① 分布式链路跟踪sleuth（zipkin+kafka+elasticsearch)
sleuth也不是一个新鲜的东西，说白了就是一个APM的一个浓缩版，spring Cloud Sleuth为 spring Cloud提供了分布式跟踪的解决方案，它大量借用了Google Dapper、 Twitter Zipkin和 Apache HTrace的设计
构建了ELK的日志系统和监控系统这两个能够快速的发现系统中的问题，但是由于微服务架构中系统众多，系统之间的交互还比较复杂，在产生了大量的日志之后，可以帮助我们定位问题，但是在紧急情况下难以帮助我们快速，是快速的定位和解决问题，这个就调用链的设计初衷，在微服务中，调用链比较长的时候，如果出现问题，很容易出现踢皮球的情况，这种情况下，打开调用链，一看，谁的就是谁的不说不闹，多好。
市面上比较常见的APM有：pinpoint,Twitter的zipkin,美团的Cat，Google的Dapper，这里值得表扬美团，继续和金服的pk吧，最牛的还是Google，他发表了一篇Dapper就有好多公司去研究，最终形成自己的产品，不由的让我想起他的GFS，bigTable在大数据前期google为大数据所做的贡献，向慷慨的人致敬，懂得分享的人最可爱，嗯，对···进入正题
简单说一下调用链的东西TraceID 链路ID 在整个调用链中这个东西是不变的
SpanId 步骤ID 经过一个node就会变
ParentSpanID 很同意理解，这个spanId是从哪个span来的，这个设计很重要的
复杂的东西spring boot已经给我们封装好了
#######sleuth客户端
在需要跟踪的微服务中pom.xml加上
在application.yml中添加
pom.xml添加
并且在启动类上添加
客户端和服务端都启动，进入到zipkin服务端
可以根据时间，服务名称去查询，点击可查看调用链详情
因为现在zipkin的调用数据都是存在内存中的，一旦zipkin server重启，则意味着之前的都没有了，在这并发高的，一会就把内存挤爆了，所以最终zipkin的数据是要持久化的，要么mysql，这里采用ES,毕竟在大数据检索面前ES比mysql好很多很多
还有在页面请求量大的时候zipkin和ES直接联通存数据，肯定会阻塞，这里就用kafka来解决这个问题
pom.xml需要引入
application.yml添加
再次启动，加入数据，观察ES-head
已经将调用链存进去了，这里要感谢spring 将调用链集成，方便我们应用
望指正，不吝赐教
② zipkin原理
通过zipkin的表结构，理解dapper；trace把多个span进行串接；
形成依赖链路。
zipkin主要包括：collector、storage、search、webui；
zipkin collector会对一个到来的被trace的数据（span）进行验证、存储并设置索引。
其中storage包括：内存、mysql、es、cassandra。
Annotation：用于定位一个request的开始和结束，cs/sr/ss/cr含有额外的信息，比如说时间点，当这个annotation被记录了，这个RPC也被认为完成了。
Span：一个请求（包含一组Annotation和BinaryAnnotation）；它是基本工作单元，一次链路调用(可以是RPC，DB等没有特定的限制)创建一个span，通过一个64位ID标识它。span通过还有其他的数据，例如描述信息，时间戳，key-value对的(Annotation)tag信息，parent-id等,其中parent-id 可以表示span调用链路来源，通俗的理解span就是一次请求信息。
Trace：类似于树结构的Span集合，表示一条调用链路，存在唯一标识
Traces are built by collecting all Spans that share a traceId。通过traceId、spanId和parentId，被收集到的span会汇聚成一个tree，从而提供出一个request的整体流程。
1.span表
一些约束
3.依赖关系
③ Zipkin介绍和使用
