb/pyMannKendall，开源不易，有些人还收费查看，我觉得没必要，本次代码免费分享给大家，有需要的收藏点赞！

本次sen+mk python代码输入参数：多年影像的存储路径
path1=r”E:\2021-03-03—生态修复\吴起本地\NDVI_wuqi”
本次sen+mk python代码输出参数：结果影像存储路径
result_path=r”E:\小师妹\1990-2000_NDVI\result”
调用方法：
sen_mk_test(path1, result_path)
MannKendall输出参数说明

”
trend: tells the trend (increasing, decreasing or no trend)
h: True (if trend is present) or False (if trend is absence)
p: p-value of the significance test
z: normalized test statistics
Tau: Kendall Tau
s: Mann-Kendal’s score
var_s: Variance S
slope: Theil-Sen estimator/slope
intercept: intercept of Kendall-Theil Robust Line
”’

1.导入python包
#coding:utf-8
import numpy as np
import pymannkendall as mk
import os
import rasterio as ras

2.获取所有的影像路径，按照从小到大年份排序
path1=r”E:\2021-03-03—生态修复\吴起本地\NDVI_wuqi”
filepaths=[]
for file in os.listdir(path1):
filepath1=os.path.join(path1,file)
filepaths.append(filepath1)

3.读取所有的影像数据并拼接为一个numpy矩阵
#获取影像数量
num_images=len(filepaths)
#读取影像数据
img1=ras.open(filepaths[0])
#获取影像的投影，高度和宽度
transform1=img1.transform
height1=img1.height
width1=img1.width
array1=img1.read()
img1.close()

#读取所有影像
for path1 in filepaths[1:]:
if path1[-3:]==’tif’:
print(path1)
img2=ras.open(path1)
array2=img2.read()
array1=np.vstack((array1,array2))
img2.close()

nums,width,height=array1.shape

4.定义输出矩阵
#输出矩阵，无值区用-9999填充
slope_array=np.full([width,height],-9999.0000)
z_array=np.full([width,height],-9999.0000)
Trend_array=np.full([width,height],-9999.0000)
Tau_array=np.full([width,height],-9999.0000)
s_array=np.full([width,height],-9999.0000)
p_array=np.full([width,height],-9999.0000)
#只有有值的区域才进行mk检验，如果所有影像同一像元都为空，则不进行mk检验
c1=np.isnan(array1)
sum_array1=np.sum(c1,axis=0)
nan_positions=np.where(sum_array1==num_images)
positions=np.where(sum_array1!=num_images)
#输出总像元数量
print(“all the pixel counts are {0}”.format(len(positions[0])))

5.sen+mk检验
for i in range(len(positions[0])):
print(i)
x=positions[0][i]
y=positions[1][i]
mk_list1=array1[:,x,y]
trend, h, p, z, Tau, s, var_s, slope, intercept = mk.original_test(mk_list1)
if trend==”decreasing”:
trend_value=-1
elif trend==”increasing”:
trend_value=1
else:
trend_value=0
slope_array[x,y]=slope#senslope
s_array[x,y]=s
z_array[x,y]=z
Trend_array[x,y]=trend_value
p_array[x,y]=p
Tau_array[x,y]=Tau

6.定义写影像的函数
#写影像，包括宽度，高度，投影，波段名，矩阵
def writeImage(image_save_path,height1,width1,para_array,bandDes,transform1):
with ras.open(
image_save_path,
‘w’,
driver=’GTiff’,
height=height1,
width=width1,
count=1,
dtype=para_array.dtype,
crs=’+proj=latlong’,
transform=transform1,
) as dst:
dst.write_band(1,para_array)
dst.set_band_description(1,bandDes)
del dst

7.输出结果
#输出矩阵
all_array=[slope_array,Trend_array,p_array,s_array,Tau_array,z_array]
#输出路径
result_path=r”E:\2021-03-03—生态修复\吴起本地\result”
slope_save_path=os.path.join(result_path,”slope.tif”)
Trend_save_path=os.path.join(result_path,”Trend.tif”)
p_save_path=os.path.join(result_path,”p.tif”)
s_save_path=os.path.join(result_path,”s.tif”)
tau_save_path=os.path.join(result_path,”tau.tif”)
z_save_path=os.path.join(result_path,”z.tif”)
image_save_paths=[slope_save_path,Trend_save_path,p_save_path,s_save_path,tau_save_path,z_save_path]
band_Des=[‘slope’,’trend’,’p_value’,’score’,’tau’,’z_value’]
#逐个存储
for i in range(len(all_array)):
writeImage(image_save_paths[i], height1, width1, all_array[i], band_Des[i],transform1)

sen+mk代码汇总
”’
Created on 2021年4月11日

@author: SunStrong
”’
#coding:utf-8
import numpy as np
import pymannkendall as mk
import os
import rasterio as ras

def sen_mk_test(image_path,outputPath):

