Seata 与三大平台携手编程之夏,百万奖金等你来拿

作者:Seata社区

社区简介

Seata 是一款开源的分布式事务解决方案,致力于在微服务架构下提供高性能和简单易用的分布式事务服务。在 Seata 开源之前,Seata 在阿里系内部一直扮演着分布式数据一致性中间件的角色,几乎每笔交易都要使用 Seata,帮助业务平稳的度过历年的双11洪荒流量,对业务进行了有力的技术支撑。2019.1 为了打造更加完善的技术生态和普惠技术成果,Seata 正式宣布对外开源,Seata 将以社区共建的形式帮助用户快速的落地分布式事务解决方案。短短3年间,Seata 社区已经收获了 22k star 和超 300 名 contributor,树立了一大批企业标杆用户,成为了分布式事务领域的事实标准。

GitHub:https://github.com/seata/seata

官网:https://seata.io/zh-cn/

Seata 社区今年联合了开源之夏,阿里巴巴编程之夏和 CCF GitLink 编程夏令营发起了面向高校学生的暑期编程活动。

开源之夏目前已进入正式编程阶段,本文将不再过多介绍,详情参考:

https://mp.weixin.qq.com/s/q6J-swbdWqZebuSiq2JDWg

开源之夏项目中选情况请参考:

https://summer-ospp.ac.cn/#/org/projectlist

目前仍然有阿里巴巴编程之夏ASoC和CCF GitLink编程夏令营可接受提案的申请,如果你是在校生满足相应的申请条件,赶紧来申请吧。这里有社区资深的导师提供 1v1 的专业指导,也有丰厚的奖金等你来拿。

阿里巴巴编程之夏是什么

在这里插入图片描述

Seata 社区今年再度与阿里巴巴编程之夏携手,并准备了 3 项精选项目课题,欢迎同学们申请!

项目一:事务状态数据的长效存储

目前 Seata 的事务 Session 和 undolog 数据虽然会持久化,但是事务 Session 和 Undolog 会随着全局事物的生命周期定期删除,我们需要一个日志流水将这些 Session 和 Undolog 的进行持久化存储,因为事务 Session和Undolog 是 Seata 重要的状态数据,数据的⻓时间持久化存储对于数据的分析有重要的意义。主要任务如下:

1、发送层设计。为了不影响 Seata 事务主流程的性能,记录事务 Session 和 Undolog 数据需要采用异步的方式,最好的方式就是利用消息队列,目前消息队列有很多种,比如RocketMQ、Kafka 等,为了屏蔽消息队列的具体实现,Seata 需要设计出一套通用的发送接口层,有具体的消息队列实现,并且由 Seata 启动时通过读取用户配置加载具体实现。最后通过此接口实现可以把事务 Session 和 Undolog 发送到消息队列中。

2、领域模型设计。事务 Session 和 Undolog 需要按照一定的数据结构传输,因此还需要设计一套通用的 Event 事件传输模型,具备一定的可扩展性。

3、消费层设计。消费层默认实现放在 Seata Console,为了屏蔽消息队列的具体实现,消费端同样需要设计出一套通用的接口层(监听/消费/⻔面类等接口),由具体的消息队列实现,并且由 Seata Console 启动时通过读取用户配置加载具体实现。

4、数据存储与可视化。通过启动消息队列的消费者,消费消息队列的 Event 事件,将数据存储到指定的存储媒介中,由于存储后的数据不需要修改,但需要频繁查询,因此存储媒介推荐使用 NoSQL 相关数据库。同时对数据进行可视化(建立数据大盘),便于数据的分析与洞察。

编程语言:Java

导师:Seata Committer 张乘辉( zhangchenghui.dev@gmail.com)

项目详情:https://github.com/seata/seata/issues/4636

项目二:Seata SDK 侧的 metrics 设计

在很多时候,我们可能需要通过一些实时监控的数据来了解整个系统在当前或者某一时刻运行的情况。Metrics 作为一款监控指标的度量类库,提供了许多工具帮助开发者来完成各项数据的监控。此任务便是结合社区的需求,完善 Seata client SDK 侧的各项数据的监控。帮助用户有效地监控执行过程并识别可能存在的问题。

现阶段 Seata 导出的 Metrics 仅包含服务端相关指标,结合现有 Metrics 设计,完善 Seata clientSDK 侧的各项指标设计,主要指标如下:

  1. global begin/commit/rollback 等状态的统计
  2. branch registry/flush undolog/report/commit/rollback 等状态的统计
  3. undolog,fence 等 hook 的调用

