前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >比 SpringBoot 更快,更轻,更小!

比 SpringBoot 更快,更轻,更小!

作者头像
民工哥
发布于 2022-10-27 08:15:21
发布于 2022-10-27 08:15:21
1.1K0
举报

Spring Boot总体来说,搭建还是比较容易的,特别是Spring Cloud全家桶,简称亲民微服务,但在发展趋势中,容器化技术已经成熟,面对巨耗内存的Spring Boot,小公司表示用不起。如今,很多刚诞生的JAVA微服务框架大多主打“轻量级”,主要还是因为Spring Boot太重。

JAVA系微服务框架No1-Spring Cloud

介绍

有Spring大靠山在,更新、稳定性、成熟度的问题根本不需要考虑。在JAVA系混的技术人员大约都听说过Spring的大名吧,所以不缺程序员……,而且这入手的难度十分低,完全可以省去一个架构师。

但是,你必然在服务器上付出:

1、至少一台“服务发现 ”的服务器;

2、可能有一个统一的网关Gateway;

3、可能需要一个用于“分布式配置管理”的配置中心

4、可能进行“服务追踪”,知道我的请求从哪里来,到哪里去;

5、可能需要“集群监控”;

6、项目上线后发现,我们需要好多服务器,每次在集群中增加服务器时,都感觉心疼;

压测30秒

压测前的内存占用

如图,内存占用304M。

压测时的内存占用

如图,内存占用1520M(1.5G),CPU上升到321%

概览

总结

一个Spring Boot的简单应用,最少1G内存,一个业务点比较少的微服务编译后的JAR会大约50M;而Spring Cloud引入的组件会相对多一些,消耗的资源也会相对更多一些。

启动时间大约10秒左右: Started Application in 10.153 seconds (JVM running for 10.915)

JAVA系响应式编程的工具包Vert.x

介绍

背靠Eclipse的Eclipse Vert.x是一个用于在JVM上构建响应式应用程序的工具包。定位上与Spring Boot不冲突,甚至可以将Vert.x结合Spring Boot使用。众多Vert.x模块提供了大量微服务的组件,在很多人眼里是一种微服务架构的选择。

华为微服务框架Apache ServiceComb就是以Vert.x为底层框架实现的,在"基准测试网站TechEmpower"中,Vert.x的表现也十分亮眼。

压测30秒

压测前的内存占用

如图,内存占用65M。

压测时的内存占用

如图,内存占139M,CPU占2.1%,给人的感觉似乎并没有进行压测。

概览

总结

Vert.x单个服务打包完成后大约7M左右的JAR,不依赖Tomcat、Jetty之类的容器,直接在JVM上跑。

Vert.x消耗的资源很低,感觉一个1核2G的服务器已经能够部署许多个Vert.x服务。除去编码方面的问题,真心符合小项目和小模块。git市场上已经出现了基于Vert.x实现的开源网关- VX-API-Gateway帮助文档(https://duhua.gitee.io/vx-api-gateway-doc/)对多语言支持,很适合小型项目快速上线。

启动时间不到1秒:Started Vert.x in 0.274 seconds (JVM running for 0.274)

JAVA系其他微服务框架

SparkJava

1、jar比较小,大约10M

2、占内存小,大约30~60MB;

3、性能还可以,与Spring Boot相仿;

Micronaut

1、Grails团队新宠;

2、可以用 Java、Groovy 和 Kotlin 编写的基于微服务的应用程序;

3、相比Spring Boot已经比较全面;

4、性能较优,编码方式与Spring Boot比较类似;

5、启动时间和内存消耗方面比其他框架更高效;

6、多语言;

7、依赖注入;

8、内置多种云本地功能;

9、很新,刚发布1.0.0

Javalin

1、上手极为容易;

2、灵活,可以兼容同步和异步两种编程思路;

3、JAR小,4~5M;

4、多语言;

5、有KOA的影子;

6、只有大约2000行源代码,源代码足够简单,可以理解和修复;

7、符合当今趋势;

8、多语言;

9、嵌入式服务器Jetty;

Quarkus

1、启动快;

2、JAR小,大约10M;

