一，修订纪录
| 版本 | 修订人 | 日期 |
|---|---|---|
| 初稿V0.1 | 林继双 | 2020-04-09 |
二，文档目的
用于后端架构开发参考、技术栈描述、开发引导。
slogen:英语玩，玩英语,异性交友。
三，架构cnName
1.设计原则
遵循有可能出现问题就一定会出问题原则。
减少不必要的依赖和技术栈。
自动化部署。
系统监控，做到主动解决问题。
为产品提供良好改需求环境，模块尽量设计灵活。
2.安全描述
使用云服务端F5设备，隐藏主机，防止定向攻击，在被docs攻击的时候还是可以临时切换F5设备。
敏感数据字段需要进行加密。
敏感操作需要二次鉴权，手机验证码或密码。
Web端需要防止跨站脚本，注入脚本，sql注入等攻击。
暴力破解防御阀。
微服务需要加上SSL或禁止外网直接访问。
后台管理采用spring security 对全部资源进行权限过滤。
3.性能要求
百万日活: 每个用户预计100 次请求 1亿/8小时 = 平均3472 QPS
，高峰在6～8倍，预计 QPS需要达到～=3W QPS。
用户注册性能需要达到平均值的两倍 ～=6944 。
4.扩展
服务层级:基于JWT，拆分服务读瓶颈采用redis,写瓶颈采用jdbc-sharding。
各个服务接口不变的情况下还可以更换数据库到nosql 库。
代码层级:服务颗粒度可以根据并发程度情况进行拆分。
5.业务模块
6.后台管理
使用vue -element-ui
满足不同角色对应不同权限。
https://panjiachen.github.io/vue-element-admin/
7.架构图
8.代码分层
业务系统: flo-boundaries
基础服务: flo-micros
治理: flo-clouds
推荐系统: flo-recommendations
9.表规范
主表必须带有id、createTime。
数据可以修改的必须带上 updateTime。
状态使用英文缩写(length 16) 例如. status : SUCCESS FAIL PENDING...
名称必须带上 name() ，nameEn。保留双语给小白用
表名称 不需要前缀， 例如. order user
更多详情参考阿里开发文档
四，技术栈描述
工具: maven , git , Jenkins
开发: Java11,Spring Boot(Web,MVC,Security,JPA,Data)
, Spring Cloud(Netflix全家桶,Config),String Cloud Admin 通过actuator采集和定制通知。二，文档目的
用于后端架构开发参考、技术栈描述、开发引导。
slogen:英语玩，玩英语,异性交友。
三，架构
1.设计原则
遵循有可能出现问题就一定会出问题原则。
减少不必要的依赖和技术栈。
第三方:腾讯云，融云IM
数据: Mysql 5.7,Redis,Kafka,HBase
接口描述: swagger
五，后台开发引导
1.启动
monomers - app - AppApplication
2.开发
在micros 下添加 模块进行开发。
命名最好采用当个单词进行命名如:
常见问题 ，命名为 faq , 包含 Faq , FaqDetail 实体，提供增加，编辑，删除，查询接口.
六，推荐算法（参考）
采集的数据越精确，推荐也是准确
技术栈：
存储:hdsf
分类和标记:spark
用户习惯收集:kafka
实时分析:storm
数据查询分析: es
推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。
基于内容的推荐算法，原理是用户喜欢和自己关注过的Item在内容上类似的Item，比如你看了哈利波特I，基于内容的推荐算法发现哈利波特II-VI，与你以前观看的在内容上面（共有很多关键词）有很大关联性，就把后者推荐给你，这种方法可以避免Item的冷启动问题（冷启动：如果一个Item从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析Item之间的关系，实现推荐），弊端在于推荐的Item可能会重复，典型的就是新闻推荐，如果你看了一则关于MH370的新闻，很可能推荐的新闻和你浏览过的，内容一致；另外一个弊端则是对于一些多媒体的推荐（比如音乐、电影、图片等)由于很难提内容特征，则很难进行推荐，一种解决方式则是人工给这些Item打标签。
协同过滤算法，原理是用户喜欢那些具有相似兴趣的用户喜欢过的商品，比如你的朋友喜欢电影哈利波特I，那么就会推荐给你，这是最简单的基于用户的协同过滤算法（user-based collaboratIve filtering），还有一种是基于Item的协同过滤算法（item-based collaborative filtering），这两种方法都是将用户的所有数据读入到内存中进行运算的，因此成为Memory-based Collaborative Filtering，另一种则是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚类，SVD，Matrix Factorization等，这种方法训练过程比较长，但是训练完成后，推荐过程比较快。
最后一种方法是基于知识的推荐算法，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。 混合推荐算法，则会融合以上方法，以加权或者串联、并联等方式尽心融合。 当然，推荐系统还包括很多方法，其实机器学习或者数据挖掘里面的方法，很多都可以应用在推荐系统中，比如说LR、GBDT、RF（这三种方法在一些电商推荐里面经常用到），社交网络里面的图结构等，都可以说是推荐方法。
参考架构
