InterSystems IRIS® 数据平台、InterSystems IRIS® for HealthTM 和HealthShare® Health Connect 的2025.1.2 和 2024.1.5 维护版本现已全面上市 (GA)。这些版本包括对最近发布的一些警报和建议的修复，其中包括以下内容：
请通过开发者社区分享您的反馈意见，以便我们共同打造更好的产品。
您可以在这些页面上找到详细的变更列表和升级检查列表：
现在有许多 EAP 可用。请查看此页面并注册您感兴趣的项目。
适用于 InterSystems IRIS® 数据平台、InterSystems IRIS® for HealthTM 和 HealthShare® Health Connect 的维护版本 2024.1.4 和 2023.1.6 现已正式发布 (GA)。 这些版本包含对最近发布的以下提醒的修复 - 提醒：SQL 查询返回错误结果 | InterSystems。 请通过开发者社区分享您的反馈，以便我们可以共同打造更出色的产品。
您可以在以下页面上找到详细的变更列表和升级核对清单：
目前提供多个 EAP。 请查看此页面并注册您感兴趣的 EAP。
InterSystems IRIS 和 InterSystems IRIS for Health 的完整安装包可以从本 WRC 的 InterSystems IRIS 数据平台完整工具包页面 获取。 HealthShare Health Connect 工具包可以从 WRC 的 HealthShare 完整工具包页面获取。 容器镜像可以从 InterSystems 容器注册表中获取。
此版本提供了适用于所有受支持平台的经典安装包，以及 Docker 容器格式的容器镜像。有关完整列表，请参阅“支持的平台”文档。 这些维护版本的内部版本号为：2024.1.4.512.0 和 2023.1.6.809.0。
InterSystems IRIS、InterSystems IRIS for Health 和 HealthShare Health Connect 的最新扩展维护版本现已发布。
版本 2024.1.3 修复了 2024.1.x 上一版中的 bug，包括针对最近发布的以下提醒的修复 – 提醒：在执行特定的操作时，数据库和日志文件中引入了无效数据…。
您可以在以下页面上找到详细的变更列表和升级核对清单：
软件以经典安装包和容器镜像两种形式提供。有关可用安装程序和容器镜像的完整列表，请参阅支持的平台网页。
InterSystems IRIS 和 InterSystems IRIS for Health 的完整安装包可从本 WRC 的 InterSystems IRIS 数据平台完整套件页面获取。 HealthShare Health Connect 套件可从 WRC 的 HealthShare 完整套件页面获取。
容器镜像可通过 InterSystems 容器注册表获取。
这些版本中的所有套件和容器的编号为：
2024.3 版 InterSystems IRIS® 数据平台、InterSystems IRIS® for Health 和 HealthShare® Health Connect 现已正式发布 (GA)。
在此版本中，您可以期待一系列激动人心的更新，包括：
请通过开发者社区分享您的反馈，与我们共同打造更好的产品。
请访问以下链接了解所有亮点功能的详细信息：
此外，请查看此版本的升级信息。
目前提供多个 EAP。 请查看此页面并注册您感兴趣的计划。
像往常一样，持续交付 (CD) 版本包含适用于所有受支持平台的经典安装包，以及 Docker 容器格式的容器镜像。
安装包可从 WRC 的 InterSystems IRIS、InterSystems IRIS for Health 和 Health Connect持续交付版本页面获取。此外，还可以在评估服务网站获取套件。
此版本提供适用于所有受支持平台的经典安装包，以及 Docker 容器格式的容器镜像。有关完整列表，请参阅“支持的平台”文档。
安装包和预览版密钥可从 WRC 的预览版下载网站或通过评估服务网站获取。
此持续交付版本的版本号为：2024.3.0.217.0。
容器镜像可通过 InterSystems 容器注册表获取。 容器带有 2024.3 或 latest-cd 标签。
InterSystems IRIS® 数据平台、InterSystems IRIS® for Health 和 HealthShare® Health Connect 2025.1 的首个开发者预览版已发布到 WRC 开发者预览网站。容器可在我们的容器注册表中找到，并已添加 latest-preview 标签。
这些开发者预览版包含用于迁移到 IBM Open XL C/C++ for AIX 17.x 编译器的功能，从而在旧版编译器接近支持终止时确保与未来的 AIX 版本兼容。 此迁移侧重于 aixopenssl30 目标，支持 AIX 7.2 和 7.3 上的 SSL3。
可以在以下链接中找到初始文档：
此版本提供适用于所有受支持平台的经典安装包。有关完整列表，请参阅“支持的平台”文档。
安装包和预览版密钥可从 WRC 的预览版下载网站或通过评估服务网站（勾选“Show Preview Software”（显示预览软件）框）获取。
1.Caché数据库有没有办法配置然后用sql读取数据库实时变化的数据，类似于mssql那样？我看了可以写类去读取global获取journal的值，但是怎么用sql读呢？
2.不行的话，那用什么方式可以读取到journal日志文件，并输出日志文件的内容？
先谢谢大家了！！！
自 InterSystems IRIS 2023.3 发布起，CentOS 将不再是受支持的开发平台。
CentOS 一直是一个受支持的开发平台，为开发人员提供了相当于 Red Hat Enterprise Linux (RHEL) 的免费版本，用于 IRIS 开发。您可能知道，Red Hat 对 CentOS 进行了重大更改，CentOS 已成为 RHEL 的“上游”。这意味着它具有 RHEL 中尚未包含的错误和功能，这可能会给在该平台上构建的开发人员带来问题。
我们鼓励使用 CentOS 的开发人员利用 Red Hat 的免费开发人员计划来获得 RHEL 的免费开发许可证。
CentOS 继续支持 IRIS 2023.2（及更早版本）。
本篇文章主要介绍互联互通套件的一些基础问题：
InterSystems 产品支持的平台 - 版本更新 （2023 年 2 月
我们经常收到有关 InterSystems IRIS 数据平台支持的平台和框架的问题。此更新旨在分享最近的更改以及我们对即将发生的更改的当前决策。（预测未来是一项棘手的工作，不应将此视为我们对未来支持平台和框架的承诺。）
我们计划大约每 3 个月发布一次此类更新，然后在一年内重新评估。如果您觉得此更新有用，请告诉我们！我们很感激您的建议。
关于更新……
第一部分：首先是看看 OpenSSL的搞法：
创建证书的步骤：
(1)创建私钥：
(2)创建证书请求:
(3)自签署证书
(4) 将证书导出成浏览器支持的.p12格式
(1)创建私钥：
我们将从我们在 InterSystems 数据科学实践中遇到的示例开始讲起：
综合考虑包括上述在内的示例后，我们总结了以下因过渡到使用实时机器学习和人工智能而出现的挑战：
本文综合概述了 InterSystems IRIS 平台在全面支持人工智能/机器学习机制部署、人工智能/机器学习解决方案装配（集成）和基于密集数据流的人工智能/机器学习解决方案训练（测试）方面的功能。 我们将关注市场研究、人工智能/机器学习解决方案实例以及我们在本文中称为实时人工智能/机器学习平台的概念方面的内容。
由 Lightbend 在 2019 年面向约 800 名专业 IT 人士进行的调查，结果不言自明：
图 1：实时数据的主要使用者
