gydtep

最初，前端智能化方向的提出是为了给前端技术带来变革，借助 AI 和机器学习的能力拓展前端，就像拥有望远镜人类就有了神话中的千里眼，拥有了 AI 前端也会在自身能力的基础上产生更强的“超能力”。

gydtep

Kubernetes 作为容器的分布式编排调度系统，进一步提升了容器应用的可移植性。K8s通过一系列抽象如 Loadbalance Service, Ingress, CNI, CSI，帮助业务应用可以屏蔽底层基础设施的实现差异，灵活迁移。通过这样的能力，我们可以实现工作负载在数据中心、边缘计算和云环境的动态迁移。

gydtep

在应用架构中，我们需要避免将静态环境信息，比如IP，mac地址等与应用逻辑耦合。在微服务架构中，可以利用 Zookeeper/Nacos 等实现服务的注册发现；

gydtep

在 Kubernetes 中，业务应用可以提供一个 liveness 探针，可以通过 TCP、HTTP 或者命令行方式对应用就绪进行检测。对于 HTTP 类型探针，Kubernetes 会定时访问该地址，如果该地址的返回码不在 200 到 400 之间，则认为该容器不健康，会杀死该容器重建新的容器；

gydtep

对于启动缓慢的应用，为了避免在应用启动完成之前将流量导入。Kubernetes 支持业务容器提供一个 readiness 探针，对于 HTTP 类型探针，Kubernetes 会时访问该地址，如果该地址的返回码不在 200 到 400 之间，则认为该容器无法对外提供服务，不会把请求调度到该容器；

gydtep

云原生架构的建议是：允许失败发生，确保每个服务器，每个组件都能够在不影响系统的情况下发生故障并且具备自愈和可替代能力。这个设计原则的基础是应用配置和持久化状态与具体运行环境的解耦。Kubernetes 的自动化运维体系让服务器的可替换性变得更加简单。

gydtep

框架主要围绕三件事情展开：

一，向JSContext补充API提供基础计算能力。
二，补充数据源为计算提供物料。
三，补充触发计算的时机。

gydtep

这个方案是可以解决上面的问题，但也有一些设计上的问题。比如纯动态化发版解决有些麻烦，逻辑分散，客户端会有额外的内存、IO操作。回到问题本身，其实我们是期望在DX引擎渲染计算时能够利用服务端侧和客户端侧数据。我通过对DX框架的学习，发现一种更优雅解决该问题的方案。

gydtep

虽然DX渲染接口上只能使用单一数据源，但是DX提供了DataParser自定义计算表达式机制。我们可以定制一个DataParser，在模板渲染中使用客户端侧数据。这样DX模板其实可以支持多种数据源进行计算。

gydtep

同时DX提供了一个用户上下文，用于参与DataParser和EventHandler的计算。我们可以设计一个DataParser，获取用户上下文中的键值对数据；此外可以设计一个EventHandler用于将键值对数据设置到用户上下文中。