#image_path:影像的存储路径
#outputPath:结果输出路径

filepaths=[]
for file in os.listdir(path1):
filepath1=os.path.join(path1,file)
filepaths.append(filepath1)

#获取影像数量
num_images=len(filepaths)
#读取影像数据
img1=ras.open(filepaths[0])
#获取影像的投影，高度和宽度
transform1=img1.transform
height1=img1.height
width1=img1.width
array1=img1.read()
img1.close()

#读取所有影像
for path1 in filepaths[1:]:
if path1[-3:]==’tif’:
print(path1)
img2=ras.open(path1)
array2=img2.read()
array1=np.vstack((array1,array2))
img2.close()

nums,width,height=array1.shape
#写影像
def writeImage(image_save_path,height1,width1,para_array,bandDes,transform1):
with ras.open(
image_save_path,
‘w’,
driver=’GTiff’,
height=height1,
width=width1,
count=1,
dtype=para_array.dtype,
crs=’+proj=latlong’,
transform=transform1,
) as dst:
dst.write_band(1,para_array)
dst.set_band_description(1,bandDes)
del dst

#输出矩阵，无值区用-9999填充
slope_array=np.full([width,height],-9999.0000)
z_array=np.full([width,height],-9999.0000)
Trend_array=np.full([width,height],-9999.0000)
Tau_array=np.full([width,height],-9999.0000)
s_array=np.full([width,height],-9999.0000)
p_array=np.full([width,height],-9999.0000)
#只有有值的区域才进行mk检验
c1=np.isnan(array1)
sum_array1=np.sum(c1,axis=0)
nan_positions=np.where(sum_array1==num_images)

positions=np.where(sum_array1!=num_images)

#输出总像元数量
print(“all the pixel counts are {0}”.format(len(positions[0])))
#mk test
for i in range(len(positions[0])):
print(i)
x=positions[0][i]
y=positions[1][i]
mk_list1=array1[:,x,y]
trend, h, p, z, Tau, s, var_s, slope, intercept = mk.original_test(mk_list1)
”’
trend: tells the trend (increasing, decreasing or no trend)
h: True (if trend is present) or False (if trend is absence)
p: p-value of the significance test
z: normalized test statistics
Tau: Kendall Tau
s: Mann-Kendal’s score
var_s: Variance S
slope: Theil-Sen estimator/slope
intercept: intercept of Kendall-Theil Robust Line
”’

if trend==”decreasing”:
trend_value=-1
elif trend==”increasing”:
trend_value=1
else:
trend_value=0
slope_array[x,y]=slope#senslope
s_array[x,y]=s
z_array[x,y]=z
Trend_array[x,y]=trend_value
p_array[x,y]=p
Tau_array[x,y]=Tau

all_array=[slope_array,Trend_array,p_array,s_array,Tau_array,z_array]

slope_save_path=os.path.join(result_path,”slope.tif”)
Trend_save_path=os.path.join(result_path,”Trend.tif”)
p_save_path=os.path.join(result_path,”p.tif”)
s_save_path=os.path.join(result_path,”s.tif”)
tau_save_path=os.path.join(result_path,”tau.tif”)
z_save_path=os.path.join(result_path,”z.tif”)
image_save_paths=[slope_save_path,Trend_save_path,p_save_path,s_save_path,tau_save_path,z_save_path]
band_Des=[‘slope’,’trend’,’p_value’,’score’,’tau’,’z_value’]
for i in range(len(all_array)):
writeImage(image_save_paths[i], height1, width1, all_array[i], band_Des[i],transform1)

#调用
path1=r”E:\2021-03-03—生态修复\吴起本地\NDVI_wuqi”
result_path=r”E:\2021-03-03—生态修复\吴起本地\result”
sen_mk_test(path1, result_path)