我们将引用该调查结果报告中对我们最重要的片段：“… 流式传输数据流水线和基于容器的基础架构有着并驾齐驱的增长趋势，二者相结合可应对在更快、更高效且更敏捷地交付有影响力的结果方面存在的竞争压力。 与传统的批处理相比，流式传输能够更快地从数据中提取有用信息。 它还可以及时地集成高级分析数据，例如基于人工智能和机器学习 (AI/ML) 模型的推荐，所有功能都旨在通过提高客户满意度来实现差异化竞争优势。 时间压力也会对 DevOps 团队构建和部署应用造成影响。 诸如 Kubernetes 等基于容器的基础架构可帮助常要通过快速、重复构建和部署应用以应对变化的团队化解其面对的许多效率低下和设计问题。 … 804 位 IT 专业人士提供了有关其组织内使用流式处理的应用的详细信息。 受访者主要来自西方国家/地区（欧洲占比 41%，北美占比 37%），任职于大中小型组织的人数占比大致相等。 … … 人工智能并非投机炒作。 在已于人工智能/机器学习生产应用中使用流式处理的受访者中，有 58% 的人表示明年将出现一些最大幅增长。
这项非常有趣的调查表明，机器学习和人工智能场景是实时数据的主要使用者，这种看法已得到广泛认可。 另一个重要的收获是透过 DevOps 视角折射出的对于人工智能/机器学习的看法：我们现在已经可以断言，仍占主导地位的“基于完全已知数据集的一次性人工智能/机器学习”文化已发生转变。
实时人工智能/机器学习最典型的使用领域之一是工业中的制造过程管理。 让我们以这一领域为例并考虑上述所有想法，为实时人工智能/机器学习平台的概念给出确切的定义。 使用人工智能和机器学习来满足制造过程管理的需求具备多项与众不同的特性：
这些特性使我们除了需要实时接收和基本处理来自制造过程的密集“宽带信号”之外，也需要以实时方式执行（并行）人工智能/机器学习模型应用、训练和准确率控制。 我们的模型在移动观察窗口中“看到”的“框架”在不断变化 – 基于之前某一“框架”训练的人工智能/机器学习模型在准确率方面也会发生变化。 如果人工智能/机器学习建模准确率下降（例如，“警报范数”分类误差的值超过了给定的容差边界），则应自动触发基于较新“框架”的重新训练 – 同时，在选择开始重新训练的时刻时，必须考虑到重新训练过程持续时间和当前模型版本的准确率下降速度（因为在获得“重新训练”版本的模型之前，在执行重新训练的过程期间会一直持续应用当前版本）。 InterSystems IRIS 拥有关键的平台内功能，可充分支持用于制造过程管理的实时人工智能/机器学习解决方案。 这些功能可以分为三大类：
将与机器学习和人工智能相关的平台功能归入上述类别并非随意而为。 我们引用了由 Google 发表的方法论文章，文中为这种分组提供了概念基础：“… DevOps 是开发和运行大规模软件系统的一种常见做法。 这种做法具有诸多优势，例如缩短开发周期、提高部署速度、实现可靠的发布。 如需获得这些优势，您需要在软件系统开发中引入两个概念：
机器学习系统是一种软件系统，因此类似的做法有助于确保您能够可靠地大规模构建和运行机器学习系统。 但是，机器学习系统在以下方面与其他软件系统不同：
机器学习和其他软件系统在源代码控制的持续集成、单元测试、集成测试以及软件模块或软件包的持续交付方面类似。 但是，在机器学习中，有一些显著的差异：
我们可以得出结论，基于实时数据的机器学习和人工智能需要更为广泛的工具和更加丰富的功能（从代码开发到数学建模环境编排）、所有功能和主题领域之间更加紧密的集成、更好的人力及机器资源管理。
继续以制造过程管理领域为例，我们将探讨一个已在开头引用过的实际案例：需要建立一种基于制造过程参数值流以及维护人员缺陷检测报告来实时识别进料泵中出现的缺陷的机制。
图 2：识别出现缺陷的案例解析
许多类似的实际案例中都有一个共同的特点，即在考虑规律且及时地馈送数据 (SCADA) 时，还需要同时考虑偶发且不规则地检测（和记录）各种缺陷类型。 换句话说：SCADA 数据每秒馈送一次以供分析，但需要用纸笔记录缺陷并注明日期（例如：“1 月 12 日– 第三轴承区域漏油渗入泵盖”）。 因此，我们可以通过添加以下重要限制来对案例解析加以补充：我们只有一种具体缺陷类型的“指纹”（即具体缺陷类型由截至具体日期的 SCADA 数据表示 – 该特定缺陷类型没有其他示例）。 这一限制立即使我们脱离了假定有大量可用“指纹”的传统机器学习范式（监督学习）。
图 3：细化缺陷识别案例解析
我们能否以某种方式“倍增”我们可用的“指纹”？ 是的，可以。 泵的当前状况由其与已记录缺陷的相似度表征。 即使不运用定量方法，仅通过观察从 SCADA 系统接收到的参数值的动态，也可以了解很多信息：
图 4：泵状况动态与具体缺陷类型“指纹”
然而，视觉感知（至少目前）在我们动态发展的场景中并不是最合适的机器学习“标签”生成器。 我们将使用统计检验来评估当前泵状况与已记录缺陷的相似度。
图 5：对传入数据与缺陷“指纹”应用统计检验
统计检验可评估一组包含制造过程参数值的记录（以“批次”形式取自 SCADA 系统）与具体缺陷“指纹”的记录相似的概率。 使用统计检验（统计相似度指数）评估的概率随后会被转换为 0 或 1，成为我们评估相似度的每组记录中的机器学习“标签”。 即，使用统计检验处理获取到的一批泵状况记录后，我们就能够 (a) 将该批次添加到人工智能/机器学习模型的训练数据集以及 (b) 评估人工智能/机器学习模型当前版本应用于该批次时的准确率。
图 6：对传入数据与缺陷“指纹”应用机器学习模型
在之前的一期在线讲座中，我们展示并讲解了 InterSystems IRIS 平台如何将任何人工智能/机器学习机制实现为能够控制建模输出似然并调整模型参数的持续执行的业务流程。 我们实现泵场景依赖于在线讲座中介绍的完整 InterSystems IRIS 功能 – 这些功能在作为我们的解决方案一部分的 ANALYZER 流程中使用，通过自动管理训练数据集实现强化学习，取代了传统的监督学习。 我们会将在应用统计检验（相似度指数转换为 0 或 1）和当前版本的模型之后呈现“检测一致性”（即统计检验和模型基于这些记录均输出 1）的记录添加到训练数据集中。 重新训练模型时，在其验证阶段（将新训练的模型应用于自身的训练数据集，在此之前需要对该数据集提前进行统计检验），应用统计检验后“未能保持”输出 1 的记录（由于训练数据集中永远存在属于原始缺陷“指纹”的记录）将从训练数据集中移除，并基于缺陷“指纹”和数据流中的“成功”记录训练新版本模型。
图 7：InterSystems IRIS 中人工智能/机器学习计算的机器人化
如果需要对通过 InterSystems IRIS 中的本地计算获得的检测准确率寻求“第二意见”，我们可以创建一个顾问流程，以使用云提供商（例如 Microsoft Azure、Amazon Web Services、 Google Cloud Platform 等）基于控制数据集重做模型训练/应用）：
图 8：来自 Microsoft Azure 的“第二意见”，由 InterSystems IRIS 编排
我们场景的原型在 InterSystems IRIS 中实现为分析过程的代理系统，与设备（泵）、数学建模环境（Python、R 和 Julia）交互，并支持所有相关人工智能/机器学习机制的自我训练 – 基于实时数据流。
图 9：InterSystems IRIS 中实时人工智能/机器学习解决方案的核心功能
基于我们的原型获得的一些实际结果：
对包含多次发生相同缺陷的真实数据进行的模拟表明，我们使用 InterSystems IRIS 平台实现的解决方案可以在维修队发现问题的几日之前检测到缺陷。
