① 分布式鏈路跟蹤sleuth（zipkin+kafka+elasticsearch)
sleuth也不是一個新鮮的東西，說白了就是一個APM的一個濃縮版，spring Cloud Sleuth為 spring Cloud提供了分布式跟蹤的解決方案，它大量借用了Google Dapper、 Twitter Zipkin和 Apache HTrace的設計
構建了ELK的日誌系統和監控系統這兩個能夠快速的發現系統中的問題，但是由於微服務架構中系統眾多，系統之間的交互還比較復雜，在產生了大量的日誌之後，可以幫助我們定位問題，但是在緊急情況下難以幫助我們快速，是快速的定位和解決問題，這個就調用鏈的設計初衷，在微服務中，調用鏈比較長的時候，如果出現問題，很容易出現踢皮球的情況，這種情況下，打開調用鏈，一看，誰的就是誰的不說不鬧，多好。
市面上比較常見的APM有：pinpoint,Twitter的zipkin,美團的Cat，Google的Dapper，這里值得表揚美團，繼續和金服的pk吧，最牛的還是Google，他發表了一篇Dapper就有好多公司去研究，最終形成自己的產品，不由的讓我想起他的GFS，bigTable在大數據前期google為大數據所做的貢獻，向慷慨的人致敬，懂得分享的人最可愛，嗯，對···進入正題
簡單說一下調用鏈的東西TraceID 鏈路ID 在整個調用鏈中這個東西是不變的
SpanId 步驟ID 經過一個node就會變
ParentSpanID 很同意理解，這個spanId是從哪個span來的，這個設計很重要的
復雜的東西spring boot已經給我們封裝好了
#######sleuth客戶端
在需要跟蹤的微服務中pom.xml加上
在application.yml中添加
pom.xml添加
並且在啟動類上添加
客戶端和服務端都啟動，進入到zipkin服務端
可以根據時間，服務名稱去查詢，點擊可查看調用鏈詳情
因為現在zipkin的調用數據都是存在內存中的，一旦zipkin server重啟，則意味著之前的都沒有了，在這並發高的，一會就把內存擠爆了，所以最終zipkin的數據是要持久化的，要麼mysql，這里採用ES,畢竟在大數據檢索麵前ES比mysql好很多很多
還有在頁面請求量大的時候zipkin和ES直接聯通存數據，肯定會阻塞，這里就用kafka來解決這個問題
pom.xml需要引入
application.yml添加
再次啟動，加入數據，觀察ES-head
已經將調用鏈存進去了，這里要感謝spring 將調用鏈集成，方便我們應用
望指正，不吝賜教
② zipkin原理
通過zipkin的表結構，理解dapper；trace把多個span進行串接；
形成依賴鏈路。
zipkin主要包括：collector、storage、search、webui；
zipkin collector會對一個到來的被trace的數據（span）進行驗證、存儲並設置索引。
其中storage包括：內存、mysql、es、cassandra。
Annotation：用於定位一個request的開始和結束，cs/sr/ss/cr含有額外的信息，比如說時間點，當這個annotation被記錄了，這個RPC也被認為完成了。
Span：一個請求（包含一組Annotation和BinaryAnnotation）；它是基本工作單元，一次鏈路調用(可以是RPC，DB等沒有特定的限制)創建一個span，通過一個64位ID標識它。span通過還有其他的數據，例如描述信息，時間戳，key-value對的(Annotation)tag信息，parent-id等,其中parent-id 可以表示span調用鏈路來源，通俗的理解span就是一次請求信息。
Trace：類似於樹結構的Span集合，表示一條調用鏈路，存在唯一標識
Traces are built by collecting all Spans that share a traceId。通過traceId、spanId和parentId，被收集到的span會匯聚成一個tree，從而提供出一個request的整體流程。
1.span表
一些約束
3.依賴關系
③ Zipkin介紹和使用