3、文档很少。

END

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-06-09,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 民工哥技术之路 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
比现有方法快5倍,南方科技大学团队提出基于二级结构的蛋白质功能预测模型
预测蛋白质功能对于理解生物生命过程、预防疾病和开发新的药物靶点至关重要。近年来,基于序列、结构和生物网络的蛋白质功能标注方法得到了广泛的研究。虽然通过实验或计算方法获得蛋白质的三维结构可以提高功能预测的准确性,但高通量技术对蛋白质测序的速度提出了重大挑战。现有的基于一级序列或三级结构的蛋白质功能预测方法具有固有的局限性。首先,仅通过氨基酸序列信息来准确预测未知物种的功能具有挑战性。虽然利用三级结构进行功能预测提高了准确性,但由于其耗时较长,对于分析大量数据集是不切实际的。从初级到三级,正是因为“功能信息密度”不断增加,才更容易预测功能。这个功能信息密度是指功能信息与总信息的比值。因此,开发的基于二级结构的预测算法,将基于一级序列的测序效率与利用部分空间结构信息的准确性相结合,是十分必要的。
智药邦
2024/06/11
4360
比现有方法快5倍,南方科技大学团队提出基于二级结构的蛋白质功能预测模型
Nat. Mach. Intell. | 5′ UTR语言模型:开辟蛋白质表达预测与优化的新途径
近日,来自普林斯顿大学电气和计算机工程系、斯坦福大学病理系与RVAC Medicines和Zipcode Bio等单位联合开发了一种5′ UTR语言模型(UTR-LM),由王梦迪教授担任通讯作者,褚晏伊博士和于丹博士共同担任第一作者。该模型旨在解码信使RNA(mRNA)分子起始部位的调控区,以预测和改进基因的翻译表达水平。
DrugAI
2024/04/12
7110
Nat. Mach. Intell. | 5′ UTR语言模型:开辟蛋白质表达预测与优化的新途径
蛋白质二级结构预测
连接螺旋和折叠结构 常位于蛋白结构表面,多为带点和极性氨基酸 常为活性位点组成部分
用户1359560
2020/07/14
1.5K0
2021年度蛋白质结构预测最佳方法
数十年来,在给定氨基酸线性序列的情况下,预测蛋白质三维结构的潜力一直吸引着计算生物学家。虽然在该领域取得了相当大的进展,但还没有一种方法能够可靠地生成接近、更不用说匹配实验确定结构质量的模型。在过去的一年里,基于深度学习的方法AlphaFold2和RoseTTAfold成功地在一系列靶标上实现了这一壮举,永远改变了结构生物学领域的进程。更令人印象深刻的是,欧洲分子生物学实验室和 DeepMind 之间的合作预测了 21 种模式生物的超过 350,000 种蛋白质的结构,并存储在AlphaFold 蛋白质结构数据库——计划在 2022 年将预测扩展到数百万个结构。
DrugAI
2022/03/25
5710
2021年度蛋白质结构预测最佳方法
Nat. Comput. Sci. | 使用有监督的Transformer蛋白质语言模型进行单序列蛋白质结构预测
今天给大家介绍的是南开大学王文恺博士发表在nature computational science上的文章《Single-sequence protein structure prediction using supervised transformer protein language models》。作者提出了一种单序列蛋白质结构预测算法trRosettaX-Single。具体而言,trRosettaX-Single将有监督的Transformer蛋白质语言模型中的序列嵌入整合到通过知识蒸馏增强的多尺度网络中,预测残基间二维几何结构,然后利用能量最小化重建三维结构。
DrugAI
2023/02/17
7120
Nat. Comput. Sci. | 使用有监督的Transformer蛋白质语言模型进行单序列蛋白质结构预测
高效预测几乎所有人类蛋白质结构,AlphaFold再登Nature,数据库全部免费开放