InterSystems IRIS 是一款完整、统一的平台，可简化实时富数据解决方案的开发、部署和维护。 它提供了并发事务和分析处理能力，支持多个完全同步的数据模型（关系、分层、对象和文档），一个可集成不同数据孤岛和应用的完整的互操作性平台，以及支持批处理和实时用例的复杂结构化和非结构化分析功能。 该平台还提供了一个开放的分析环境，可将同类最佳的分析整合到 InterSystems IRIS 解决方案中，并提供灵活的部署功能以支持云和本地部署的任意组合。 由 InterSystems IRIS 平台提供支持的应用目前已在各行各业中得到广泛使用，帮助公司在战略和战术执行中获得切实的经济利益，促进明智的决策制定并消除事件、分析和行动之间的“差距”。
图 10：实时人工智能/机器学习背景下的 InterSystems IRIS 架构
与上图相同，下图将新的“基础”(CD/CI/CT) 与平台工作元素之间的信息流结合起来。 可视化始于 CD 宏机制，并继续贯穿于 CI/CT 宏机制。
图 11：InterSystems IRIS 平台人工智能/机器学习工作元素之间的信息流图
InterSystems IRIS 中 CD 机制的基本要素：平台用户（人工智能/机器学习解决方案开发者）使用专门的人工智能/机器学习代码编辑器调整现有和/或创建新的人工智能/机器学习机制。上述代码编辑器为 Jupyter（全称：Jupyter Notebook；为简洁起见，在此编辑器中创建的文档也常被称为相同的名称）。 在 Jupyter 中，开发者可以在传输（“部署”）到 InterSystems IRIS 之前编写、调试和测试（也使用可视化表示）具体的人工智能/机器学习机制。 显然，以这种方式开发的新机制只能进行基本的调试（特别是因为 Jupyter 不处理实时数据流）– 但我们对此没有意见，因为原则上，在 Jupyter 中开发代码的主要目标是验证单独的人工智能/机器学习机制的功能。 类似地，已部署在平台中的人工智能/机器学习机制（请参阅其他宏机制）在调试前可能需要“回滚”到其“平台前”版本（从文件读取数据、通过 xDBC 而非本地表或 global（即 InterSystems IRIS 中的多维数据数组）访问数据等）。 在 InterSystems IRIS 中实现 CD 具有一项重要特性：平台和 Jupyter 之间存在双向集成关系，支持在平台内部署（利用进一步的平台内处理）Python、R 和 Julia 内容（三种语言均为各自主要开源数学建模环境的编程语言）。 也就是说，人工智能/机器学习内容开发者获得了在平台中“持续部署”其内容的能力，同时能够使用其常用 Jupyter 编辑器以及 Python、R、Julia 所提供的常用函数库，在平台外部提供基本的调试功能（必要情况下）。 继续聊聊 InterSystems IRIS 中的 CI 宏机制。 该图展示了“实时机器人化”的宏流程（一组数据结构、以数学环境语言编写的业务流程和代码段，以及以其编排的 InterSystems IRIS 原生开发语言 ObjectScript）。 宏流程的目标是：支持人工智能/机器学习机制运行所需的数据处理队列（基于实时传输到平台的数据流），对人工智能/机器学习机制的排序和“分类” （又名 “数学算法”、“模型”等 – 可根据实现细节和术语偏好采用多种不同名称）做出决策，对围绕人工智能/机器学习输出（多维数据集、表格、多维数据数组等 – 生成报告、仪表板等）的智能保持最新的分析结构。 在 InterSystems IRIS 中实现 CI 具有一项重要特性：平台和数学建模环境之间存在双向集成关系，支持在平台内执行使用 Python、R 或 Julia 在各自的环境中编写的内容并接收执行结果。 这种集成在“终端模式”（即人工智能/机器学习内容被制定为对数学环境执行标注的 ObjectScript 代码）和“业务流程模式”（即人工智能/机器学习内容被制定为使用可视化编辑器、Jupyter 或 IDE（IRIS Studio、Eclipse、Visual Studio Code）的业务流程）下均适用。 需要使用 CI 层内的 IRIS 和 CD 层内的 Jupyter 之间的链接指定在 Jupyter 中编辑业务流程的可用性。 本文将进一步提供与数学建模环境相集成的更为详细的概述。 我们认为此时完全有理由向您说明，平台中提供了将人工智能/机器学习机制（源自“持续部署”）“持续集成”到实时人工智能/机器学习解决方案中所需的所有工具。 最后要聊到的是至关重要的宏机制：CT。 没有它，就不会存在人工智能/机器学习平台（即便可以通过 CD/CI 实现“实时”）。 CT 的本质是平台能够在数学建模环境的会话中直接操作机器学习和人工智能的“工件”：模型、分布表、向量/矩阵、神经网络层等。 在大多数情况下，这种“互操作性”体现于在环境中创建上述工件（例如，对于模型，“创建”包括模型规范及其参数的后续评估，即所谓的模型“训练”），对工件进行应用（对于模型：借助目标变量的“建模”值进行计算 – 预测、类别指定、事件概率等），以及对已经创建的和应用的工件进行改进 （例如，通过根据模型的性能重新定义模型的输入变量以便提高预测准确率，作为一种可行选项）。 CT 角色的关键属性是它对 CD 和 CI 现实的“抽象”：CT 可以在具体环境中存在的限制下使用人工智能/机器学习解决方案的计算和数学细节来实现所有工件。 将由 CD 和 CI 负责“提供输入数据”和“交付输出”。 在 InterSystems IRIS 中实现 CT 具有一项重要特性：使用上述与数学建模环境的集成时，平台可以从其编排的数学环境内的会话中提取工件，并且（最重要的是）将它们转换为平台内数据对象。 例如，刚刚在 Python 会话中创建的分布表可以（无需暂停 Python 会话）传输到平台中作为 global（InterSystems IRIS 中的多维数据数组），并进一步重用于在不同的人工智能/机器学习机制下的计算（使用不同环境的语言实现，如 R），或者作为虚拟表。 另一个示例：与模型的“例程”功能并行（在 Python 会话中），它的输入数据集使用“自动机器学习”进行处理 – 自动搜索优化的输入变量和模型参数。 与“例程”训练一起，生产模型可以实时接收“优化建议”，以根据调整后的输入变量集、调整后的模型参数值（不再是 Python 训练的结果，而是作为其“替代”版本的训练结果，例如使用 H2O 框架），使整个人工智能/机器学习解决方案能够以自主方式处理输入数据和建模对象/流程中不可预见的漂移。 我们现在将以现有原型为例，深入了解 InterSystems IRIS 的平台内人工智能/机器学习功能。 在下图中，在图像的左侧部分，我们看到了实现 Python 和 R 脚本执行的业务流程的片段。 在中央部分，我们看到了执行这些脚本后的 Python 和 R 的相应可视化日志。 接下来是两种语言的内容示例，在各自环境中执行。 右侧为基于脚本输出的可视化。 右上角的可视化使用 IRIS Analytics 开发（数据从 Python 传输到 InterSystems IRIS 平台，并使用平台功能呈现在仪表板中），右下角所示为直接在 R 会话中获取并从中传输到图形文件的内容。 重要说明：所讨论的业务流程片段在此原型中负责基于从设备模拟器流程实时接收的数据进行模型训练（设备状况分类），该流程由监控分类模型性能的分类准确率监控流程触发。 文中会进一步讨论将人工智能/机器学习解决方案实现为一组交互式业务流程（“代理”）。
图 12：在 InterSystems IRIS 中与 Python、R 和 Julia 的交互
平台内流程（又称 “业务流程”、“分析过程”、“流水线”等，具体取决于上下文）可以编辑，首先是使用平台中的可视化业务流程编辑器，所用方式可同时创建流程图及其相应的人工智能/机器学习机制（代码）。 我们所说的“创建人工智能/机器学习机制”是指从一开始就进行混合（在流程级别）：使用数学建模环境的语言编写的内容与使用 SQL （包括 IntegratedML 扩展程序）、InterSystems ObjectScript 以及其他支持的语言编写的内容相邻。 此外，平台内范式以嵌入片段集的形式（如下图所示）为“绘制”流程提供了广泛的功能，有助于高效地构建有时相当复杂的内容，避免视觉组合中的“随机失活” （“非可视化”方法/类/过程等）。 即，在必要情况下（可能在大多数项目中），可以采用可视化的自文档格式实现整个人工智能/机器学习解决方案。 请您注意下图中心部分，该部分展示了“更高级的嵌入向量层”，并表明除了这样的模型训练（使用 Python 和 R 实现）之外，还有针对训练模型的所谓 ROC 曲线分析，可对其训练质量进行视觉（和计算）评估 – 该分析使用 Julia 语言实现（在其各自的 Julia 环境中执行）。