控制流作业

# ————————-*题—————————#
number = input(‘请输入一个整数：’)
if (int(number)%7 == 0) | (number.find(‘7’) != -1):
print(‘该数与7相关’)
else:
print(‘该数与7无关’)

# ————————-第二题—————————#
id = input(‘请输入身份证号码：’)
if len(id) == 18:
birthday = id[6:14]
print(‘你的出生日期是：’,birthday)
elif len(id) == 15:
birthday = ’19’ + id[6:12]
print(‘你的出生日期是：’,birthday)
else:
print(‘请重新输入身份证号码！’)

# ————————-第三题—————————#
id = input(‘请输入身份证号码：’)
if len(id) == 18:
if int(id[-2]) % 2 == 0:
print(‘女’)
else:
print(‘男’)
elif (len(id)) == 15:
if int(id[-1]) % 2 == 0:
print(‘女’)
else:
print(‘男’)
else:
print(‘请重新输入身份证号码！’)

# ————————-第四题—————————#
list6 = [1,5,2,8,10,13,17,4,6]
## 方法一：
result = []
for i in list6:
result.append(i**2+1)
print(result)

## 方法二：
result = [i**2+1 for i in list6]
print(result)

# ————————-第五题—————————#
list7 = [‘one’,’two’,’three’,’four’,’five’,’six’,’seven’,’eight’,’nine’]
## 方法一：
result = []
for i in list7:
if i.find(‘e’) != -1:
new_i = i.replace(i[:],’^-^’)
result.append(new_i)
else:
result.append(i)
print(result)

## 方法二：
result = [i for i in list7 if i.find(‘e’)!=-1]
print(result)

#————————-第六题—————————#
# 同第四题

# ————————-第七题—————————#
list8 = [‘A’,’C’,’A’,’C’,’B’,’C’,’A’,’A’,’B’,’C’]
dict = {}
for i in set(list8):
dict[i] = list8.count(i)
print(dict)

# ————————-第八题—————————–#
n = 1
s = 0
while s<=1000:
s += 3*n+5
n += 1
print(n,’–>’,s)

# ————————–第九题—————————–#
import random
A = int(input(‘范围*小值：’))
B = int(input(‘范围*大值：’))
number = random.randint(A,B)

while True:
guess = int(input(‘请在{}、{}之间猜一个整数:’.format(A,B)))
if guess > number:
B = guess
elif guess < number:
A = guess
else:
print(‘你真棒，猜中了。’)
break

2006年3月，亚马逊推出AWS公测版，拉开了云计算IaaS市场的*阶段的竞争，比的是谁先把IaaS“做出来”，并跑通商业模式。

亚马逊在美国东海岸向顾客开放了*批服务器，结果客户们飞快涌入，西海岸的顾客还没来得及接入，*批服务器就已被占满。

同时，亚马逊还靠吐血降价来抢占市场，把Rackspace这样的小体量公司逼到了*境。

亚马逊之所以能狠着劲把云计算的IaaS层做成、跑通，有四个原因：

*，内部需求倒逼。

在2000年之后，亚马逊为了应对每年一次的圣诞大促，被迫购买了太多完全用不上的计算和存储能力，部署了大量冗余的IT资源，花钱多还浪费，急需找到一种更高效调用IT资源的方式。

第二，贝佐斯的“基础设施”信念。

当时，亚马逊创始人贝佐斯对2001年出版的一本名为《创造》的书非常痴迷，让公司高管人人必读。这本书有个理念：*有价值和竞争壁垒、*不可或缺的公司，是那些能够提供类似于水电一样的基础设施服务的公司。

所以在2002年推出的更偏应用层的API服务后，亚马逊在2004年开始着手开发更靠近基础设施层的新服务，这就是两年后推出的AWS。

第三，亚马逊的商业基因。

从基因和气质来说，亚马逊的技术虽然也很强，但起于电商的亚马逊更习惯直接从市场需求打造解决方案，而不是靠技术或产品创造市场需求。且亚马逊一头对接B端商家，一头对接C端消费者，本就有服务B端客户的经验和渠道，能扎实地推进IaaS服务这一新事物的商业化落地。

第四，有钱。

首先，亚马逊的主营业务现金流很好；其次，作为一个备受资本市场青睐的上市公司，亚马逊又能融到很多钱，支持自己的“战略性亏损”。

到2015年，贝佐斯给过去10年作了一个回放：“创建十年来，AWS展现出亚马逊追求理想与敢当风险的*佳例证。我们拿捏着两个视乎矛盾的对立体：一个要立竿见影出结果，另一个则风物长宜放眼量。”

到2008年，经过AWS、Rackspace和之前Salesforce等公司的市场教育，上层的SaaS和底层的IaaS，逐渐融入一个统一的概念：云计算。

其他巨头也看到了具有“水电”般不可或缺的云计算IaaS层的前景。

时任微软CEO史蒂夫·鲍尔默在华盛顿大学的演讲中喊出了这样的口号：“For the cloud, we’re all in.”