转载自Science AI 作者:雪松、凯霞 这次,AlphaFold 的预测结果几乎覆盖了人类所有的蛋白质结构,而且将免费开放给公众。这将是科学界的一笔宝贵财富。 生命所必需的每一次基础生物学活动几乎都是由蛋白质带来的。蛋白质参与创建细胞和组织并保持着它们的形状;构成维持生命所需化学反应的催化酶;充当分子工厂、转运工具和马达;充当细胞通讯的信号和接收器等等。 蛋白质由很多氨基酸长链组成,通过折叠成精确的 3D 结构来完成无数的任务。这些结构控制着它们与其它分子互动的方式,决定了其功能以及它在疾病中的功
机器之心
2023/03/29
5650
高效预测几乎所有人类蛋白质结构,AlphaFold再登Nature,数据库全部免费开放
Nat.Commun.| 使用图卷积网络的基于结构的蛋白质功能预测
今天给大家介绍的是Vladimir Gligorijević等人在nature communication上发表的文章《Structure-based protein function prediction using graph convolutional networks》。序列数据库中蛋白质数量的快速增加及其功能的多样性对自动功能预测的计算方法提出了挑战。作者提出了DeepFRI,一个利用从蛋白质语言模型和蛋白质结构中提取的序列特征来预测蛋白质功能的图卷积网络。它的性能优于当前领先的方法和基于序列的卷积神经网络,并可扩展到当前序列存储库的规模。使用同源性模型增强实验结构的训练集允许作者显著扩展预测函数的数量。DeepFRI具有显著的去噪能力,当实验结构被蛋白质模型取代时,性能只有轻微的下降。类激活图允许以前所未有的分辨率进行功能预测,允许在残基级别上进行特定位点的注释。作者通过注释来自PDB和SWISS-MODEL的结构,展示了此方法的实用性和高性能。
智能生信
2021/09/14
1.6K0
Nat.Commun.| 使用图卷积网络的基于结构的蛋白质功能预测
RNA 结构预测为什么比蛋白质难?
2020年11月的一场虚拟会议上,一项每两年举办一次的蛋白质结构预测挑战赛公布了冠军:AlphaFold。这款由 Google DeepMind 开发的计算工具以原子级精度预测了数十种蛋白质结构,取得了研究人员数十年来梦寐以求的突破。
生信菜鸟团
2025/03/28
1140
RNA 结构预测为什么比蛋白质难?
基于计算学方法的蛋白质相互作用预测综述
今天给大家介绍来自中科院的胡伦和IBM的胡鹏伟等人在Briefings in Bioinformatics上发表的文章“A survey on computational models for predicting protein-protein interactions”。预测蛋白质之间的相互作用(PPI)对研究生物体内的各种细胞学机制至关重要,计算学方法能够有效改善传统生物学方法预测PPI时耗时耗力,且预测结果不可靠的问题。在本文中,我们描述了PPI预测所需的各种蛋白质相关数据库,介绍了现有的各种计算学模型的优缺点,然后描述了常用的实验方案和模型性能评价指标,并介绍了几种在线预测工具,最后阐明了预测PPI的未来发展方向。
DrugAI
2021/05/24
3.7K0
基于计算学方法的蛋白质相互作用预测综述
5️⃣ 蛋白质序列基本和特征信息分析(1) :蛋白质序列基本信息分析(氨基酸组成,理化性质,亲疏水等)
蛋白质是生命功能的执行者,一切生命活动都与蛋白质有关。 我们知道,蛋白质结构分为一级结构和空间结构,而空间结构包含二级三级和四级结构,空间结构是蛋白质功能的关键。而一级结构又决定空间结构,也就是说空间结构的信息蕴藏在一级结构中。 一级结构指的是蛋白质中氨基酸的排列顺序,和DNA一级结构一致。 也就是说蛋白质发挥什么功能,基本在一级结构中就确定了。
Y大宽
2019/03/05
15.8K0
FFPred-GAN:“以假乱真“—基于GAN创建合成特征样本改进蛋白质功能预测
今天给大家介绍伦敦大学学院David T. Jones 教授课题组发表在Nature Machine Intelligence 的一篇文章。文章中指出,现存的蛋白质功能预测方法受限于训练样本量的瓶颈,为了解决这个问题,作者提出了一种新的基于生成对抗网络的方法FFPred-GAN。FFPred-GAN能够准确学习蛋白质序列的生物物理特征的高维分布,并生成高质量的合成蛋白质特征样本。实验结果表明,通过对原始训练蛋白质特征样本的扩充,合成蛋白质特征样本成功提高了基因本体论所有三个域的预测准确性。