图 13：InterSystems IRIS 中的视觉人工智能/机器学习解决方案组合环境
如前所述，已实现的平台内人工智能/机器学习机制的初始开发和（在其他情况中）调整将在平台外部的 Jupyter 编辑器中执行。 在下图中，我们可以找到一个编辑现有平台内流程的示例（与上图中的流程相同）– 这就是其模型训练片段在 Jupyter 中的外观。 Python 语言的内容支持在 Jupyter 中编辑、调试、查看内嵌计算图。 更改（如果需要）可以立即复制到平台内流程，包括其生产版本。 同样，新开发的内容也可以复制到平台（自动创建一个新的平台内流程）。
图 14 在 InterSystems IRIS 中使用 Jupyter Notebook 编辑平台内人工智能/机器学习机制
平台内流程的编辑不仅可以使用可视化或笔记本格式执行，还可以使用“完整”的 IDE（集成开发环境）格式执行。 IDE 为 IRIS Studio（原生 IRIS 开发工作室）、Visual Studio Code（VSCode 的 InterSystems IRIS 扩展程序）和 Eclipse（Atelier 插件）。 在某些情况下，开发团队可以同时使用全部三种 IDE。 下图展示了在 IRIS Studio、Visual Studio Code 和 Eclipse 中编辑完全相同流程的示例。 内容的任何部分都完全可以编辑：Python/R/Julia/SQL、ObjectScript 和业务流程元素。
图 15：在各种 IDE 中编辑 InterSystems IRIS 业务流程
在 InterSystems IRIS 中使用业务流程语言 (BPL) 组合和执行业务流程的方法值得特别提及。 BPL 允许在业务流程中使用“预先配置的集成组件”（活动）– 确切地说，这让我们有权声明 IRIS 支持“持续集成”。 预配置的业务流程组件（活动和活动之间的链接）对于装配人工智能/机器学习解决方案而言是极其强大的加速器。 不仅用于装配：由于活动及其链接，在不同的人工智能/机器学习机制之上引入了“自主管理层”，能够根据具体情况做出实时决策。
图 16：InterSystems IRIS 平台中用于持续集成 (CI) 的预配置业务流程组件
代理系统（又名 “多代理系统”）的概念在机器人化领域被广泛接受，InterSystems IRIS 平台通过其“生产/流程”结构为其提供有机支持。 除了使用整体解决方案所需的功能“武装”每个流程的无限能力之外，“代理”作为平台内流程家族中的一员，能够为非常不稳定的建模现象（社会/生物系统的行为， 实施部分观察的制造过程等）创建高效的解决方案。
图 17：在 InterSystems IRIS 中以业务流程代理系统形式运行的人工智能/机器学习解决方案
现在继续概述 InterSystems IRIS 平台，我们将向您展示包含适用于所有实时场景类别的解决方案的应用领域（我们在之前的一期在线讲座中提供了对一些基于 InterSystems IRIS 的平台内人工智能/机器学习最佳做法的十分详细的发现） 。 紧接上图，我们在下面提供了一幅更具说明性的代理系统图。 在该图中，完全相同的原型显示了其四个代理流程以及它们之间的交互： GENERATOR – 模拟设备传感器的生成数据；BUFFER – 管理数据处理队列；ANALYZER – 执行机器学习；MONITOR – 监控机器学习质量以及在有必要重新训练模型时发出信号。
图 18：在 InterSystems IRIS 中以业务流程代理系统形式构成的人工智能/机器学习解决方案
下图展示了不同机器人化原型（文本情感分析）在一段时间内的运行。 上半部分 – 模型训练质量指标演变（质量提高），下半部分 – 模型应用质量指标和重新训练（红条）的动态。 正如所见，该解决方案显示出有效且自主的自我训练，同时继续以所需的质量水平运行（质量指标值保持在 80% 以上）。
图 19：基于 InterSystems IRIS 平台的持续（自）训练 (CT)
我们之前已经提到过“自动机器学习”，在下图中，我们将以另一个原型为例提供有关此功能的更多详细信息。 在业务流程片段图中，我们看到了在 H2O 框架中启动建模的活动，以及该建模的结果（与其他“手工”模型相比，获得的模型在 ROC 曲线方面具有明显优势，以及自动检测原始数据集中可用变量中“最具影响力的变量”）。 这里的一个重要优势是“自动机器学习”可节省时间并提供专家资源：我们的平台内流程可以在半分钟内交付专家可能需要一周到一个月时间才能完成的工作（确定和证明最佳模型）。
图 20：在基于 InterSystems IRIS 平台的人工智能/机器学习解决方案中嵌入的“自动机器学习”
下图“直击高潮”，同时也很好地将有关各类实时场景的故事推向尾声：在此提醒您，尽管 InterSystems IRIS 可提供所有平台内功能，但在其编排下训练模型并非强制要求。 该平台可以接收来自在非平台编排工具中训练的模型的外部来源的所谓 PMML 规范，然后自其导入 PMML 规范之时起继续实时应用该模型。 请务必记住，尽管大多数最广泛使用的人工智能/机器学习工件都支持，但并非每个给定的人工智能/机器学习工件都可以解析为 PMML 规范。 因此，InterSystems IRIS 是一种开放的平台，对其用户而言完全不存在“平台奴役”情况。
图 21：InterSystems IRIS 平台中基于 PMML 规范的模型应用
让我们聊聊 InterSystems IRIS 平台的其他优势（为了更好地说明，请参考制造过程管理），这些优势对于人工智能和机器学习的实时自动化非常重要：
在 InterSystems IRIS 平台中实现的人工智能/机器学习解决方案可轻松适应现有的 IT 基础架构。 得益于高可用性和灾难恢复配置支持，以及在虚拟环境、物理服务器、私有云和公共云、Docker 容器中的灵活部署能力，InterSystems IRIS 能够有效保障人工智能/机器学习解决方案的可靠性。 也就是说，InterSystems IRIS 确实是实时人工智能/机器学习计算的多功能通用平台。 我们平台的多功能特质在实际应用中得到了证明：对实现计算的复杂性实际上毫无限制；InterSystems IRIS 能够结合（实时）执行不同行业的场景；具有出色的适应性，能够提供满足用户具体需求的任何平台内功能和机制。
图 22：InterSystems IRIS — 适用于实时人工智能/机器学习计算的多功能通用平台
为了与对本文感兴趣的读者进行更加具体的对话，我们建议您继续与我们进行“实时”交流。 我们将随时提供支持，制定与贵公司具体情况相吻合的实时人工智能/机器学习场景，运行基于 InterSystems IRIS 平台的协作原型设计，设计和执行路线图以在您的制造及管理过程中实现人工智能和机器学习。 我们人工智能/机器学习专家团队的联系电子邮件：MLToolkit@intersystems.com。
技术概要：InterSystems 云管理器（Cloud Manager） 1
插图目录
InterSystems很高兴地宣布一个全新的 开发者下载网站 提供InterSystems IRIS社区版和InterSystems IRIS for Health社区版的完整配套版本。 这些都是免费提供给应用开发者使用的。
你可以选择直接从 InterSystems开发者社区 直接 下载 InterSystems IRIS.