Zipkin是一个分布式链路跟踪系统，可以采集时序数据来协助定位延迟等相关问题。数据可以存储在cassandra,MySQL,ES,mem中。分布式链路跟踪是个老话题，国内也有类似的框架，比如阿里的skywalking。 zipkin目前和SpringCloud生态结合紧密，有相关的支持。
主要包括客户端和一个管理服务端。在客户端采集数据后，发送给服务端，用来展示数据。在每个instrumented的客户端，写入了traceId，然后统一收集数据在服务端存储。这里instrumented翻译过来是仪器化，设备化，为了简单我把他称作 标识实体 ，代表一个接入了zipkin的客户端。
zipkin包括四个组件，collector，storage，search，webUI。其中collector中重点有两个
zipkin可以跟踪多种请求，如async方法,schele,rxjava等，都在 org.springframework.cloud.sleuth.instrument 包下，这里以web请求做介绍。在SpringCloud下用sleuth来做跟踪处理。具体通过一个拦截器 org.springframework.cloud.sleuth.instrument.web.TraceHandlerInterceptor 实现，如下
zipkin支持mem，MySQL，ES存储方式，以 io.zipkin.java:zipkin-server:2.6.1 为例，可以通过配置实现。具体配置项可以在 zipkin-server-shared.yaml 中查看，如下：
同时，举例用MySQL作为存储时的一张span对象表，如下：
一般来说，分布式的链路跟踪数据是比较大量的，建议采用ES来存储，方便支持分区，以及后期的扩展等，比如使用某些字段来存储非结构化数据。
以上就是所有内容，下面是一个请求和记录展示。
④ 单片机中的ES和EA有什么区别在串口中的用途
一、信号不同
1、EA：访问外部程序存储器控制信号。
2、ES：串口中断允许控制位。
二、作用不同
1、EA：EA=1，CPU对所有中断开放，EA=0，CPU禁止一切中断响应。
2、ES：ES=1，允许串行口接受、发送中断。
三、效果不同
1、EA：外部中断INT0/INT1中断请求标志位，外部中断源有请求时，对应的标志位IE0/IE1由硬件置“1”，当CPU响应该中断后，又由硬件自动置“0”。
2、ES：外部中断INT0/INT1的触发方式选择位，IT0/IT1=0，对应外部中断设置为低电平触发方式，IT0/IT1=1，对应外部中断设置为边沿触发方式。
⑤ Spring Cloud系列之链路追踪
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系列之链路追踪
在微服务架构下，一次请求至少经过三四次服务调用完成，多则跨越七八个，那么问题接踵而来
基于上面得问题，就应运而生了分布式调用链路追踪技术
本质：记录日志，进行分析、排障
一次请求我们可以想象成一棵树，如下图：
Trace ：一次完整的分布式调用跟踪链路,由一系列Span 组成的一个树状结构
TraceId ：为了实现请求跟踪，当请求发送到分布式系统的入口时，我们为该请求创建一个唯一跟踪表示traceId,同时在分布式系统内部流转时，框架始终保持该唯一标识。
Span（跨度） ： 追踪服务调基本结构，表示跨服务的一次调用； 多span形成树形结构，组合成一次Trace追踪记录。对于一个span节点必须有开始和结束节点，通过记录开始和结束的时间戳，就可以计算出调用该服务的一个耗时。每一个Span通过一个64位ID来进行唯一标识即spanId，并通过另一个64位ID对Span所在的Trace进行唯一标识。（注意：启动一个Trace的初始化Span被叫作 Root Span ，它的 Span ID 和 Trace Id 相同。）
span除了时间戳外，还可以包含一些其他元素数据，比如请求信息 parentId、traceId、spanId。
Annotation ：用来及时记录一个事件的存在。通过引入 Brave 库，我们不用再去设置一系列的特别事件，从而让 Zipkin 能够知道客户端和服务器是谁、请求是从哪里开始的、又到哪里结束。出于学习的目的，还是把这些事件在这里列举一下：
