虎牙直播在微服务改造的实践总结 239 虎牙在全球 DNS 秒级生效上的实践 249 叽里呱啦 Nacos 1.1.2 升级 1.4.1 最佳实践 267 服务发现最佳实践 281 Eureka 平滑迁移 Nacos 方案 281 Nacos 打通 CMDB 实现就近访问 288 跨注册中心服务同步实践 298 配置管理最佳实践 310 Nacos 限流最佳实践 310 Nacos 无缝支持 的通用模型。 Zookeeper、Consul 和 Eureka 在开源层面都没有很明确的针对服务隔离的模型，Nacos 则在⼀ 开始就考虑到如何让用户能够以多种维度进行数据隔离，同时能够平滑的迁移到阿里云上对应的商 业化产品。 Nacos 架构 < 66 图 3 服务的逻辑隔离模型 Nacos 提供了四层的数据逻辑隔离模型，用户账号对应的可能是⼀个企业或者独立的个体，这个数 据⼀般 据⼀般情况下不会透传到服务注册中心。⼀个用户账号可以新建多个命名空间，每个命名空间对应 ⼀个客户端实例，这个命名空间对应的注册中心物理集群是可以根据规则进行路由的，这样可以让 注册中心内部的升级和迁移对用户是无感知的，同时可以根据用户的级别，为用户提供不同服务级 别的物理集群。再往下是服务分组和服务名组成的二维服务标识，可以满足接口级别的服务隔离。 Nacos 1.0.0 介绍的另外⼀个新特性是

107 第十二章 与 Spring 集成 Shiro 的组件都是 JavaBean/POJO 式的组件，所以非常容易使用 Spring 进行组件管理，可以 非常方便的从 ini 配置迁移到 Spring 进行管理，且支持 JavaSE 应用及 Web 应用的集成。 在示例之前，需要导入 shiro-spring 及 spring-context 依赖，具体请参考 pom.xml。

A) 和 (236, D) 发生冲突，扩容后冲突 消失。 Figure 6‑4. 哈希表扩容 6. 散列表 hello‑algo.com 97 类似于数组扩容，哈希表扩容需将所有键值对从原哈希表迁移至新哈希表，非常耗时。并且由于哈希表容量 capacity 改变，我们需要通过哈希函数来重新计算所有键值对的存储位置，这进一步提高了扩容过程的计算 开销。为此，编程语言通常会预留足够大的哈希表容量，防止频繁扩容。

通过扩容哈希表来减少哈希冲突。 如图 6‑4 所示，扩容前键值对 (136, A) 和 (236, D) 发生冲突，扩容后冲突消失。 图 6‑4 哈希表扩容 类似于数组扩容，哈希表扩容需将所有键值对从原哈希表迁移至新哈希表，非常耗时；并且由于哈希表容量 capacity 改变，我们需要通过哈希函数来重新计算所有键值对的存储位置，这进一步增加了扩容过程的计算 开销。为此，编程语言通常会预留足够大的哈希表容量，防止频繁扩容。

(136, A) 和 (236, D) 发生冲突，扩容后冲突消失。 图 6‑4 哈希表扩容 第 6 章 哈希表 hello‑algo.com 115 类似于数组扩容，哈希表扩容需将所有键值对从原哈希表迁移至新哈希表，非常耗时。并且由于哈希表容量 capacity 改变，我们需要通过哈希函数来重新计算所有键值对的存储位置，这进一步提高了扩容过程的计算 开销。为此，编程语言通常会预留足够大的哈希表容量，防止频繁扩容。

通过扩容哈希表来减少哈希冲突。 如图 6‑4 所示，扩容前键值对 (136, A) 和 (236, D) 发生冲突，扩容后冲突消失。 图 6‑4 哈希表扩容 类似于数组扩容，哈希表扩容需将所有键值对从原哈希表迁移至新哈希表，非常耗时；并且由于哈希表容量 capacity 改变，我们需要通过哈希函数来重新计算所有键值对的存储位置，这进一步增加了扩容过程的计算 开销。为此，编程语言通常会预留足够大的哈希表容量，防止频繁扩容。

通过扩容哈希表来减少哈希冲突。 如图 6‑4 所示，扩容前键值对 (136, A) 和 (236, D) 发生冲突，扩容后冲突消失。 图 6‑4 哈希表扩容 类似于数组扩容，哈希表扩容需将所有键值对从原哈希表迁移至新哈希表，非常耗时；并且由于哈希表容量 capacity 改变，我们需要通过哈希函数来重新计算所有键值对的存储位置，这进一步增加了扩容过程的计算 开销。为此，编程语言通常会预留足够大的哈希表容量，防止频繁扩容。