连接系统可以让一个系统处理来自非本系统的信息。例如，以下场景需要连接系统：
将系统连接在一起时，您可能会面临一些挑战，例如：
虽然可以编写自定义应用程序来连接系统，但开发一款InterSystems IRIS® 产品要容易得多，也快得多。
InterSystems IRIS 提供了一个框架，允许连接系统，并最大限度地减少或消除对自定义代码的需求。
在医院信息化领域，中日联谊医院最近一次站在行业瞩目的聚光灯下，是在2021年7月。在国家卫生健康委统计信息中心发布的《关于2020年度国家医疗健康信息互联互通标准化成熟度测评结果公示的通知》中，9家医院获评五级乙等，中日联谊医院名列其中。这也是目前为数不多的“通关”互联互通五乙的医院之一。
本帖概述了通过为 InterSystems 数据平台（InterSystems IRIS、Caché 和 Ensemble）上的数据库磁盘创建 LVM 物理盘区 (PE) 条带来实现低延迟存储 IO 的最佳实践配置，并提供了有用链接。
一致的低延迟存储是获得最佳数据库应用程序性能的关键。 例如，对于在 Linux 上运行的应用程序，经常在数据库磁盘中使用逻辑卷管理器 (LVM) ，因为它能够扩展卷和文件系统，或者为在线备份创建快照。 对于数据库应用程序，在使用 LVM PE 条带化逻辑卷的情况下，并行写入还可提高数据 I/O 的效率，从而有助于提高大规模连续读取和写入的性能。
去年，AWS推出了基于ARM架构的AWS Graviton处理器第一代Amazon EC2 A1实例。在2019年AWS re:Invent 大会上，亚马逊宣布了第二代AWS Graviton2处理器和相关的Amazon EC2 M6g实例。相比前一代基于Intel Xeon的M5实例，Amazon EC2 M6g实例的性价比提升幅度高达40%。
Amazon Web Services (AWS) 云提供广泛的云基础设施服务，例如计算资源、存储选项和网络，这些都非常实用：按需提供，几秒内就可用，采用即付即用定价的模式。 新服务可得到快速配置，且前期无需支出大量资金。 这使得大企业、初创公司、中小型企业以及公共部门的客户可以访问他们所需的基础设施，从而快速响应不断变化的业务需求。
更新日期：2019 年 10 月 15 日
Google Cloud Platform (GCP) 为基础架构即服务 (IaaS) 提供功能丰富的环境，其作为云提供完备的功能，支持所有的 InterSystems 产品，包括最新的 InterSystems IRIS 数据平台。 与任何平台或部署模型一样，必须留心以确保考虑到环境的各个方面，例如性能、可用性、操作和管理程序。 本文将详细阐述所有这些方面。
以下概述和详细内容由谷歌提供，可在此处找到。
GCP 由一系列物理资产（例如计算机和硬盘驱动器）和虚拟资源（例如虚拟机（VM））组成，它们分布于谷歌遍布全球的数据中心。 每个数据中心的位置都是一个泛区域。 每个区域都是地区的集合，这些地区在该区域内彼此分离。 每个地区都通过一个名称标识，名称由字母标识符和相应区域的名称组成。
这种资源分配带来众多优势，包括发生故障时提供冗余，以及通过将资源配置在客户端附近来减少延迟。 这种分配也引入一些有关如何统筹资源的规则。
在云计算中，物理硬件和软件变成了服务。 这些服务提供对基础资源的访问。 在 GCP 上开发基于 InterSytems IRIS 的应用程序时，您可混合和匹配这些服务，组合它们来提供您所需的基础架构，然后添加您的代码来实现您要构建的方案。 有关可用服务的详细信息， 可在此处找到。
您分配和使用的任何 GCP 资源必须属于一个项目。 项目由设置、权限和其他描述应用程序的元数据组成。 根据区域和地区规则，单个项目中的资源能够轻松协作，例如通过内部网络进行通信。 每个项目包含的资源在项目边界上保持独立；您只能通过外部网络连接来互连它们。
GCP 提供 3 种与服务和资源交互的基本方法。
Google Cloud Platform 控制台提供基于 web 的图形用户界面，供您管理 GCP 项目和资源。 使用 GCP 控制台，您可创建新项目，或选择现有项目，可使用您在项目环境中创建的资源。 您可以创建多个项目，因此您可以使用项目以任何对您有意义的方式分开您的工作。 例如，如果您想确保只有某些团队成员可以访问项目中的资源，而所有团队成员可以继续访问另一个项目中的资源，则可以开始一个新项目。
如果您喜欢在终端窗口中工作，Google Cloud SDK 提供 gcloud 命令行工具，让您可以访问所需的命令。 gcloud 工具可用于管理您的开发工作流程和 GCP 资源。 有关 gcloud 的详细内容可在此处找到。
GCP 也提供 Cloud Shell，一种基于浏览器的 GCP 交互 shell 环境。 可从 GCP 控制台访问 Cloud Shell。 Cloud Shell 提供：
Cloud SDK 拥有客户端库，让您轻松创建和管理资源。 GCP 客户端库公开 API 有两个主要目的：
您还可以使用 Google API 客户端库来访问产品的 API，如 Google Map、Google Drive 和 YouTube。 有关 GCP 客户端库的详细信息可在此处找到。
本文部分内容阐述了面向 GCP 的 InterSystems IRIS 部署示例，旨在为特定应用程序的部署抛砖引玉。 这些示例可用作很多部署方案的指南。 此参考体系结构拥有非常强大的部署选项，从最小规模的部署，到满足计算和数据需求的大规模可扩展工作负载，不一而足。
本文还介绍了高可用性和灾难恢复选项以及其他建议的系统操作。 个体可对这些进行相应的修改以支持其组织的标准实践和安全策略。
针对您的特定应用，就基于 GCP 的 InterSystems IRIS 部署，您可联系 InterSystems 进一步探讨。
以下示例体系结构按照容量和功能逐步升级的顺序讲述了几种不同的配置， 分别为小型开发/生产/大型生产/分片集群生产。先从中小型配置讲起，然后讲述具有跨地区高可用性以及多区域灾难恢复的大规模可扩展性解决方案。 此外，还讲述了一个将 InterSystems IRIS 数据平台的新分片功能用于大规模处理并行 SQL 查询的混合工作负载的示例。
在本示例中，显示了一个能支持 10 名开发人员和 100GB 数据的小型开发环境，这基本是最小规模的配置。 只要适当地更改虚拟机实例类型并增加持久性磁盘存储，即可轻松支持更多的开发人员和数据。
这足以支持开发工作，并让您熟悉 InterSystems IRIS 功能以及 Docker 容器的构建和编排（如果需要的话）。 小型配置通常不采用具有高度可用性的数据库镜像，但是如果需要高可用性，则可随时添加。
示例图 2.1.1-a 显示了图表 2.1.1-b 中的资源。 其中包含的网关只是示例，可做相应地调整以适应您组织的标准网络实践。
.png)
下列 GCP VPC 项目资源是针对最小规模的配置提供的。 可根据需求添加或删除 GCP 资源。
下表提供了小型配置 GCP 资源的示例。
.png)