直到现在云计算业务都做得不怎么样的谷歌，当时也热心地参与了云计算概念普及和媒体宣传，其云计算业务负责人，还义务跑到高校开课，试图为行业培养长期人才。

但在当时，相比亚马逊的大力投入，其他大公司更多是“口号大于行动”，他们认真下场的时间都在2013年之后。

云计算具有以下特点：

(1)虚拟化。云计算支持用户在任意位置、使用各种终端获取应用服务。

(2)规模化整合。云里的资源非常庞大，在一个企业云可以有几十万甚至上百万台服务器，在一个小型的私有云中也可拥有几百台甚至上千台服务器。

(3)高可靠性。云计算使用了多副本容错技术、计算节点同构可互换等措施来保障服务的高可靠性，使用云计算比使用本地计算机可靠。

(4)高可扩展性。

(5)按需服务。云计算是一个庞大的资源池，使用者可以根据需要来进行购买。

(6)成本低。

1.2云计算服务模式的系统架构。按照云计算服务提供的资源所在的层次，可以分为IaaS(基础设施即服务)，即桌面云、PaaS(平台即服务)和SaaS(软件即服务)，

云计算服务模式的系统架构

从部署模式来看，云计算又可分为公有云，私有云和混合云。公有云服务对所有人开放，而私有云计算只针对企业内部用户开放，混合云是公有云和私有云两种模式的结合。

按照云计算服务三大服务模式，IaaS为门户系统提供网络资源、计算资源和存储资源服务，属于桌面云层面。PaaS为门户系统提供高可用数据库集群服务和应用程序运行及维护所需要的平台资源。SaaS提供基于SharePoint门户平台的门户集成应用服务。云计算服务SaaS软件平台博云网表示,云计算管理平台对不同的计算资源和服务统一管理，根据门户系统业务需求和访问量的变化，自动地对计算资源进行分配和调度，实现高度“弹性”的缩放和优化使用。

云服务让用户可以通过因特网存储和读取数据。
通过繁殖大量创业公司提供丰富的个性化产品，以满足市场上日益膨胀的个性化需求。其繁殖方式是为创业公司提供资金、推广、支付、物流、客服一整套服务，把自己的运营能力像水和电一样让外部随需使用。这就是云服务的商业模式。
2008年的一场全球性的金融危机让很多中小企业面临了很大的危机，而同一时期出现的云计算却给中小企业带来了翻身的机会。
主要体现在三个方面：
(1)帮助中小企业提升电子商务能力。电子商务作为一种网络营销手段，能够帮助企业中小企业更好的拓展新的市场，降低整个经营成本，提高企业的生产营销效率。不管在业务上还是管理上，都能够帮助企业获得显著的成绩。而云计算能够将企业桌面的软件和互联网实现完美的融合，使得任何一条经营信息都能畅通无阻的到达对方客户手中，提高了中小企业的效率。同时在网络基础设施上，云计算的成本是很低的，这也大大减少了中小企业的电子商务带来的成本。
（2）降低中小企业的成本。云计算能够让中小企业体验到大企业的技术，同时还不需要支付高昂的费用，完全可以采取租用的形式，享受多种多样的应用服务。
（3）增加中小企业的创新能力。市场上对于创新设计的时间要求越来越短，而云计算就可以通过先进的工业设计软件、专家支持，帮助企业在*短的时间内，实现产品的创新。
其实一种技术不管它多么先进，只有将它转换成生产力才是发挥这个技术*大的优势，也是这个技术*大的价值体现。