Zipkin是一個分布式鏈路跟蹤系統，可以採集時序數據來協助定位延遲等相關問題。數據可以存儲在cassandra,MySQL,ES,mem中。分布式鏈路跟蹤是個老話題，國內也有類似的框架，比如阿里的skywalking。 zipkin目前和SpringCloud生態結合緊密，有相關的支持。
主要包括客戶端和一個管理服務端。在客戶端採集數據後，發送給服務端，用來展示數據。在每個instrumented的客戶端，寫入了traceId，然後統一收集數據在服務端存儲。這里instrumented翻譯過來是儀器化，設備化，為了簡單我把他稱作 標識實體 ，代表一個接入了zipkin的客戶端。
zipkin包括四個組件，collector，storage，search，webUI。其中collector中重點有兩個
zipkin可以跟蹤多種請求，如async方法,schele,rxjava等，都在 org.springframework.cloud.sleuth.instrument 包下，這里以web請求做介紹。在SpringCloud下用sleuth來做跟蹤處理。具體通過一個攔截器 org.springframework.cloud.sleuth.instrument.web.TraceHandlerInterceptor 實現，如下
zipkin支持mem，MySQL，ES存儲方式，以 io.zipkin.java:zipkin-server:2.6.1 為例，可以通過配置實現。具體配置項可以在 zipkin-server-shared.yaml 中查看，如下：
同時，舉例用MySQL作為存儲時的一張span對象表，如下：
一般來說，分布式的鏈路跟蹤數據是比較大量的，建議採用ES來存儲，方便支持分區，以及後期的擴展等，比如使用某些欄位來存儲非結構化數據。
以上就是所有內容，下面是一個請求和記錄展示。
④ 單片機中的ES和EA有什麼區別在串口中的用途
一、信號不同
1、EA：訪問外部程序存儲器控制信號。
2、ES：串口中斷允許控制位。
二、作用不同
1、EA：EA=1，CPU對所有中斷開放，EA=0，CPU禁止一切中斷響應。
2、ES：ES=1，允許串列口接受、發送中斷。
三、效果不同
1、EA：外部中斷INT0/INT1中斷請求標志位，外部中斷源有請求時，對應的標志位IE0/IE1由硬體置「1」，當CPU響應該中斷後，又由硬體自動置「0」。
2、ES：外部中斷INT0/INT1的觸發方式選擇位，IT0/IT1=0，對應外部中斷設置為低電平觸發方式，IT0/IT1=1，對應外部中斷設置為邊沿觸發方式。
⑤ Spring Cloud系列之鏈路追蹤
Spring Cloud系列之Eureka
Spring Cloud系列之配置中心Config
Spring Cloud系列之gateway
Spring Cloud系列之Feign
Spring Cloud系列之Hystrix
Spring Cloud系列之鏈路追蹤
在微服務架構下，一次請求至少經過三四次服務調用完成，多則跨越七八個，那麼問題接踵而來
基於上面得問題，就應運而生了分布式調用鏈路追蹤技術
本質：記錄日誌，進行分析、排障
一次請求我們可以想像成一棵樹，如下圖：
Trace ：一次完整的分布式調用跟蹤鏈路,由一系列Span 組成的一個樹狀結構
TraceId ：為了實現請求跟蹤，當請求發送到分布式系統的入口時，我們為該請求創建一個唯一跟蹤表示traceId,同時在分布式系統內部流轉時，框架始終保持該唯一標識。
Span（跨度） ： 追蹤服務調基本結構，表示跨服務的一次調用； 多span形成樹形結構，組合成一次Trace追蹤記錄。對於一個span節點必須有開始和結束節點，通過記錄開始和結束的時間戳，就可以計算出調用該服務的一個耗時。每一個Span通過一個64位ID來進行唯一標識即spanId，並通過另一個64位ID對Span所在的Trace進行唯一標識。（注意：啟動一個Trace的初始化Span被叫作 Root Span ，它的 Span ID 和 Trace Id 相同。）
span除了時間戳外，還可以包含一些其他元素數據，比如請求信息 parentId、traceId、spanId。
Annotation ：用來及時記錄一個事件的存在。通過引入 Brave 庫，我們不用再去設置一系列的特別事件，從而讓 Zipkin 能夠知道客戶端和伺服器是誰、請求是從哪裡開始的、又到哪裡結束。出於學習的目的，還是把這些事件在這里列舉一下：