需要考虑适当的网络安全和防火墙规则，以防止对 VPC 的不必要访问。 谷歌提供网络安全最佳做法供您入门使用，可在此处找到。
如果您的安全策略确实需要内部 VM 实例，则您需要在网络上手动设置 NAT 代理和相应的路由，以便内部实例可以访问互联网。 务必要明确，您无法使用 SSH 直接完全连接到内部 VM 实例。 要连接到此类内部机器，必须设置具有外部 IP 地址的堡垒实例，然后建立隧道通过它。 可以配置堡垒主机，以提供进入 VPC 的外部入口点。
有关堡垒主机的详细信息，可在此处找到。
在本示例中，展示了一个规模较大的产品配置，其采用 InterSystems IRIS 数据库镜像功能来支持高可用性和灾难恢复。
此配置包括 InterSystems IRIS 数据库服务器同步镜像对，该镜像服务器在区域 1 内分为两个地区，用于自动故障转移，在区域 2 内的第三个 DR 异步镜像成员用于灾难恢复，以防万一整个 GCP 区域脱机 。
InterSystems Arbiter 和 ICM 服务器部署在单独的第三个地区，以提高弹性。 此示例体系结构还包括一组可选的负载均衡 web 服务器，用于支持启用 Web 的应用程序。 这些使用 InterSystems 网关的 web 服务器可以根据需要进行缩放。
示例图 2.2.1-a 显示了图表 2.2.1-b 中的资源。 其中包含的网关只是示例，可做相应地调整以适应您组织的标准网络实践。
.png)
建议将以下 GPC VPC 项目中的资源作为分片集群部署的最低配置。 可根据需求添加或删除 GCP 资源。
下表提供了产品配置 GCP 资源的示例。
.png)
在本示例中，提供了一个大规模可缩放性配置。该配置通过扩展 InterSystems IRIS 功能也引入使用 InterSystems 企业缓存协议 (ECP：EnterpriseCacheProtocol) 的应用程序服务器，实现对用户的大规模横向缩放。 本示例甚至包含了更高级别的可用性，因为即使在数据库实例发生故障转移的情况下，ECP 客户端也会保留会话细节。 多个 GCP 地区与基于 ECP 的应用程序服务器和部署在多个区域中的数据库镜像成员一起使用。 此配置能够支持每秒数千万次的数据库访问和数万亿字节数据。
示例图 2.3.1-a 显示了图表 2.3.1-b 中的资源。 其中包含的网关只是示例，可做相应地调整以适应您组织的标准网络实践。
此配置中包括一个故障转移镜像对，四个或更多的 ECP 客户端（应用程序服务器），以及每个应用程序服务器对应一个或多个 Web 服务器。 故障转移数据库镜像对在同一区域中的两个不同 GCP 地区之间进行划分，以提供故障域保护，而 InterSystems Arbiter 和 ICM 服务器则部署在单独的第三地区中，以提高弹性。
灾难恢复扩展至第二个 GCP 区域和地区，与上一示例中的情况类似。 如果需要，可以将多个 DR 区域与多个 DR 异步镜像成员目标一起使用。
建议将以下 GPC VPC 项目中的资源作为大型生产部署的最低配置。 可根据需求添加或删除 GCP 资源。
下表提供了大型产品配置 GCP 资源的示例。
在此示例中，提供了一个针对 SQL 混合工作负载的横向缩放性配置，其包含 InterSystems IRIS 的新分片集群功能，可实现 SQL 查询和表跨多个系统的大规模横向缩放。 本文后面将详细讨论 InterSystems IRIS 分片集群及其功能。
示例图 2.4.1-a 显示了图表 2.4.1-b 中的资源。 其中包含的网关只是示例，可做相应地调整以适应您组织的标准网络实践。
此配置中包括四个镜像对，它们为数据节点。 每个故障转移数据库镜像对在同一区域中的两个不同 GCP 地区之间进行划分，以提供故障域保护，而 InterSystems Arbiter 和 ICM 服务器则部署在单独的第三地区中，以提高弹性。
此配置允许从集群中的任何数据节点使用所有的数据库访问方法。 大型 SQL 表数据在物理上跨所有数据节点进行分区，以实现查询处理和数据卷的大规模并行。 将所有这些功能组合在一起，就可以支持复杂的混合工作负载，比如大规模分析 SQL 查询及引入的新数据，所有这一切均在一个 InterSystems IRIS 数据平台中执行。
注意，上面图表中以及下表“资源类型”列中的术语“计算[Engine]”是一个表示 GCP（虚拟）服务器实例的 GCP 术语，将在本文的 3.1节中做进一步介绍。 它并不表示或暗示本文后面所描述的集群体系结构中对“计算节点”的使用。
建议将以下 GPC VPC 项目中的资源作为分片集群部署的最低配置。 可根据需求添加或删除 GCP 资源。
下表提供了分片集群配置 GCP 资源的示例。
Google Cloud Platform (GCP) 为基础架构即服务 (IaaS) 提供功能丰富的云环境，使其具备完备的功能，支持所有的 InterSystems 产品，包括支持基于容器的 DevOps 及最新的 InterSystems IRIS 数据平台。 与任何平台或部署模型一样，必须留心以确保考虑到环境的各个方面，例如性能、可用性、系统操作、高可用性、灾难恢复、安全控制和其他管理程序。 本文档将介绍所有云部署涉及的三个主要组件：计算、存储和网络。
GCP 中存在数个针对计算引擎资源的选项，以及众多虚拟 CPU 和内存规范及相关存储选项。 在 GCP 中值得注意的一点是，对给定机器类型中 vCPU 数量的引用等于一个 vCPU，其是虚拟机监控程序层上物理主机中的一个超线程。
就本文档的目的而言，将使用 n1-standard * 和 n1-highmem * 实例类型，这些实例类型在大多数 GCP 部署区域中广泛可用。 但是，对于将大量数据缓存在内存中的大型工作数据集而言，使用 n1-ultramem * 实例类型是不错的选择。 除非另有说明，否则使用默认实例设置（例如实例可用性策略）或其他高级功能。 有关各种机器类型的详细信息，可在此处找到。
与 InterSystems 产品最直接相关的存储类型是持久性磁盘类型，但是，只要了解并适应数据可用性限制，本地存储可以用于高水平的性能。 还有其他一些选项，例如云存储（存储桶），但是这些选项更特定于单个应用程序的需求，而非支持 InterSystems IRIS 数据平台的操作。
与大多数其他云提供商一样，GCP 对可与单个计算引擎关联的持久性存储施加了限制。 这些限制包括每个磁盘的最大容量、关联到每个计算引擎的持久性磁盘的数量，以及每个持久性磁盘的 IOPS 数量，对单个计算引擎实例 IOPS 设置上限。 此外，对每 GB 磁盘空间设有 IOPS 限制，因此有时需要调配更多磁盘容量才能达到所需的 IOPS 速率。
这些限制可能会随着时间而改变，可在适当时与谷歌确认。
磁盘卷有两种类型的持久性存储类型：“标准持久性”磁盘和“SSD 持久性”磁盘。 SSD 持久性磁盘更适合于那些要求低延迟 IOPS 和高吞吐量的生产工作负载。 标准持久性磁盘对于非生产开发和测试或归档类型的工作负载，是一种更经济的选择。
有关各种磁盘类型及限制的详细信息，可在此处找到。
