效 地获取各种状态则决定了故障诊断的效率。 集群状态大致可以分为两类，主要分类依据是能否通过 kubernetes API 直接查询。 k8s 可直接查询的状态 Kubernetes 和 Chaos Mesh 组件运行的状态均可直接通过 k8s API 查询。 cluster status Components Controller Daemon Dashboard Dns Server Event k8s 不可直接查询的状态 Chaos Mesh 注入的故障给目标 Pod 带来状态不可通过 k8s API 直接查询。 cluster status Target Pods Mounts Processes ipset iptables Pid Command Fds 状态查询的障碍1 对于可通过 kubernetes API 直接查询的状态，使用过程存在的一大障碍是噪音 直接查询的状态，使用过程存在的一大障碍是噪音 过多。很多情况下 需要配合文本查询工具一起使用才能找到想要的信息。 当然，kubectl 提供了 json path 功能以对查询结果进行筛选，但它存在命令行交互不友好、复 杂、 难以阅读等问题。 上图为 kubectl 的 json path 使用样例 状态查询的障碍2 对于不可通过 kubernetes API 直接查询的状态，往往要通过创建 pod/exec 子资源，运行自定义命

通过命令在命令行执行 godoc -http=:端口号 比如godoc -http=:8080。然后在浏览器中打开 127.0.0.1:8080，你将会看到一个golang.org的本地copy版本，通过它你可以查询pkg文档等其它内容。如果你设 置了GOPATH，在pkg分类下，不但会列出标准包的文档，还会列出你本地GOPATH中所有项目的相关文档，这对于经常 被墙的用户来说是一个不错的选择。 其它命令 其它命令 在此我们叫它本地DNS服务器，此服务器收到查询时，如果要查询的域名，包含在本地配置区域资源中，则返 回解析结果给客户机，完成域名解析，此解析具有权威性。 4. 如果要查询的域名，不由本地DNS服务器区域解析，但该服务器已缓存了此网址映射关系，则调用这个IP地址 映射，完成域名解析，此解析不具有权威性。 5. 如果本地DNS服务器本地区域文件与缓存解析都失效，则根据本地DNS服务器的设置（是否设置转发器）进行 查询，如果未用转发模式，本地DNS就把请求发至 com域的服务器收到请求后，如果自己无法解析，它就会 找一个管理.com域的下一级DNS服务器地址(qq.com)给本地DNS服务器。当本地DNS服务器收到这个地址后，就 会找qq.com域服务器，重复上面的动作，进行查询，直至找到www.qq.com主机。 6. 如果用的是转发模式，此DNS服务器就会把请求转发至上一级DNS服务器，由上一级服务器进行解析，上一级 服务器如果不能解析，或找根DNS或把转请求转至上

如何优化？ 解决了哪些技术难题？ 主动式内存缓存 如何优化？ 极致的性能 除了网络IO，与Redis有什么区别？ 复杂的查询怎么办？ 02. 传统的Cache很难实现多维度的查询，无法具备像SQL一样的灵活的查询模式  支持多种维度的查询  提供类似SQL的查询模式  支持灵活的信息过滤条件 内存不够用怎么办？ 03. 冷热可交换、策略可定制、内存可扩展，多种冷数据淘汰组件，自由组合 04. 降低硬件成本，降低依赖，保证稳定性 同样的性能，需要更少的硬件资源，降低成本 01 核心数据在本地，依赖少，更稳定 02 • 千万级内存对象，GC严重耗时，如何解决？ • 复杂的查询场景，内存数据如何高效组织？ • 主动式内存缓存，如何保证数据实时性？ • 数据太多，内存不够用，如何进行存储扩展？ 通过本次分享，可以带来哪些收获？ 难点攻克 第二部分 使用内存缓存 制日志binlog，并生成JSON格式的消 息，作为生产者发送给Kafka、 RabbitMQ、Redis、文件或其它平台的 应用程序 数据管理 如何像SQL一样灵活？ 多维度查询 03. 业务数据的查询条件复杂，数据在内存中该如何组织 Q1：已开始的公益直播，且公开显示 直播1 Q2：2021-06-27 10:00:00之后 Q1 无数据 数据模型管理 04. 基于golang的struct