Cs CLIENT_SEND，客户端发起请求
Cr CLIENT_RECIEVE，客户端收到响应
Sr SERVER_RECIEVE，服务端收到请求
Ss SERVER_SEND，服务端发送结果
下面我们就重点来了解下 sleuth + zipkin
追踪服务框架，Sleuth就是通过记录日志的方式来追踪数据的，我们可以通过记录的日志，进行：
我们往往把spring cloud sleuth和zipkin一起使用，把sleuth的数据信息发送给zipkin进行聚合，利用zipkin存储进行数据展示，具体实现流程如下：
在application.yml中添加日志级别
运行项目，发起请求，我们可以看到user-api打印结果：
运行项目，打开地址 http://localhost:10005/zipkin/ ，界面如下：
其中type方式有三种
还有 采样率 的问题
生产环境下，如果采用全部采集，那产生的踪迹数据量就是一个天量，对于网络和server端的压力就非常大了，而且没必要采集所有的数踪迹数据进行分析，我们只需要采集一部分进行分析就可以了，这里我们本地方便查看就设置为1，线上我们可以根据我们自己的需求，综合考量，设置一个合适的采样率
运行项目，访问接口，我们可以看到如下页面：
注意：spans的个数是按照入口和出口进行计算的比如第一条请求，请求入gateway算一个，gateway向user-api发起请求算一个，入user-api算一个，以此类推，第一个请求就有5个span
具体请求链路详情我们可以点击一个进入：
在这里我们简单介绍下，如果我们不持久化数据，数据是保存到内存中的，一旦服务重启，数据就丢失了，而且数据保存到内存中也存在很大的问题，一般我们持久化链路踪迹数据，Zipkin支持将追踪数据持久化到mysql或者es中，一般我们用的比较多的是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系列之链路追踪
⑥ es浏览器备份文件夹有什么用
是为了防止手机数据丢失，一旦手机数据丢失了，可以用备份还原回来。es浏览器备份文件夹在backups文件夹，安卓市场在0102文件夹里。
⑦ 深入探究ZIPKIN调用链跟踪——拓扑Dependencies篇
Zipkin的拓扑服务zipkin-dependencies是作为zipkin的一个独立的离线服务，也就是说，只启动zipkin服务，是没法看到拓扑的，还需要自己离线启动zipkin-dependencues服务。
其中ES配置参数如下：
Zipkin出了支持elasticsearch存储，还有mysql，cassard，详细配置信息请看 源码Readme
1、图中线条说明
服务之间的线条，遵循以下原则：
2、主调被调次数说明
点开每一个服务，可以看到主调被调，比如我在拓扑图中点击
某个服务，可以与此服务有直接调用关系的服务有哪些，效果如下：
其中Uses by表示此服务作为被调服务，被哪些服务调用了；Uses表示此服务调用了哪些其他服务。
在上面的图中点击某个主调或被调服务，即可看到具体的调用次数，以及失败次数，效果如下：
通过拓扑图，宏观上，我们可以快速了解服务之间的调用关系，同时也可以知道哪些服务间调用有问题，且可以知道出现问题的一个量级是多少（失败数，调用总数）。
Zipkin拓扑denpendencies是基于上报的链路span数据再次构建出的描述链路拓扑的一种新的数据结构。
构建链路的第一步就是读取Span数据。Zipkin外部数据源支持三种，分别是Mysql，Cassandra，Elasticsearch，因此构建拓扑时，将从这三种数据源中读取Span数据。
读取Span数据源后，需要对其处理，计算出链路的拓扑。因为Span的数据量很大，普通程序计算处理无法完成任务，因此需要用到大数据框架。Zipkin官方选用的是Spark框架。Spark对Span数据进行处理，最后生成拓扑数据DenpendencyLink，然后持久化到存储中。
前端请求拓扑(DependencyLink)时，即按照查询条件，查询已经持久化后的DependencyLink，然后经过UI渲染，进行页面展示。