强烈建议采用虚拟私有云 (VPC) 网络来支持 InterSystems IRIS 数据平台的各个组件，同时提供正确的网络安全控制、各种网关、路由、内部 IP 地址分配、网络接口隔离和访问控制。 本文档中提供了一个详细的 VPC 示例。
有关 VPC 网络和防火墙的详细信息，可在此处找到。
GCP VPC 与其他云提供商略有不同，其更加简单和灵活。 可在此处找到各概念的比较。
在 GCP 项目中，每个项目允许有数个 VPC（目前每个项目最多允许 5 个），且创建 VPC 网络有两个选项——自动模式和自定义模式。
此处提供每个类型的详细信息。
在大多数大型云部署中，采用多个 VPC 将各种网关类型与以应用为中心的 VPC 进行隔离，并利用 VPC 对等进行入站和出站通信。 有关适合您的公司使用的子网和任何组织防火墙规则的详细信息，强烈建议您咨询您的网络管理员。 本文档不阐述 VPC 对等方面的内容。
在本文档提供的示例中，使用 3 个子网的单一 VPC 用于提供各种组件的网络隔离，以应对各种 InterSystems IRIS 组件的可预测延迟和带宽以及安全性隔离。
本文档的示例中提供了两种网关，以支持互联网和安全 VPN 连接。 要求每个入口访问都具有适当的防火墙和路由规则，从而为应用程序提供足够的安全性。 有关如何使用路由的详细信息，可在此处找到。
提供的示例体系结构中使用了 3 个子网，它们专与 InterSystems IRIS 数据平台一起使用。 这些单独的网络子网和网络接口的使用为上述 3 个主要组件的每一个提供了安全控制、带宽保护和监视方面的灵活性。 有关各种用例的详细信息，可在此处找到。
有关创建具有多个网络接口的虚拟机实例的详细信息，可在此处找到。
这些示例中包含的子网：
大多数 IaaS 云提供商缺乏提供虚拟 IP (VIP) 地址的能力，这种地址通常用在自动化数据库故障转移设计中。 为了解决这一问题，InterSystems IRIS 中增强了几种最常用的连接方法，尤其是 ECP 客户端和 Web 网关，从而不再依赖 VIP 功能使它们实现镜像感知和自动化。
xDBC、直接 TCP/IP 套接字等连接方法，或其他的直接连接协议，均需要使用类 VIP 地址。 为了支持这些入站协议，InterSystems 数据库镜像技术使用称作<span class="Characteritalic" style="font-style:italic">mirror_status.cxw</span>的健康检查状态页面为 GCP 中的这些连接方法提供自动化故障转移，以与负载均衡器进行交互，实现负载均衡器的类 VIP 功能，仅将流量重定向至活动的主镜像成员，从而在 GCP 内实现完整且强大的高可用性设计。
.png)
此处提供了使用负载均衡器实现类 VIP 功能的详细信息。
下图 4.3-a 中的 VPC 布局组合了所有组件，具有以下特点：
如简介中所述，建议使用 GCP 持久性磁盘，尤其 SSD 持久性磁盘类型。 之所以推荐 SSD 持久性磁盘，是由于其拥有更高的读写 IOPS 速率以及低的延迟，适合于事务性和分析性数据库工作负载。 在某些情况下，可使用本地 SSD，但值得注意的是，本地 SSD 的性能提升会在可用性、耐用性和灵活性方面做出一定的权衡。
可在此处找到本地 SSD 数据持久性方面的详细信息，您可了解何时保存本地 SSD 数据以及何时不保存它们。
与其他的云提供商一样，GCP 在每个虚拟机实例的 IOPS、空间容量和设备数量方面都施加了众多存储限制。 有关当前的限制，请查阅 GCP 文档，可在此处找到。
由于这些限制的存在，使用 LVM 条带化实现数据库实例的单个磁盘设备的 IOPS 最大化变得非常必要。 在提供的此示例虚拟机实例中，建议使用以下磁盘布局。 与 SSD 持久性磁盘相关的性能限制可在此处找到。
LVM 条带化的优势在于可以将随机的 IO 工作负载分散到更多的磁盘设备并继承磁盘队列。 以下是如何在 Linux 中将 LVM 条带化用于数据库卷组的示例。 本示例在一个 LVM PE 条带中使用 4 个磁盘，物理盘区 (PE) 大小为 4MB。 或者，如果需要，可以使用更大的 PE 容量。
使用上表，每个 InterSystems IRIS 服务器将具有以下配置：2 个 SYS 磁盘、4 个 DB 磁盘、2 个主日志磁盘、2 个备用日志磁盘。
为了增长，LVM 允许在需要的情况下不中断地扩展设备和逻辑卷。 有关持续管理和扩展 LVM 卷的最佳做法，请查阅 Linux 文档。
InterSystems IRIS 新增了 InterSystems Cloud Manager (ICM)。 ICM 执行众多任务，并提供许多用于配置 InterSystems IRIS 数据平台的选项。 ICM 作为 Docker 映像提供，其拥有配置强大的、基于 GCP 云的解决方案所需的一切。
ICM 当前支持以下平台上的配置：
ICM 和 Docker 可以从台式机/笔记本电脑工作站运行，也可以具有中央专用的适度“配置”服务器和中央存储库。
ICM 在应用程序生命周期中的作用是“定义->配置->部署->管理”
有关安装和使用 ICM 及 Docker 的详细信息，可在此处找到。
ICM 包含基本的监视工具，其使用 Weave Scope 进行基于容器的部署。 默认情况下不会部署该工具，需要在默认的文件中使用监视器字段指定它。
有关使用 ICM 进行监视、编排和调度的详细信息，可在此处找到。
有关 Weave Scope 的概述和该文档，可在此处找到。
InterSystems 数据库镜像可在任何云环境中提供最高级别的可用性。 有一些选项可以直接在实例级别提供虚拟机弹性。 有关 GCP 中可用的各种政策的详细信息，可在此处找到。
上文中已讨论了云负载均衡器如何通过数据库镜像为虚拟 IP（类 VIP）功能提供自动化 IP 地址故障转移。 云负载均衡器使用<span class="Characteritalic" style="font-style:italic">mirror_status.cxw</span>健康检查状态页面，上文内部负载均衡器部分提到过该页面。 数据库镜像有两种模式——自动故障转移同步镜像、异步镜像。 在本示例中，将介绍同步故障转移镜像。 有关镜像的详细信息，可在此处找到。
最基本的镜像配置是仲裁器控制配置中的一对故障转移镜像成员。 仲裁器放置在同一区域内的第三个地区中，以防止潜在的地区中断影响仲裁器和其中一个镜像成员。
在网络配置中，有多种方法专供设置镜像。 在本示例中，我们将使用本文档前述网络网关和子网定义部分中定义的网络子网。 下一部分内容将提供 IP 地址方案示例，并且基于本部分内容，将仅描述网络接口和指定的子网。
InterSystems 数据库镜像将支持灾难恢复的高可用性功能扩展到另一个 GCP 地理区域，以在整个 GCP 区域万一脱机的情况下支持操作弹性。 应用程序如何耐受此类中断取决于恢复时间目标 (RTO) 和恢复点目标 (RPO)。 这些将为设计适当的灾难恢复计划进行的分析提供初始框架。 以下链接中的指南提供了您在为自己的应用程序制定灾难恢复计划时要考虑的事项。 https://cloud.google.com/solutions/designing-a-disaster-recovery-plan 和 https://cloud.google.com/solutions/disaster-recovery-cookbook
