Ch18 ML 系统设计 · 思维导图 (Mermaid)¶

一 · 章节主入口¶

🌳 Ch18 章 知识图谱
├─ §01 基础
│  └─ CAP
│  └─ 可扩展
│  └─ 一致性
├─ §02 云计算
│  └─ IaaS
│  └─ PaaS
│  └─ SaaS
├─ §03 基础设施
│  └─ Kafka
│  └─ Spark
│  └─ 数据湖
├─ §04 ML 系统
│  └─ Feature Store
│  └─ Registry
│  └─ 监控
├─ §05 案例
│  └─ Netflix
│  └─ DoorDash
│  └─ Uber

二 · CAP 三选二¶

graph LR
    A[分布式] --> B[一致]
    A --> C[可用]
    A --> D[分区]
    B --> E[CP 系统]
    C --> F[AP 系统]
    D --> G[必须]
    E --> E1[ZooKeeper]
    F --> F1[Cassandra]

三 · §01 基础子图¶

🌳 Ch18 章 知识图谱
├─ CAP
│  └─ 一致
│  └─ 可用
│  └─ 分区
├─ 扩展
│  └─ 水平
│  └─ 垂直
├─ 一致性
│  └─ 强
│  └─ 最终
├─ 可用性
│  └─ SLA
│  └─ SLO

四 · §02 云计算子图¶

🌳 Ch18 章 知识图谱
├─ 模式
│  └─ IaaS
│  └─ PaaS
│  └─ SaaS
├─ 厂商
│  └─ AWS
│  └─ GCP
│  └─ Azure
│  └─ 阿里云
├─ 服务
│  └─ EC2
│  └─ S3
│  └─ K8s
├─ 边缘
│  └─ CDN
│  └─ IoT

五 · §03 基础设施子图¶

🌳 Ch18 章 知识图谱
├─ 流
│  └─ Kafka
│  └─ Flink
│  └─ Pulsar
├─ 批
│  └─ Spark
│  └─ Hadoop
│  └─ Hive
├─ 湖
│  └─ Iceberg
│  └─ Delta
│  └─ Hudi
├─ 查询
│  └─ Trino
│  └─ Presto
│  └─ ClickHouse

六 · §04 ML 系统子图¶

🌳 Ch18 章 知识图谱
├─ 数据
│  └─ Feature Store
│  └─ 数据湖
├─ 模型
│  └─ Registry
│  └─ 版本
├─ 训练
│  └─ Pipeline
│  └─ 调度
├─ 监控
│  └─ 漂移
│  └─ 性能
├─ 发布
│  └─ A/B
│  └─ 金丝雀

七 · §05 案例子图¶

🌳 Ch18 章 知识图谱
├─ Netflix
│  └─ Eureka
│  └─ Zuul
│  └─ 推荐
├─ DoorDash
│  └─ 派单
│  └─ 物流
├─ Uber
│  └─ Michelangelo
│  └─ ETA
├─ Airbnb
│  └─ ML Platform
├─ Pinterest
│  └─ PinSage

八 · 跨章桥接¶

graph TB
    C13[Ch13 OS] --> T1
    C15[Ch15 DevOps] --> T2
    C17[Ch17 推理] --> T3
    C12[Ch12 GNN] --> T4

    T1[Ch18 §01 系统设计] --> FUSE{ML 平台}
    T2[Ch18 §03 基础设施] --> FUSE
    T3[Ch18 §04 ML 系统] --> FUSE
    T4[Ch18 §05 推荐系统] --> FUSE

    FUSE --> APP[推荐 / 搜索 / 广告 / LLM 服务]

九 · 演进时间线¶

timeline
    2000 : CAP 论文
    2004 : Hadoop / MapReduce
    2008 : Kafka
    2010 : Spark
    2014 : AWS Lambda
    2015 : TensorFlow Serving
    2018 : Feast / DVC / MLflow
    2020 : Iceberg / Delta
    2022 : Ray / KServe
    2024 : LLM 平台
    2025 : Agent 平台

十 · ML 系统架构图¶

graph TD
    A[用户] --> B[API Gateway]
    B --> C[业务服务]
    C --> D[Feature Store 在线]
    D --> E[模型推理]
    E --> F[结果]

    G[Kafka 事件] --> H[Flink 流处理]
    H --> I[Feature Store 离线]
    I --> J[数据湖]
    J --> K[训练]
    K --> L[模型 Registry]
    L --> E

    M[监控] --> N[漂移检测]
    N --> O[自动重训]
    O --> K

十一 · 关键模式对比¶

模式	描述	适用
批处理	定时处理	离线报表
流处理	实时	推荐 / 监控
Lambda	批 + 流混合	历史 + 实时
Kappa	纯流	简单实时
湖仓一体	湖 + 仓	现代数据栈

十二 · 数据漂移检测¶

方法	公式	适用
PSI	\(\sum (P_n - P_r) \ln(P_n / P_r)\)	通用
KS 检验	sup\|F1 - F2\|	数值特征
卡方	\(\sum (O - E)^2 / E\)	类别特征
模型监控	性能下降	后置

这张导图覆盖 Ch18 全章。建议: 先背章节主入口 → 按节背子图 → 演进时间线 → 系统架构图。