之间的映射，实现高效的元素查询。具体而 言，我们向哈希表中输入一个键 key ，则可以在 ?(1) 时间内获取对应的值 value 。 如图 6‑1 所示，给定 ? 个学生，每个学生都有“姓名”和“学号”两项数据。假如我们希望实现“输入一个 学号，返回对应的姓名”的查询功能，则可以采用图 6‑1 所示的哈希表来实现。 图 6‑1 哈希表的抽象表示 除哈希表外，数组和链表也可以实现查询功能，它们的效率对比如表 6‑1 所示。 ‧ 添加元素：仅需将元素添加至数组（链表）的尾部即可，使用 ?(1) 时间。 ‧ 查询元素：由于数组（链表）是乱序的，因此需要遍历其中的所有元素，使用 ?(?) 时间。 ‧ 删除元素：需要先查询到元素，再从数组（链表）中删除，使用 ?(?) 时间。 表 6‑1 元素查询效率对比 数组 链表 哈希表 查找元素 ?(?) ?(?) ?(1) 添加元素 ?(1) ?(1) (1) ?(1) 删除元素 ?(?) ?(?) ?(1) 观察发现，在哈希表中进行增删查改的时间复杂度都是 ?(1) ，非常高效。 6.1.1 哈希表常用操作 哈希表的常见操作包括：初始化、查询操作、添加键值对和删除键值对等，示例代码如下： 第 6 章 哈希表 hello‑algo.com 114 // === File: hash_map_test.go === /* 初始化哈希表 */

之间的映射，实现高效的元素查询。具 体而言，我们向哈希表中输入一个键 key ，则可以在 ?(1) 时间内获取对应的值 value 。 如图 6‑1 所示，给定 ? 个学生，每个学生都有“姓名”和“学号”两项数据。假如我们希望实现“输入一个 学号，返回对应的姓名”的查询功能，则可以采用图 6‑1 所示的哈希表来实现。 图 6‑1 哈希表的抽象表示 除哈希表外，数组和链表也可以实现查询功能，它们的效率对比如表 6‑1 所示。 ‧ 添加元素：仅需将元素添加至数组（链表）的尾部即可，使用 ?(1) 时间。 ‧ 查询元素：由于数组（链表）是乱序的，因此需要遍历其中的所有元素，使用 ?(?) 时间。 ‧ 删除元素：需要先查询到元素，再从数组（链表）中删除，使用 ?(?) 时间。 表 6‑1 元素查询效率对比 数组 链表 哈希表 查找元素 ?(?) ?(?) ?(1) 添加元素 ?(1) ?(1) (1) ?(1) 删除元素 ?(?) ?(?) ?(1) 观察发现，在哈希表中进行增删查改的时间复杂度都是 ?(1) ，非常高效。 6.1.1 哈希表常用操作 哈希表的常见操作包括：初始化、查询操作、添加键值对和删除键值对等，示例代码如下： 第 6 章 哈希表 hello‑algo.com 114 // === File: hash_map_test.go === /* 初始化哈希表 */

之间的映射，实现高效的元素查询。具体而言，我们向哈 希表输入一个 key ，则可以在 ?(1) 时间内获取对应的 value 。 以一个包含 ? 个学生的数据库为例，每个学生都有“姓名”和“学号”两项数据。假如我们希望实现“输入 一个学号，返回对应的姓名”的查询功能，则可以采用哈希表来实现。 Figure 6‑1. 哈希表的抽象表示 除哈希表外，我们还可以使用数组或链表实现查询功能。若将学生数据看作数组（链表）元素，则有： 看作数组（链表）元素，则有： ‧ 添加元素：仅需将元素添加至数组（链表）的尾部即可，使用 ?(1) 时间。 ‧ 查询元素：由于数组（链表）是乱序的，因此需要遍历其中的所有元素，使用 ?(?) 时间。 ‧ 删除元素：需要先查询到元素，再从数组中删除，使用 ?(?) 时间。 数组 链表 哈希表 查找元素 ?(?) ?(?) ?(1) 添加元素 ?(1) ?(1) ?(1) 删除元素 ?( (1) 观察发现，在哈希表中进行增删查改的时间复杂度都是 ?(1) ，非常高效。 6. 散列表 hello‑algo.com 92 6.1.1. 哈希表常用操作 哈希表的常见操作包括：初始化、查询操作、添加键值对和删除键值对等。 // === File: hash_map.go === /* 初始化哈希表 */ mapp := make(map[int]string) /* 添加操作

之间的映射，实现高效的元素查询。具体而 言，我们向哈希表中输入一个键 key ，则可以在 ?(1) 时间内获取对应的值 value 。 如图 6‑1 所示，给定 ? 个学生，每个学生都有“姓名”和“学号”两项数据。假如我们希望实现“输入一个 学号，返回对应的姓名”的查询功能，则可以采用图 6‑1 所示的哈希表来实现。 图 6‑1 哈希表的抽象表示 除哈希表外，数组和链表也可以实现查询功能，它们的效率对比如表 6‑1 所示。 ‧ 添加元素：仅需将元素添加至数组（链表）的尾部即可，使用 ?(1) 时间。 ‧ 查询元素：由于数组（链表）是乱序的，因此需要遍历其中的所有元素，使用 ?(?) 时间。 ‧ 删除元素：需要先查询到元素，再从数组（链表）中删除，使用 ?(?) 时间。 表 6‑1 元素查询效率对比 数组 链表 哈希表 查找元素 ?(?) ?(?) ?(1) 添加元素 ?(1) ?(1) (1) ?(1) 删除元素 ?(?) ?(?) ?(1) 观察发现，在哈希表中进行增删查改的时间复杂度都是 ?(1) ，非常高效。 6.1.1 哈希表常用操作 哈希表的常见操作包括：初始化、查询操作、添加键值对和删除键值对等，示例代码如下： 第 6 章 哈希表 www.hello‑algo.com 114 // === File: hash_map_test.go === /* 初始化哈希表