启动Zipkin-dependencies服务时，会传入几个参数，分别是时间day和存储类型storageType。Zipkin-dependencies服务是以天为单位进行建立拓扑，因此day将决定建立那一天的拓扑；而storageType将决定从什么储存中读取数据。
1、获取日期：
2、获取存储类型：
3、根据不同的存储启动不同的jOb:
不同的存储会定义不同Job类，因此有CassandraDependenciesJob，MySQLDependenciesJob，MySQLDependenciesJob，ElasticsearchDependenciesJob。 不同的Job主要区别在于读取Span的方式不同，而Spark对Span进行处理计算的方式基本都是相同的。 本文主要分析ElasticsearchJOb。
Job中主要逻辑都在run方法中，ElastichserchJob的Run方法定义如下：
主要步骤如下：
1、首先通过Spark的配置属性Conf，创建一个JavaSparkContext对象sc：
2、然后读取elasticsearch span数据源：
3、读取数据源后，就可以对Span进行处理了，首先按照TraceId 进行Group分组：
其中JSON_TRACE_ID Function定义如下：
4、Span按照TraceId Group 分组后，接着对Span进行处理， 创建出DenpendencyLink。
5、上面方法最终返回的是个Map类型，将其转化为pari类型，再对其进行一个receByKey操作：
6、Spark对Span的计算操作到这儿基本就完成了，最后将DependencyLink转化为Jso形式：
7、对于计算好的拓扑Links，将其持久化到Elasticsearch中：
整个过程到此完毕，其中最复杂也是最核心的逻辑就是计算出链路拓扑Denpendencylink，此步骤在Function (logInitializer, decoder)中。接下来详细分析完成的工作。
首先介绍一下DenpendencyLink数据结构。DenpendencyLink就是最终与页面交互的拓扑结构数据单元，字端有：
DenpendencyLink类定义如下：
类的定义如下：
其中call方法中，首先完成对同一TraceId的Span解码：
然后，通过DependencyLinker类构造出DependendyLink，首先构造一个SpanNode Tree：
然后利用深度优先遍历方法遍历整个，统计出CallCounts和errorCounts:
其中callCounts和errorCounts定义如下：
最后，再通过callCounts和errorCounts生成List<DependencyLink>:
这样，最终构建出了DependencyLink。
本文为我的调用链系列文章之一，已有文章如下：
祝大家工作顺利，天天开心！
⑧ 用es文件浏览器压缩文件时，有四个压缩级别，分别是仅储存，快速，标准，最好。这四个压缩级别有什么区
保持文件内容上没区别，都是无损压缩，不存在失真问题，仅储存压缩解压最快，但文件最大。最好级别最慢，文件最小。就是用时间换空间，看你什么要求。
⑨ 汇编中的“附加段寄存器ES”有什么用的
附加段寄存器ES：存放当前执行程序中一个辅助数据段的段地址。
段寄存器
CS IP
SS SP或BP
DS BX、DI、SI
ES DI（用于串指令）
⑩ 汇编语言bp寄存器和es寄存器有何用
实际上，BP可以作SP使用，ES可以作DS使用。除了BP可以作为间接寻址寄存器而SP不能以外，其余的功能基本相同。Intel做这样的设计也是为了避免因程序过大而寄存器不够使用或者程序逻辑混乱的情况。
因为BP默认引用的段寄存器为SS，故当程序中设有多个栈，在不与SP冲突的情况下可以选用BP寄存器。一般在（相对）基址加变址寻址方式中，以SS作为默认段地址，否则需要显式指定段寄存器，这也可以说明，BP作存储器指针的运用也比较多；
ES和DS的功能相同，同样的道理，程序中设有多个数据段时，可以选用ES寄存器。一般在串处理时用得比较多。比如将一段内存空间存储的数据复制到另一段空间，可以分别设置DS:SI指向源存储数据的地址，ES:DI指向目的存储数据的地址。