Cs CLIENT_SEND，客戶端發起請求
Cr CLIENT_RECIEVE，客戶端收到響應
Sr SERVER_RECIEVE，服務端收到請求
Ss SERVER_SEND，服務端發送結果
下面我們就重點來了解下 sleuth + zipkin
追蹤服務框架，Sleuth就是通過記錄日誌的方式來追蹤數據的，我們可以通過記錄的日誌，進行：
我們往往把spring cloud sleuth和zipkin一起使用，把sleuth的數據信息發送給zipkin進行聚合，利用zipkin存儲進行數據展示，具體實現流程如下：
在application.yml中添加日誌級別
運行項目，發起請求，我們可以看到user-api列印結果：
運行項目，打開地址 http://localhost:10005/zipkin/ ，界面如下：
其中type方式有三種
還有 采樣率 的問題
生產環境下，如果採用全部採集，那產生的蹤跡數據量就是一個天量，對於網路和server端的壓力就非常大了，而且沒必要採集所有的數蹤跡數據進行分析，我們只需要採集一部分進行分析就可以了，這里我們本地方便查看就設置為1，線上我們可以根據我們自己的需求，綜合考量，設置一個合適的采樣率
運行項目，訪問介面，我們可以看到如下頁面：
注意：spans的個數是按照入口和出口進行計算的比如第一條請求，請求入gateway算一個，gateway向user-api發起請求算一個，入user-api算一個，以此類推，第一個請求就有5個span
具體請求鏈路詳情我們可以點擊一個進入：
在這里我們簡單介紹下，如果我們不持久化數據，數據是保存到內存中的，一旦服務重啟，數據就丟失了，而且數據保存到內存中也存在很大的問題，一般我們持久化鏈路蹤跡數據，Zipkin支持將追蹤數據持久化到mysql或者es中，一般我們用的比較多的是es。
Spring Cloud系列之Eureka
Spring Cloud系列之配置中心Config
Spring Cloud系列之gateway
Spring Cloud系列之Feign
Spring Cloud系列之鏈路追蹤
⑥ es瀏覽器備份文件夾有什麼用
是為了防止手機數據丟失，一旦手機數據丟失了，可以用備份還原回來。es瀏覽器備份文件夾在backups文件夾，安卓市場在0102文件夾里。
⑦ 深入探究ZIPKIN調用鏈跟蹤——拓撲Dependencies篇
Zipkin的拓撲服務zipkin-dependencies是作為zipkin的一個獨立的離線服務，也就是說，只啟動zipkin服務，是沒法看到拓撲的，還需要自己離線啟動zipkin-dependencues服務。
其中ES配置參數如下：
Zipkin出了支持elasticsearch存儲，還有mysql，cassard，詳細配置信息請看 源碼Readme
1、圖中線條說明
服務之間的線條，遵循以下原則：
2、主調被調次數說明
點開每一個服務，可以看到主調被調，比如我在拓撲圖中點擊
某個服務，可以與此服務有直接調用關系的服務有哪些，效果如下：
其中Uses by表示此服務作為被調服務，被哪些服務調用了；Uses表示此服務調用了哪些其他服務。
在上面的圖中點擊某個主調或被調服務，即可看到具體的調用次數，以及失敗次數，效果如下：
通過拓撲圖，宏觀上，我們可以快速了解服務之間的調用關系，同時也可以知道哪些服務間調用有問題，且可以知道出現問題的一個量級是多少（失敗數，調用總數）。
Zipkin拓撲denpendencies是基於上報的鏈路span數據再次構建出的描述鏈路拓撲的一種新的數據結構。
構建鏈路的第一步就是讀取Span數據。Zipkin外部數據源支持三種，分別是Mysql，Cassandra，Elasticsearch，因此構建拓撲時，將從這三種數據源中讀取Span數據。
讀取Span數據源後，需要對其處理，計算出鏈路的拓撲。因為Span的數據量很大，普通程序計算處理無法完成任務，因此需要用到大數據框架。Zipkin官方選用的是Spark框架。Spark對Span數據進行處理，最後生成拓撲數據DenpendencyLink，然後持久化到存儲中。
前端請求拓撲(DependencyLink)時，即按照查詢條件，查詢已經持久化後的DependencyLink，然後經過UI渲染，進行頁面展示。