之间的映射，实现高效的元素查询。具 体而言，我们向哈希表输入一个键 key ，则可以在 ?(1) 时间内获取对应的值 value 。 如图 6‑1 所示，给定 ? 个学生，每个学生都有“姓名”和“学号”两项数据。假如我们希望实现“输入一个 学号，返回对应的姓名”的查询功能，则可以采用图 6‑1 所示的哈希表来实现。 图 6‑1 哈希表的抽象表示 除哈希表外，数组和链表也可以实现查询功能，它们的效率对比如表 6‑1 所示。 ‧ 添加元素：仅需将元素添加至数组（链表）的尾部即可，使用 ?(1) 时间。 ‧ 查询元素：由于数组（链表）是乱序的，因此需要遍历其中的所有元素，使用 ?(?) 时间。 ‧ 删除元素：需要先查询到元素，再从数组（链表）中删除，使用 ?(?) 时间。 表 6‑1 元素查询效率对比 数组 链表 哈希表 查找元素 ?(?) ?(?) ?(1) 添加元素 ?(1) ?(1) 观察发现，在哈希表中进行增删查改的时间复杂度都是 ?(1) ，非常高效。 第 6 章 哈希表 hello‑algo.com 108 6.1.1 哈希表常用操作 哈希表的常见操作包括：初始化、查询操作、添加键值对和删除键值对等。 // === File: hash_map.go === /* 初始化哈希表 */ hmap := make(map[int]string) /* 添加操作

如果从数据结构与算法的角度看，大大小小的「积木」就是数据结构，而「拼装说明书」上的一系列步骤就是 算法。 例二：查字典。在字典中，每个汉字都有一个对应的拼音，而字典是按照拼音的英文字母表顺序排列的。假设 需要在字典中查询任意一个拼音首字母为 ? 的字，一般我们会这样做： 1. 打开字典大致一半页数的位置，查看此页的首字母是什么（假设为 ? ）； 2. 由于在英文字母表中 ? 在 ? 的后面，因此应排除字典前半部分，查找范围仅剩后半部分； key ，在哈 希表中查询并获取 value ，时间复杂度为 ?(1) 。 例如，给定一个包含 ? 个学生的数据库，每个学生有“姓名 name ”和“学号 id ”两项数据，希望实现一个查 询功能：输入一个学号，返回对应的姓名，则可以使用哈希表实现。 Figure 6‑1. 哈希表的抽象表示 6.1.1. 哈希表效率 除了哈希表之外，还可以使用以下数据结构来实现上述查询功能： 1. 无序数组：每个元素为 插入元素 ?(1) ?(?) ?(1) ?(log ?) ?(1) 删除元素 ?(?) ?(?) ?(?) ?(log ?) ?(1) 6.1.2. 哈希表常用操作 哈希表的基本操作包括 初始化、查询操作、添加与删除键值对。 // === File: hash_map.go === /* 初始化哈希表 */ mapp := make(map[int]string) /* 添加操作 */

如果从数据结构与算法的角度看，大大小小的「积木」就是数据结构，而「拼装说明书」上的一系列步骤就是 算法。 例二：查字典。在字典中，每个汉字都有一个对应的拼音，而字典是按照拼音的英文字母表顺序排列的。假设 需要在字典中查询任意一个拼音首字母为 ? 的字，一般我们会这样做： 1. 打开字典大致一半页数的位置，查看此页的首字母是什么（假设为 ? ）； 2. 由于在英文字母表中 ? 在 ? 的后面，因此应排除字典前半部分，查找范围仅剩后半部分； key ，在哈 希表中查询并获取 value ，时间复杂度为 ?(1) 。 例如，给定一个包含 ? 个学生的数据库，每个学生有“姓名 name ”和“学号 id ”两项数据，希望实现一个查 询功能：输入一个学号，返回对应的姓名，则可以使用哈希表实现。 Figure 6‑1. 哈希表的抽象表示 6.1.1. 哈希表效率 除了哈希表之外，还可以使用以下数据结构来实现上述查询功能： 1. 无序数组：每个元素为 插入元素 ?(1) ?(?) ?(1) ?(log ?) ?(1) 删除元素 ?(?) ?(?) ?(?) ?(log ?) ?(1) 6.1.2. 哈希表常用操作 哈希表的基本操作包括 初始化、查询操作、添加与删除键值对。 // === File: hash_map.go === /* 初始化哈希表 */ mapp := make(map[int]string) /* 添加操作 */