伴随云计算的滚滚浪潮，云原生（Cloud Native）的概念应运而生，云原生很火，火得一塌糊涂，都9102年了，如果你还不懂云原生，那真的Out了。

大家言必称云原生，却鲜少有人告诉你到底什么是云原生，若是找资料来看，读完大多会感觉云绕雾罩，一知半解，总之虚得很；

甚至会让你一度怀疑自己的智商，不过我对于读不懂的文章，一律归因于写文章的人太蠢，当然这不一定是事实，但这样的思考方式能让我避免陷入自我怀疑的负面情绪。

云原生之所以解释不清楚，是因为云原生没有确切的定义，云原生一直在发展变化之中，解释权不归某个人或组织所有。

技术的变革，一定是思想先行，无产阶级革命事业兴旺发达也是因为有战无不胜的马指导。

何谓云原生？

云原生是一种构建和运行应用程序的方法，是一套技术体系和方法论。云原生（CloudNative）是一个组合词，Cloud+Native。

Cloud表示应用程序位于云中，而不是传统的数据中心；Native表示应用程序从设计之初即考虑到云的环境，原生为云而设计，在云上以*佳姿势运行，充分利用和发挥云平台的弹性+分布式优势。

Pivotal公司的Matt Stine于2013年首次提出云原生（CloudNative）的概念；2015年，云原生刚推广时，Matt Stine在《迁移到云原生架构》一书中定义了符合云原生架构的几个特征：12因素、微服务、自敏捷架构、基于API协作、扛脆弱性；

到了2017年，Matt Stine在接受媒体采访时又改了口风，将云原生架构归纳为模块化、可观察、可部署、可测试、可替换、可处理6特质；而Pivotal*新官网对云原生概括为4个要点：DevOps+持续交付+微服务+容器。

2015年云原生计算基金会（CNCF）成立，CNCF掺和进来后，*初把云原生定义为包括：容器化封装+自动化管理+面向微服务；

到了2018年，CNCF又更新了云原生的定义，把服务网格（Service Mesh）和声明式API给加了进来。

可见，不同的人和组织对云原生有不同的定义，相同的人和组织在不同时间点对云原生也有不同的定义，真是乱的一匹，搞得鄙人非常晕菜，我的应对很简单，选一个我*容易记住和理解的定义：DevOps+持续交付+微服务+容器。

总而言之，符合云原生架构的应用程序应该是：采用开源堆栈（K8S+Docker）进行容器化，基于微服务架构提高灵活性和可维护性，借助敏捷方法、DevOps支持持续迭代和运维自动化，利用云平台设施实现弹性伸缩、动态调度、优化资源利用率。

云原生构建应用简便快捷，部署应用轻松自如、运行应用按需伸缩。优点不一而足，缺点微乎其微；秒杀传统Web框架，吊打祖传IT模式，实在是保命装逼、评优晋级不可多得的终**密武器。

云元素的四要素

微服务：

几乎每个云原生的定义都包含微服务，跟微服务相对的是单体应用，微服务有理论基础，那就是康威定律，指导服务怎么切分，很玄乎，凡是能称为理论定律的都简单明白不了，不然就忒没b格，大概意思是组织架构决定产品形态，不知道跟马克思的生产关系影响生产力有无关系。

微服务架构的好处就是按function切了之后，服务解耦，内聚更强，变更更易；另一个划分服务的技巧据说是依据DDD来搞，不过鄙人对DDD知之甚少。

容器化：

Docker是应用*为广泛的容器引擎，在思科谷歌等公司的基础设施中大量使用，是基于LXC技术搞的，容器化为微服务提供实施保障，起到应用隔离作用，K8S是容器编排系统，用于容器管理，容器间的负载均衡，谷歌搞的，Docker和K8S都采用Go编写，都是好东西。

DevOps：

这是个组合词，Dev+Ops，就是开发和运维合体，不像开发和产品，经常刀刃相见，实际上DevOps应该还包括测试，DevOps是一个敏捷思维，是一个沟通文化，也是组织形式，为云原生提供持续交付能力。

持续交付：

持续交付是不误时开发，不停机更新，小步快跑，反传统瀑布式开发模型，这要求开发版本和稳定版本并存，其实需要很多流程和工具支撑。

如何云原生？

首先，云原生借了云计算的东风，没有云计算，自然没有云原生，云计算是云原生的基础。

随着虚拟化技术的成熟和分布式框架的普及，在容器技术、可持续交付、编排系统等开源社区的推动下，以及微服务等开发理念的带动下，应用上云已经是不可逆转的趋势。

云计算的3层划分，即基础设施即服务(IaaS)、平台即服务(PaaS)、软件即服务(SaaS)为云原生提供了技术基础和方向指引，真正的云化不仅仅是基础设施和平台的变化，应用也需要做出改变，摈弃传统的土方法，在架构设计、开发方式、部署维护等各个阶段和方面都基于云的特点，重新设计，从而建设全新的云化的应用，即云原生应用。