啟動Zipkin-dependencies服務時，會傳入幾個參數，分別是時間day和存儲類型storageType。Zipkin-dependencies服務是以天為單位進行建立拓撲，因此day將決定建立那一天的拓撲；而storageType將決定從什麼儲存中讀取數據。
1、獲取日期：
2、獲取存儲類型：
3、根據不同的存儲啟動不同的jOb:
不同的存儲會定義不同Job類，因此有CassandraDependenciesJob，MySQLDependenciesJob，MySQLDependenciesJob，ElasticsearchDependenciesJob。 不同的Job主要區別在於讀取Span的方式不同，而Spark對Span進行處理計算的方式基本都是相同的。 本文主要分析ElasticsearchJOb。
Job中主要邏輯都在run方法中，ElastichserchJob的Run方法定義如下：
主要步驟如下：
1、首先通過Spark的配置屬性Conf，創建一個JavaSparkContext對象sc：
2、然後讀取elasticsearch span數據源：
3、讀取數據源後，就可以對Span進行處理了，首先按照TraceId 進行Group分組：
其中JSON_TRACE_ID Function定義如下：
4、Span按照TraceId Group 分組後，接著對Span進行處理， 創建出DenpendencyLink。
5、上面方法最終返回的是個Map類型，將其轉化為pari類型，再對其進行一個receByKey操作：
6、Spark對Span的計算操作到這兒基本就完成了，最後將DependencyLink轉化為Jso形式：
7、對於計算好的拓撲Links，將其持久化到Elasticsearch中：
整個過程到此完畢，其中最復雜也是最核心的邏輯就是計算出鏈路拓撲Denpendencylink，此步驟在Function (logInitializer, decoder)中。接下來詳細分析完成的工作。
首先介紹一下DenpendencyLink數據結構。DenpendencyLink就是最終與頁面交互的拓撲結構數據單元，字端有：
DenpendencyLink類定義如下：
類的定義如下：
其中call方法中，首先完成對同一TraceId的Span解碼：
然後，通過DependencyLinker類構造出DependendyLink，首先構造一個SpanNode Tree：
然後利用深度優先遍歷方法遍歷整個，統計出CallCounts和errorCounts:
其中callCounts和errorCounts定義如下：
最後，再通過callCounts和errorCounts生成List<DependencyLink>:
這樣，最終構建出了DependencyLink。
本文為我的調用鏈系列文章之一，已有文章如下：
祝大家工作順利，天天開心！
⑧ 用es文件瀏覽器壓縮文件時，有四個壓縮級別，分別是僅儲存，快速，標准，最好。這四個壓縮級別有什麼區
保持文件內容上沒區別，都是無損壓縮，不存在失真問題，僅儲存壓縮解壓最快，但文件最大。最好級別最慢，文件最小。就是用時間換空間，看你什麼要求。
⑨ 匯編中的「附加段寄存器ES」有什麼用的
附加段寄存器ES：存放當前執行程序中一個輔助數據段的段地址。
段寄存器
CS IP
SS SP或BP
DS BX、DI、SI
ES DI（用於串指令）
⑩ 匯編語言bp寄存器和es寄存器有何用
實際上，BP可以作SP使用，ES可以作DS使用。除了BP可以作為間接定址寄存器而SP不能以外，其餘的功能基本相同。Intel做這樣的設計也是為了避免因程序過大而寄存器不夠使用或者程序邏輯混亂的情況。
因為BP默認引用的段寄存器為SS，故當程序中設有多個棧，在不與SP沖突的情況下可以選用BP寄存器。一般在（相對）基址加變址定址方式中，以SS作為默認段地址，否則需要顯式指定段寄存器，這也可以說明，BP作存儲器指針的運用也比較多；
ES和DS的功能相同，同樣的道理，程序中設有多個數據段時，可以選用ES寄存器。一般在串處理時用得比較多。比如將一段內存空間存儲的數據復制到另一段空間，可以分別設置DS:SI指向源存儲數據的地址，ES:DI指向目的存儲數據的地址。