编程语言:Java

导师:Seata Top Contributor 刘洋(734843455@qq.com)

项目详情:https://github.com/seata/seata/issues/4637

项目三:Seata-Sample 重构任务

Seata-Sample 作为 Seata入门者必经项目,是入门 Seata 的重要途径之一。但 Seata 社区目前日益增大,版本迭代与发布也越来越快,目前 Sample 中已经出现了有许多例子与实际版本脱轨的情况,而这样的情况非常不利于 Seata 后续的发展与迭代。因此对 Seata-Sample 进行重构对整个 Seata 开源项目与 Seata 开源社区具有重大的意义。主要任务如下:

  1. 结构重构。整理出 Sample 项目中无用、过期、重复或已经无法运行的 Sample 项目,并对其进行清理,社区后续不再对这类项目进行维护。而对于保留下来经过整理的项目,我们需要对其进行结构化的梳理,将 Sample 中的项目与最新版的 Seata 版本进行能力对其,帮助新同学更好地入门 Seata。

  2. 官网联动。Seata-Sample 目前的项目能力与官网并无形成联动能力,Sample 与官网的例子是各自为战的状态。我们希望经过整理的 Sample 与官网的例子形成能力对齐,帮助新同学更好地入门 Seata。

编程语言:Java

导师:Seata Top Contributor 谭志坚( zhijian.tzj@alibabac-inc.com)

项目详情:https://github.com/seata/seata-samples/issues/537

CCF GitLink 编程夏令营

在这里插入图片描述

Seata 社区今年与 CCF GitLink 开源编程夏令营携手,并准备了 3 项精选项目课题,欢迎同学们申请!

项目一:Seata-Golang TCC 模式注解支持

当前 TCC 模式需要实现 TCCService 接⼝,通过该接⼝约束开发者实现 try、cancel、comfirm ⽅法,通过注解,可以简化该过程。实现 TCC golang 注解支持可参考:

https://github.com/MarcGrol/golangAnnotations

⽤户在使⽤ Seata-Golang TCC 模式协调分布式事务时,需要将 Try 请求的上下⽂信息告诉 TC,即 Commit 操作应该调⽤哪个⽅法、Cancel 操作应该调⽤哪个⽅法,以及 Try 请求的参数。当 TC 发起全局提交、回滚的时候,才能根据事务分⽀决定调⽤哪个⽅法提交、调⽤哪个⽅法回滚。当然这⼀切都是由框架来完成的。问题是,为了告诉 TC Server 这些信息,需要⽤户实现⼀个 TCC Service 接⼝。在程序初始化时,调⽤ tcc.Implement() ⽅法,该⽅法会通过反射获取 Commit 操作对应的 Confirm ⽅法以及 Cancel 操作对应的 Cancel ⽅法,然后将上下⽂信息发送到 TC Server。如果我们通过注解来实现,则只需在对应的 Try ⽅法上打上注解 @TCC(Commit=“xxx”,Cancel=“xxx”),再配合注解的扫描初始化,即可完成告诉 TC Server Try 请求上下⽂信息的过程。可以更加⽅便⽤户使,简化开发,提升效率。

在这里插入图片描述

编程语言:Golang

导师:Seata Committer 刘晓敏( 985784089@qq.com)

项目详情:https://www.gitlink.org.cn/glcc/subjects/detail/71

项目二:AT 模式支持 Oceanbase oracle 内核

数据库是 Seata 重要的资源扩展,目前 Seata AT 模式支持 MySQL、PostgreSQL、Oracle、TiDB、MariaDB 等。Oceanbase 是由蚂蚁集团完全自主研发的国产原生分布式数据库。Seata AT 事务模式需要对 Oceanbase 数据库的 Oracle 内核进行相关的支持(Oceanbase 兼容 MySQL 部分,因此 AT 模式天然支持 Oceanbase MySQL 内核)。这个项目需要参照 AT 模式中对已有 MySQL、PostgreSQL、Oracle 的梳理出结构图,AT 模式利用 SPI 插件化对这些扩展点已做了抽象和预留。基于扩展点实现 Oceanbase 数据库的 Oracle 内核适配,并最终能够通过 seata-samples 的验证。

编程语言:Java

导师:Seata Committer 季敏 (slievrly@163.com)