DrugAI
2021/02/02
1.2K0
FFPred-GAN:“以假乱真“—基于GAN创建合成特征样本改进蛋白质功能预测
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
2022年5月30日,以色列特拉维夫大学Blavatnik计算机科学学院的Haim J. Wolfson等人在Nat Methods杂志发表文章,提出了一种可解释的深度学习模型,该模型直接从原始数据中学习具有功能的结构基序 (motifs),从而可以将蛋白质结合位点和抗体表位准确地映射到蛋白质结构上。
智药邦
2022/06/08
4.5K0
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
Nat. Commun. | 多聚体蛋白质的直接物理相互作⽤预测
今天带来的是美国乔治亚州亚特兰⼤⽣物科学学院系统⽣物学研究中⼼的Jeffrey Skolnick课题组发表在Nature上的AF2Complex predicts direct physical interactions in multimeric proteins with deep learning。
DrugAI
2022/04/20
5040
Nat. Commun. | 多聚体蛋白质的直接物理相互作⽤预测
结构生物学没失业!深度评估AlphaFold 2:「蛋白质功能预测」水平不足|NeurIPS 2022
随着深度学习领域的发展,大规模蛋白质语言模型(PLM)在蛋白质预测任务中的取得了很大的成绩,比如蛋白质3D结构预测和各种功能预测。
新智元
2023/01/08
5080
结构生物学没失业!深度评估AlphaFold 2:「蛋白质功能预测」水平不足|NeurIPS 2022
后AlphaFold时代,AI如何持续赋能蛋白质计算?
2018年12月,DeepMind 推出的 AlphaFold 根据基因序列成功预测蛋白质结构,成为 AI 技术驱动和加速科学发现的重要里程碑,引起业内广泛关注。2020年12月,DeepMind推出升级版本 AlphaFold 2,破解了蛋白质分子折叠问题,并宣称「它将改变一切」。2021年7月,DeepMind 宣布开源 AlphaFold 2 模型代码,并与 EMBL-EBI 合作开放 AlphaFold 蛋白结构数据库。 可以说,AlphaFold 与 AlphaFold 2 的相继推出拉开了人工
机器之心
2022/06/07
7890
后AlphaFold时代,AI如何持续赋能蛋白质计算?
香港科技大学提出DualNetGO模型,通过高效的特征选择对偶网络预测蛋白质功能
蛋白质-蛋白质相互作用(PPI)网络是自动标注蛋白质功能的关键。由于同一组蛋白质存在多个PPI网络,这些网络从不同方面捕获特性,因此有效利用这些异构网络是一项具有挑战性的任务。最近,一些深度学习模型结合了PPI网络,将网络上的图嵌入连接起来用于蛋白质功能预测。然而,由于不同PPI网络的密度、结构和噪声水平各不相同,不加选择地结合蛋白质特征会增加噪声水平,导致模型性能下降。可以说,高效的特征选择程序的缺乏,阻碍了对不同PPI网络信息的有效利用。
智药邦
2024/08/13
1640
香港科技大学提出DualNetGO模型,通过高效的特征选择对偶网络预测蛋白质功能
Google Research进军蛋白质结构预测:为Pfam数据库新增680万标注数据
---- 新智元报道   编辑:LRS 【新智元导读】用深度学习模型来预测蛋白质的结构和功能已经取得了不小的进展,但还缺乏优质的数据。最近Google开源了一个模型ProtENN,提供了680万条蛋白质结构数据Pfam-E,约等于之前十年的工作量。 蛋白质是所有生物体中的重要分子,在我们身体的结构和功能中都发挥着核心作用。并且从药物到洗衣粉等日常生活用品中,蛋白质也无处不在。 虽然每个蛋白质都是由氨基酸构成的链,但不同的氨基酸序列导致了不同的蛋白质结构,也导致了不同蛋白质具有不同的功能。 了解蛋白质的
