企业级低代码服务编排库 - Commander

article/2025/10/3 2:53:03

写在前面。低代码最近被炒的火热,各种争议不断,我们且不去添油加醋,仔细想来,在一些特定的场景,在整体架构的特定层面,低代码平台确实是可以发挥其长处的,足矣。

一.微服务编排的必要性

微服务是当前流行的软件架构风格,在底层共性技术服务和中台业务服务能力具备后,上层应用应基于这些服务快速地构建,但不可能所有场景都简单调用一个服务就能实现。当存在一定业务规则需要处理的时候,往往都涉及到多个服务调用,中间还涉及到基础的数据处理,逻辑判断才能够完成。

如果让前端应用来处理这种组合,需要大量编写脚本代码,还不时需要调整,而且存在共性领域服务逻辑对外泄露的问题。其二在前后端分离的场景下,前端并不关心复杂的后端逻辑。

服务编排是对基础的业务服务按照一定的业务规则进行逻辑组合,提供一个封装后的组合服务接口给前端的过程。

服务编排引擎可以进行可视化的业务流程编排来降低这些大量重复且没有技术含量的前端脚本、提升服务调用逻辑的可视化。

二.服务编排的方式及开源产品

      当前服务编排主要是Orchestration和Choreography两种模式。

1、Orchestration(编制)

Orchestration模式面向流程:通过一个可执行的流程来协同内部及外部的服务交互,通过流程来控制总体的目标、涉及的操作、服务调用顺序。Orchestration和BPM、ESB的思想很相似,首先要有一个流程控制服务,该服务接收请求,依照业务逻辑规则,依次调用各个微服务,并最终完成处理逻辑。

2、Choreography(编排)

Choreography模式面向协作:通过消息的交互序列来控制各个部分资源的交互,参与交互的资源都是对等的,没有集中的控制。Choreography可以看作一种消息驱动模式,或者说是订阅发布模式,每笔业务到来后,各个监听该事件的服务,会主动获取消息,处理,并可以按需发布自己的消息。可以把不同队列看作不同种类的消息,微服务看作消息处理函数。

当前主流的微服务编排引擎包括:zeebe-io/zeebe, netflix/conductor, uber/cadence,其适用场景功能特性以及优缺点读者可自行去查阅了解,也有不少布道者写了相关的介绍文章。

三.Commander的主要功能

Commander 是一个Orchestration模式的服务编排框架库,可以嵌入式使用,也提供独立运行的服务端。由IDE和运行时两部分构成。IDE提供所见即所得的服务定义(接入接出通讯配置,接口配置)和处理流程,是一个基于Eclipse的低代码开发平台。主要功能如下:

  • 可视化组合服务定义,包括服务Url,流控标识,熔断标识,请求接口,响应接口,处理流程等;

 

  • 可视化流程编排:对于服务处理流程的节点组件,控制模型的属性进行可视化设置;

 

  • 流程控制模型(顺序、分支、循环、异常抛出、并行);
  • 丰富的业务流程处理组件。包括接口解析拼装组件,变量处理脚本组件,服务调用组件等;提供自定义组件接口可方便自行扩展;
  • 支持分布式事务能力,在服务调用失败时可以进行重试或冲正操作
  • JSON报文的拆分,合并,数据映射
  • 微服务链路追踪;
  • 熔断限流,流量控制;
  • 可作为存量业务系统的边车,进行通讯方式(TCP长连接,TCP短连接,Http,MQ),报文接口(XML,JSON,SOAP,定长报文,分隔符报文,块报文)的转换,将存量系统的服务注册,访问其他微服务功能。

欢迎对Commander感兴趣的朋友访问GitHub - Meta-Soft/Commander: Commander 是一个服务编排框架库,也提供独立运行的服务端。由IDE和运行时两部分构成。IDE提供所见即所得的组合服务配置,接口配置,及处理流程,是一个基于Eclipse的低代码开发平台。

联系方式 meta_soft@163.com


http://chatgpt.dhexx.cn/article/qW7A9ODD.shtml

相关文章

资源调度和服务编排技术架构

从传统云网融合的角度出发,结合边缘计算、网络云化及智能控制的优势,在算力网络连接下实现更加广泛的算力资源纳管和动态调度。算力网络正是为了提高云、边、端三级计算的协同工作效率而出现的。算力网络资源调度和服务编排整体技术架构如图1所示。 图1 …

如何通过网关做服务编排?

什么是服务编排/数据聚合? 服务编排/数据聚合 指的是可以通过一个请求来依次调用多个微服务,并对每个服务的返回结果做数据处理,最终整合成一个大的结果返回给前端。 例如一个服务是“查询用户预定的酒店”,前端仅需要传一个订单…

零代码平台中的服务编排思路

先打个广告,我们的第三场零代码实践的直播在本周五( 11 月 5 日 )晚8点准时开始,扫描下面二维码,直接预约直播,到时间微信会自动提醒。 随着企业数字化转型的进程加快,零代码平台的的应用越来越…

Kstry框架一种服务编排的实现

Kstry是什么? 所见( 图示模型 )即所得( 代码执行 )的可视化流程编排框架可轻易将流程从串行升级到并行,支持任务拆分、任务重试、任务降级、子任务遍历、指定超时时间的并发框架共享能力平台侧的微服务业务…

java接口服务编排_GOKU API Gateway CE V3.1.0 发布:新增服务编排、配置版本管理等...