项目详情:https://www.gitlink.org.cn/glcc/subjects/detail/8

项目三:Seata 控制台长连接管理

Seata 1.5.0 提供了控制台管理,控制台是 Seata 的重要白屏化管理手段。业务侧 Seata-Client 与 Seata-Server 通过长连接通信,目前对于长连接缺少可视化展示和操作,不方便集中管理,可能造成连接数过多容量预估不足,恶意连接难以 trace 等问题,因此需要对连接 Seata-Server 的客户端连接能够在控制台页面进行白屏化管理。要求能够在控制台设置单个 Seata-Server 节点可接受连接数的上限,可在控制台显示具体的客户端长连接信息,并能进一步提供简单的管理功能。

编程语言:Java + 少量前端 React(可社区支持)

导师: Seata Committer 季敏(slievrly@163.com)

项目详情:https://www.gitlink.org.cn/glcc/subjects/detail/134

项目报名

学生可自由选择项目,登录官网报名申请对应项目即可,被选中的同学将在社区导师指导下,按计划完成开发工作,并将成果贡献给社区。社区评估学生的完成度,主办方根据评估结果发放活动奖金给学生。这是同学们是未来毕业简历上浓墨重彩的一笔,也是迈向顶尖开发者的闪亮起点。

阿里编程之夏 ASoC:

https://asoc2022.opensource.alibaba.com/

CCF GitLink 编程夏令营:

https://www.gitlink.org.cn/glcc/subjects/detail/8

https://www.gitlink.org.cn/glcc/subjects/detail/71

https://www.gitlink.org.cn/glcc/subjects/detail/134

注意事项:所有报名必须通过系统报名方可有效,报名前请阅读学生指南。

为了方便同学们的交流,有意向参与 Seata 社区开源之夏活动的同学请使用钉钉扫码 SummerCode 暑期交流群。

在这里插入图片描述

期待同学们的加入,让我们相约相遇在这个夏天!

点击此处,立即查看!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/24159.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

阿里技术官整合的四大主流中间件笔记,让你高薪摸鱼,不再秃头背锅

RabbitMQ: 优点:轻量,迅捷,容易部署和使用,拥有灵活的路由配置 缺点:性能和吞吐量较差,不易进行二次开发 RocketMQ: 优点:性能好,稳定可靠,有活…

一位微软技术大牛,工作8年的职业经验分享

写在前面 进击的叻叻是小灰的一位朋友,本文整理了他今年9月返校进行校友职场经验分享的内容,从职业选择、职业发展、工作体验和职业认知四个方面,分享自己微软八年职业生涯的经历和感悟。 这篇文章是对当时校友职场经验分享会内容的精炼和补充…

尚硅谷商品汇项目复习文档

项目资料 项目源码:https://gitee.com/HusePanghu/project-SP 项目地址:HusePanghu.SPH 前言 提示:本文档的编撰初衷是用于复习和回顾该项目,而非该项目的教程文档,弊处多多,敬请包涵。欢迎大家在评论区交…

千橡CEO陈一舟5日聊微软入股Facebook和校内网

千橡CEO陈一舟5日聊微软入股Facebook和校内网 http://www.sina.com.cn 2007年11月01日 17:50 新浪科技 千橡集团董事长兼CEO陈一舟(新浪科技配图) 新浪科技讯 11月1日消息,千橡集团董事长兼CEO陈一舟将于11月5日10:30做客新浪科技白银时代,届时他将就微…

今天面了个阿里秒杀项目组的,见识到了基础天花板被震撼到了

在京东工作了8年,工作压力大,节奏快,但是从技术上确实得到了成长,尤其是当你维护与大促相关的系统的时候,熬到P7也费了不少心思,小编也是个爱学习的人,把这几年的工作经验整理成了一份完整的笔记…

互联网暴力裁员,唯有神技面试八股文手册,能助各位码农突破囧境

很多人都说今年对于IT行业根本没有所谓的“金三银四”“金九银十”。在各大招聘网站或者软件上不管是大厂还是中小公司大多都是挂个招聘需求,实际并不招人;在行业内的程序员基本都已经感受到了任老前段时间口中所谓的“寒气”。 虽然事实确实是如此&…

27位技术实战派负责人齐聚 深聊降本增效 你一定不想错过!