新智元
2022/03/09
6880
地球超2亿蛋白质结构全预测,AlphaFold引爆「蛋白质全宇宙」!
---- 新智元报道   编辑:拉燕 Aeneas 如願 桃子 【新智元导读】今天,AlphaFold又让学术界沸腾了。DeepMind官宣,AlphaFold可以预测出2亿多个蛋白质结构,几乎覆盖了整个「蛋白质宇宙」。 今天,DeepMind再次引爆学术界! AlphaFold能够预测2亿多个蛋白质结构,实现数量级的重大飞跃。 最重要的是,全部免费开放! 在未来,预测蛋白质结构就如同使用「谷歌搜索引擎」一样简单。 DeepMind的首席执行官Demis Hassabis称, 「这个数据库涵盖了整个
新智元
2022/08/26
5330
地球超2亿蛋白质结构全预测,AlphaFold引爆「蛋白质全宇宙」!
蛋白质同源序列的python爬虫
后半部分需要用到selenium但是目前电脑的chrome版本过高,就先不继续后半部分的代码编写
Tom2Code
2023/09/25
5220
蛋白质同源序列的python爬虫
PNAS | 蛋白质结构预测屈服于机器学习
今天为大家介绍的是来自James E. Rothman的一篇短文。今年的阿尔伯特·拉斯克基础医学研究奖表彰了AlphaFold的发明,这是蛋白质研究历史上的一项革命性进展,首次提供了凭借序列信息就能够准确预测绝大多数蛋白质的三维氨基酸排列的实际能力。这一非凡的成就是由Demis Hassabis、John Jumper以及他们在Google DeepMind和其他合作者的同事们共同取得的,它建立在几十年的实验性蛋白质结构确定(结构生物学)和多种融合生物启发的统计方法的渐进发展基础之上。但是,当Jumper和Hassabis将创新的基于神经网络的机器学习方法融入其中时,结果引起了轰动。实现半个世纪以来的蛋白质结构预测梦想已经加速了化学、生物学和医学等多个领域的进展和创新。
DrugAI
2023/11/13
5450
PNAS | 蛋白质结构预测屈服于机器学习
推荐阅读
比现有方法快5倍,南方科技大学团队提出基于二级结构的蛋白质功能预测模型
4360
Nat. Mach. Intell. | 5′ UTR语言模型:开辟蛋白质表达预测与优化的新途径
7110
蛋白质二级结构预测
1.5K0
2021年度蛋白质结构预测最佳方法
5710
Nat. Comput. Sci. | 使用有监督的Transformer蛋白质语言模型进行单序列蛋白质结构预测
7120
高效预测几乎所有人类蛋白质结构,AlphaFold再登Nature,数据库全部免费开放
5650
Nat.Commun.| 使用图卷积网络的基于结构的蛋白质功能预测
1.6K0
RNA 结构预测为什么比蛋白质难?
1140
基于计算学方法的蛋白质相互作用预测综述
3.7K0
5️⃣ 蛋白质序列基本和特征信息分析(1) :蛋白质序列基本信息分析(氨基酸组成,理化性质,亲疏水等)
15.8K0
FFPred-GAN:“以假乱真“—基于GAN创建合成特征样本改进蛋白质功能预测
1.2K0
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
4.5K0
Nat. Commun. | 多聚体蛋白质的直接物理相互作⽤预测
5040
结构生物学没失业!深度评估AlphaFold 2:「蛋白质功能预测」水平不足|NeurIPS 2022
5080
后AlphaFold时代,AI如何持续赋能蛋白质计算?
7890
香港科技大学提出DualNetGO模型,通过高效的特征选择对偶网络预测蛋白质功能
1640
Google Research进军蛋白质结构预测:为Pfam数据库新增680万标注数据
6880
地球超2亿蛋白质结构全预测,AlphaFold引爆「蛋白质全宇宙」!
5330
蛋白质同源序列的python爬虫
5220
PNAS | 蛋白质结构预测屈服于机器学习
5450
相关推荐
比现有方法快5倍,南方科技大学团队提出基于二级结构的蛋白质功能预测模型
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档