Goku API Gateway (中文名:悟空 API 网关)是一个基于 Golang 开发的微服务网关,能够实现高性能 HTTP API 转发、服务编排、多租户管理、API 访问权限控制等目的,拥有强大的自定义插件系统可以自行扩展,并且提供友好的图形化配置界…

云原生服务编排技术

基于云原生的服务编排技术主要实现融合计算、存储和网络能力开放,通过云原生和云计算统一编排调度平台来实现底层资源的调度及上层服务编排。运用 OpenStack底层基础设施层的资源调度管理能力,对数据中心内的异构计算资源、存储资源和网络资源可以进行有…

Docker Compose 服务编排

微服务架构中一般会有多个微服务,每一个微服务一般都会部署多个实例,如果每一个服务都手动启动,工作量会很大。服务编排就是按照一定的业务规则进行批量管理容器。 docker基础请参考 Docker相关内容整理(一)_活水774的…

9_服务编排

是什么 微服务架构的应用系统中一般包含若干个微服务,每个微服务一般都会部署多个实例,如果每个微服务都要手动启 动停止,维护的工作量会很大。来看下我们日常工作: 要从Dockerfile build image 或者去 dockerhub 拉取 image要创…

Docker服务编排

概述 服务编排概念 微服务架构的应用系统中一般包含若干个微服务,每个微服务都会部署多个实例,如果每个微服务都要手动启停,维护的工作量会很大。 具体工作大概如下: 从Dockerfile build image或者取dockerhub拉取image。创建多…

详解微服务编排

你的组织是否使用微服务风格的体系结构来实现其业务功能?你使用什么方法来实现微服务的通信和编排?在过去的几年中,微服务一直是一个相当占主导地位的应用程序架构,通常与云平台(例如,容器、K8s、FaaS&…

服务编排-前端应用和后端服务能力间关键衔接

转载自:https://www.toutiao.com/a6922250238791090691/?log_fromce077552cde8e_1635167920723 首先提出一个重要观点,即在当前微服务架构转型中,服务编排将成为一个大的技术发展趋势,其主要原因展开描述如下: 当前…

蚁群算法原理及Matlab实现

转自:https://blog.csdn.net/zuochao_2013/article/details/71872950 原 蚁群算法 2017年05月13日 20:23:13 阅读数:7821 蚁群算法(AG)是一种模拟蚂蚁觅食行为的模拟优化算法,它是由意大利学者Dorigo M等人于1991年首先提出,并首先…

蚁群算法讲解python

简介 蚁群算法(Ant Clony Optimization, ACO)作为一个启发式群智能算法,它是由一群无智能或有轻微智能的个体通过相互协作而表现出智能行为,从而为求解复杂问题提供了一个新的可能性。 ACO是一种仿生学算法&#xff…

蚁群算法详解(含例程)

该篇博客为课程学习的笔记,含一个例子可以帮助理解蚁群算法,主要为理论知识的总结。 蚁群算法详解 1.算法简介2.Ant System(蚂蚁系统)2.1 路径构建2.2 信息素更新 3. 改进的蚁群算法3.1 精英策略的蚂蚁系统(Elitist Ant System, EAS)3.2 基于排列的蚂蚁…

蚁群算法小结及算法实例(附Matlab代码)

目录 1、基本蚁群算法 2、基本蚁群算法的流程 3、关键参数说明 3.1 信息素启发式因子 α 3.2 期望启发因子 β 3.3 信息素蒸发系数 ρ 3.4 蚂蚁数目 m 3.5 信息素强度 Q 对算法性能的影响 3.6 最大进化代数 G 4、MATLAB仿真实例 4.1 蚁群算法求解旅行商问题&#xf…

蚁群算法代码实现

旅行商问题大都是用遗传算法求解,不过蚁群算法比它高效得多,在百度的蚁群算法吧里有人发了个注释清晰的代码,有兴趣的可以去研究一下蚁群算法和模拟退火算法,这两者都可以解决旅行商问题。而关于遗传算法和模拟退火算法&#xff0…

蚁群算法(ACO)

目录 ACO简介 基本原理 算法步骤 流程图 参数意义 构建路径 更新信息素 实例演示(TSP问题) ACO简介 蚁群是自然界中常见的一种生物,人们对蚂蚁的关注大都是因为“蚁群搬家,天要下雨”之类的民谚。然而随着近代仿生学的发展&…

蚁群算法及其应用

产生背景 20世纪90年代初,意大利科学家Marco Dorigo等受蚂蚁觅食行为的启发,提出蚁群算法(Ant Colony Optimization,ACO)。 一种应用于组合优化问题的启发式搜索算法。 在解决离散组合优化方面具有良好的性能。 基本思想 信息素跟踪&#…

蚁群算法原理及python代码实现

本文转载自:https://blog.csdn.net/fanxin_i/article/details/80380733 蚁群算法(AG)是一种模拟蚂蚁觅食行为的模拟优化算法,它是由意大利学者Dorigo M等人于1991年首先提出,并首先使用在解决TSP(旅行商问题)上。 之后…

蚁群算法原理以及应用

关键词:启发式算法 蚁群算法 迭代 正反馈 1.蚁群算法(ant colony algorithm,ACA)起源和发展历程 Marco Dorigo等人在研究新型算法的过程中,发现蚁群在寻找食物时,通过分泌一种称为信息素的生物激素交流觅食信息从而能快速的找到目标,于是在1991年在其博士论文中首次系统地提…