1. 本地部署的传统应用往往采用C/C++、企业级Java编写，而云原生应用则需要用以网络为中心的Go、Node.js等新兴语言编写。
2. 本地部署的传统应用可能需要停机更新，而云原生应用应该始终是*新的，需要支持频繁变更，持续交付，蓝绿部署。
3. 本地部署的传统应用无法动态扩展，往往需要冗余资源以抵抗流量高峰，而云原生应用利用云的弹性自动伸缩，通过共享降本增效。
4. 本地部署的传统应用对网络资源，比如IP、端口等有依赖，甚至是硬编码，而云原生应用对网络和存储都没有这种限制。
5. 本地部署的传统应用通常人肉部署手工运维，而云原生应用这一切都是自动化的。
6. 本地部署的传统应用通常依赖系统环境，而云原生应用不会硬连接到任何系统环境，而是依赖抽象的基础架构，从而获得良好移植性。
7. 本地部署的传统应用有些是单体（巨石）应用，或者强依赖，而基于微服务架构的云原生应用，纵向划分服务，模块化更合理。

可见，要转向云原生应用需要以新的云原生方法开展工作，云原生包括很多方面：基础架构服务、虚拟化、容器化、容器编排、微服务。

幸运的是，开源社区在云原生应用方面做出了大量卓有成效的工作，很多开源的框架和设施可以通过拿来主义直接用，2013年Docker推出并很快成为容器事实标准，随后围绕容器编排的混战中，2017年诞生的k8s很快脱颖而出，而这些技术*大的降低了开发云原生应用的技术门槛。

虽说云原生的推介文档有引导之嫌，但面对它列举的优点，作为杠精的我亦是无可辩驳。这么说的话，云原生也忒好了吧，应用是不是要立刻马上切换到云原生架构？

我的观点是：理想很丰满，现实经常很骨感，需从应用的实际需要出发，目前的问题是否真的影响到业务发展，而推倒重来的代价能否承受得来。

技术的趋势和影响

软件设计有两个关键目标：高内聚、低耦合，围绕这2个核心目标，又提出了单一职责、开闭原则、里氏替换、依赖导致、接口隔离、*少知识等设计原则。

软件工程师一直都在为这两个目标而努力奋斗，以求把软件编写得更加清晰、更加健壮、更加易于扩展和维护。

但后来，人们发现有更多的诉求，希望开发软件变得更简单、更快捷，程序员希望更少编写代码，非专业人员也希望能开发程序，于是，更多的更傻瓜的编程语言被发明出来，更多的编程技术和编程思想被发明出来，比如库、组件、云基础设施。

于是很多技术变成了屠龙之技，比如汇编，时代变了，建国后动物不能成精了，没有龙可以宰了，然后很多软件工程师摇身一变成了调参工程师、Call API砖家、用库包能手、拼组件达人，这是效率分工的结果，也是技术发展的使然。

纵观近二十年的科技互联网发展历程，大的趋势是技术下沉，特别是近些年，随着云计算的发展和普及，基础设施越来越厚实，业务开发变得越来越容易，也越来越没有技术含量，而之前困扰小团队的性能、负载、安全性、扩展性问题都不复存在，这不禁让互联网行业的油腻大叔们噤若寒蝉，仿佛分分钟就要被卷入历史洪流而万劫不复。

虽然不可否认技术的重要性在降低，但也还不至于那么悲观。遥想PC时代，当VB、Delphi、MFC出现的时候，也有类似论调，所见即所得，点点鼠标，就可以开发PC桌面程序，是不是很高端？

那时候码农的担心相比现在恐怕是只多不少吧，但后来随着互联网兴起，出现了后端开发这个工种，码农很快找到了新的战场，网络、分布式、数据库、海量服务、容灾防错，于是又玩出一堆新花样。

如果说PC时代的基础设施是控件库，互联网时代的基础实施是云，那AI时代基础设施是什么？又有什么高端玩法？