倒计时6天,11月4日 杭州云栖大会-探索增长动能峰会即将启动 阿里巴巴集团CTO线&阿里云智能互联网行业线& ​阿里云智能基础产品事业部联合出品 27位技术实战派负责人齐聚 共同深入讨论企业降本增效的话题 欢迎一起来 看点 1:27位实战…

商汤科技推出“日日新SenseNova”,大模型体系赋能人工智能新未来

2023年4月10日,商汤科技SenseTime技术交流日活动在上海举行,分享了以“大模型大算力”推进AGI(通用人工智能)发展的战略布局,并公布了商汤在该战略下的“日日新SenseNova”大模型体系。 公开信息显示,商汤科…

AI抢饭碗成真!近500家美国企业用ChatGPT取代员工,有公司省下超10万美元

Alex 发自 凹非寺量子位 | 公众号 QbitAI 自从ChatGPT掀起浪潮,不少人都在担心AI快要抢人类饭碗了。 然鹅,现实可能更残酷QAQ...... 据就业服务平台Resume Builder调查统计,在1000多家受访美国企业中,用ChatGPT取代部分员工的&…

阿里CEO下令所有产品接入大模型!钉钉对标微软Office,已解锁近10项新功能

丰色 发自 凹非寺量子位 | 公众号 QbitAI “阿里版GPT”通义千问邀测没过几天—— 今天,在2023阿里云峰会现场,CEO张勇就宣布: 阿里巴巴所有产品未来都将接入“通义千问”大模型,进行全面改造。 与此同时,通义千问的能…

GPT-3核心成员出走打造ChatGPT最强竞品!12项任务8项更强,最新估值50亿美元

衡宇 萧箫 发自 凹非寺量子位 | 公众号 QbitAI 因不满老东家成为微软附庸,11名OpenAI前员工怒而出走。 如今带着“ChatGPT最强竞品”杀回战场,新公司估值50亿美元,一出手就获得3亿美元融资。 这家公司名叫Anthropic,新推出的聊天机…

一页PPT自动生成短视频的研究

希望通过一些技术,将以前自己讲过的PPT转换成有解说的短视频,从而进行一些分发 旁白到语音 从文字转换成语音我们首先想到的就是TTS,这其中我也是用了各式各样的TTS,发现发音电子音非常强,听听起来很不舒服。后来发现…

Edge浏览器安装油猴插件以及好用的插件推荐

目录 一、介绍 二、下载步骤 一、介绍 油猴插件是非常好用的,可以帮助我们解放双手眼睛这些。帮助学习,通过这些 二、下载步骤 1.打开edge浏览器,右上角点击三小点,选择扩展 2.点击这个 3.点击下载油猴插件 下载失败的看&a…

如虎添翼!6款备受欢迎的Edge浏览器插件

Microsoft Edge以其低资源消耗、强大的安全性和丰富的创新功能,使其备受欢迎。Edge浏览器正在逐渐替代Chrome成为很多用户的首选浏览器。 而作为桌面浏览器必不可少的一部分,扩展程序是很多用户选择一款浏览器重要的衡量标准。 扩展程序可以增强你的浏…

最强Microsoft Edge插件安装

一、Global Speed: 视频速度控制 Global Speed与几乎所有视频和音频流媒体站点兼容,包括Youtube,Netflix,哔哩哔哩,腾讯视频,百度网盘, 爱奇艺等。 当我们打开某个视频网站时,点击Global Spee…

数据分析 波士顿房价预测

一、导入所需要的数据包 二、读入数据 三、数据探索 查看数据的类型,完整性

用Python分析波士顿的房价,酸爽!!!

这个是Kaggle专栏的第二篇,赛题名是:House Prices - Advanced Regression Techniques。在本文中你将会学习到: 单、多变量分析相关性分析缺失值和异常值处理哑变量转换 原notebook地址: https://www.kaggle.com/pmarcelino/compre…

Python数据分析-房价的影响因素图解

摘 要 这两年OF一直在关注房价,抛开政策、炒房等一些外部因素,对于房屋本身来说,哪些是影响房价的主要因素?OF在众多因素中挑选了几个进行分析:房屋年龄、面积、层数(1/1.5/2/2.5/...)、卧室数…

python做波士顿房价预测

#1. 导入相关包 import numpy as np #导入numpy科学计算包 import pandas as pd #导入pandas数据分析包 from pandas import Series, DataFrame #Series是类似于一维数组的对象 import matplotlib.pyplot as plt #导入绘图的包 import sklearn.datasets as datasets #直接从…

python实现波士顿房价预测---(1)

波士顿房价预测 目标 这是一个经典的机器学习回归场景,我们利用Python和numpy来实现神经网络。该数据集统计了房价受到13个特征因素的影响,如图1所示。 对于预测问题,可以根据预测输出的类型是连续的实数值,还是离散值&#xff…