使用docker swarm被一个感觉简单的问题难住了,高手进
nginx 的大概配置
location ^~ /abc {
proxy_pass http://hostA:8080;
}
location ^~ /def {
proxy_pass http://hostB:8080;
}
正常情况下是没问题的,nginx 可以很 happy 的运行,但是一旦某个服务比如 appA 重启了,
docker 给 appA 重新分配了个 ip,然后 nginx 就不干了,报错
connect() failed (113: No route to host) while connecting to upstream
然后 appA 一段时间无法提供服务,必须手动 nginx -s reload 才可以重新解析新 ip
而如果是 appA 挂了,还有可能导致整个 nginx 无法启动,连 appB 也无法提供服务了
不知道各路大神有没有好的解决方法呢?
主要是docker 重新拉起的容器可以设置固态ip或者是使用什么方法 动态识别容器ip
相关推荐
主流分布式系统相关知识和区别
主流分布式系统相关知识和区别,特别是在学习分布式系统前,无法把握那些技术是主流,那些技术已经过期,已经每个技术的有点缺点, 对于分布式系统初学者 有意义
分布式系统设计 分布式系统设计
分布式系统设计 分布式系统设计 分布式系统设计
科技成果进场交易前,评估备案环节需要准备哪些材料?.docx
科易网基于40亿+科创知识图谱数据库,深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,研究科技创新领域的AI+数智化解决方案,推动科技创新与产业创新智能化发展。
人工智能基于类型化方法的训练数据获取与处理体系:构建数据中心化AI治理框架
内容概要:本文从类型化视角系统研究了人工智能训练数据的获取与处理体系,提出应构建多元化、高质量、合规有序的数据供给体系。文章首先分析数据获取的三种类型:来源类型(网络公开抓取、开源数据集、多源协同)、合规性类型(合法性困境与制度供给)以及产业组织类型(“隐身劳动”到多元协作)。随后构建数据处理的类型化体系,包括四方面:阶段类型(从“生语料”到“归档数据集”的五阶段流程)、操作类型(形成包含采集、清洗、标注、脱敏、去重、切片、向量化等在内的“数据操作工具箱”)、范式类型(推动从“模型中心”向“数据中心”的范式转型),以及管理类型(建立覆盖全生命周期的治理框架)。最后指出,AI治理正迈向以数据为中心的新范式,需通过制度完善、产业协同、技术创新与监管强化实现系统性突破。; 适合人群:从事人工智能研发、数据治理、算法合规及相关政策研究的专业人员,尤其适用于AI企业技术管理者、数据科学家、法律合规从业者及政府监管部门人员。; 使用场景及目标:①理解AI训练数据获取的合法路径与产业协作模式;②掌握数据处理的全流程阶段划分与核心技术操作;③推动“数据为中心”的AI开发范式转型;④构建符合法律与伦理要求的全生命周期数据治理体系。; 阅读建议:此资源理论与实践结合紧密,建议读者结合实际项目中的数据采集、清洗、标注与合规流程进行对照学习,并重点关注“数据操作工具箱”与“数据中心AI”范式,以提升数据工程化能力和治理水平。
政府科技管理者在推动区域科技创新时,如何精准配置科技成果与产业需求?.docx
科易网基于40亿+科创知识图谱数据库,深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,研究科技创新领域的AI+数智化解决方案,推动科技创新与产业创新智能化发展。