InterSystems IRIS 数据平台的数据库镜像提供强大的功能，可在 GCP 地区和区域之间异步复制数据，以帮助支持您的灾难恢复计划的 RTO 和 RPO 目标。 有关异步镜像成员的详细信息，可在此处找到。
与上述高可用性部分中讲述的内容相似，云负载均衡器也使用上文内部负载均衡器部分中提到过的<span class="Characteritalic" style="font-style:italic">mirror_status.cxw</span>健康检查状态页面为虚拟 IP（类 VIP）功能提供自动化 IP 地址故障转移，以进行 DR 异步镜像。
在本示例中，将介绍 DR 异步故障转移镜像，并介绍 GCP 全局负载均衡服务，以便为上游系统和客户端工作站提供单个任播 IP 地址，不分您的 InterSystems IRIS 部署是否在哪个区域或地区中运行。
GCP 的其中一个发展就是负载均衡器的诞生，这是一种软件定义的全局资源，并且不受制于特定的区域。 由于其不是基于实例或设备的解决方案，因此它具有跨区域利用单个服务的独特功能。 有关通过单个任播 IP 进行 GCP 全局负载均衡的详细信息，可在此处找到。
.png)
在上述示例中，所有 3 个 InterSystems IRIS 实例的 IP 地址都提供给了 GCP 全局负载均衡器，它会将流量仅定向到承担主要镜像的镜像成员，而不论其位于哪个地区或区域。
InterSystems IRIS 拥有一系列全面的功能来缩放您的应用程序，您可以根据自己工作负载的性质以及所面临的特定性能挑战来单独或组合应用这些功能。 分片功能是这些功能中的一种，可跨多个服务器对数据及其关联的缓存进行分区，从而为查询和数据引入提供灵活、高性价比的性能扩展，同时通过高效的资源利用最大化基础架构的价值。 InterSystems IRIS 分片群集可以为各种应用提供显著的性能优势，尤其对于工作负载包括以下一项或多项的应用更是如此：
这些因素分别都会影响分片的潜在优势，但组合起来使用它们可能会增加优势。 例如，这 3 个因素的组合——快速引入大量数据、大型数据集、检索和处理大量数据的复杂查询——使得当今的许多分析性工作负载非常适合进行分片。
注意，这些特征都与数据有关；InterSystems IRIS 分片的主要功能是缩放数据量。 不过，当涉及某些或所有这些与数据相关的因素的工作负载也经历大量用户的超高查询量时，分片群集也能提供用户量缩放功能。 分片也可以与纵向缩放相结合。
分片架构的核心是跨多个系统对数据及其关联的缓存进行分区。 分片集群跨多个 InterSystems IRIS 实例以行方式（称为数据节点）对大型数据库表进行物理上的横向分区，同时允许应用通过任何节点透明地访问这些表，但仍将整个数据集看作一个逻辑并集。 该架构具有 3 个优点：
有关 InterSystems IRIS 分片集群的详细信息，可在此处找到。
分片集群包含至少一个数据节点，如果特定性能或工作负载有需要，则可添加一定数量的计算节点。 这两种节点类型提供简单的构建块，从而实现简单、透明和高效的调整模型。
数据节点存储数据。 在物质层面，分片表[1]数据分布在集群中的所有数据节点上，非分片表数据仅物理存储在第一个数据节点上。 这种区分对用户是透明的，唯一可能的例外是，第一个节点的存储消耗可能比其他节点略高，但是由于分片表数据通常会超出非分片表数据至少一个数量级，因此这种差异可以忽略不计。
需要时，可以跨集群重新均衡分片表数据，这通常发生在添加新的数据节点后。 这将在节点之间移动数据的“存储桶”，以实现数据的近似均匀分布。
在逻辑层面，未分片的表数据和所有分片的表数据的并集在任何节点上都可见，因此客户端会看到整个数据集，这与其连接哪个节点无关。 元数据和代码也会在所有数据节点之间共享。
分片集群的基本架构图仅由在集群中看起来统一的数据节点组成。 客户端应用程序可以连接到任何节点，并且可以像在本地一样体验数据。
对于要求低延迟（可能存在不断涌入数据的冲突）的高级方案，可以添加计算节点以提供用于服务查询的透明缓存层。
计算节点缓存数据。 每个计算节点都与一个数据节点关联，为其缓存相应的分片表数据，此外，它还根据需要缓存非分片表数据，以满足查询的需要。
由于计算节点物理上并不存储任何数据，其只是支持查询执行，因此可对其硬件配置文件进行调整以满足需求，例如通过强调内存和 CPU 并将存储空间保持在最低限度。 当“裸露”应用程序代码在计算节点上运行时，引入数据会被驱动程序 (xDBC, Spark) 直接或被分片管理器代码间接转发到数据节点。
分片集群部署有多种组合。 下列各图说明了最常见的部署模型。 These diagrams do not include the networking gateways and details and provide to focus only on the sharded cluster components.
下图是在一个区域和一个地区中部署了 4 个数据节点的最简单分片群集。 GCP 云负载均衡器用于将客户端连接分发到任何分片集群节点。
在此基本模型中，除了 GCP 为单个虚拟机及其连接的 SSD 持久性存储提供的弹性或高可用性外，没有其他弹性或高可用性。 建议使用两个单独的网络接口适配器，一则为入站客户端连接提供网络安全隔离，二则为客户端流量和分片集群通信之间提供带宽隔离。
下图是在一个区域中部署了 4 个镜像数据节点的最简单分片集群，每个节点的镜像在地区之间进行了划分。 GCP 云负载均衡器用于将客户端连接分发到任何分片集群节点。
InterSystems 数据库镜像的使用带来了高可用性，其会在该区域内的第二地区中维护一个同步复制的镜像。
建议使用 3 个单独的网络接口适配器，一方面为入站客户端连接提供网络安全隔离，另一方面为客户端流量、分片集群通信、节点对之间的同步镜像流量之间提供带宽隔离。
此部署模型也引入了本文前面所述的镜像仲裁器。
下图采用单独的计算节点和 4 个数据节点扩展了分片集群，以此来应对大量的用户/查询并发。 云负载均衡器服务器池仅包含计算节点的地址。 更新和数据引入将像以前一样继续直接更新到数据节点，以维持超低延迟性能，并避免由于实时数据引入而在查询/分析工作负载之间造成资源的干扰和拥挤。
使用此模型，可以根据计算/查询和数据引入的规模单独微调资源分配，从而在“适时”需要的地方提供最佳资源，实现经济而简单的解决方案，而非只是进行计算或数据的调整，浪费不必要的资源。
计算节点非常适合直接使用 GCP 自动缩放分组（亦称自动缩放），允许基于负载的增加或减少自动从托管实例组添加或删除实例。 自动缩放的工作原理为：负载增加时，将更多的实例添加到实例组（扩展）；对实例的需求降低时将其删除（缩减）。
有关 GCP 自动缩放的详细信息，可在此处找到。
自动缩放可帮助基于云的应用程序轻松应对流量增加的情况，并在资源需求降低时降低成本。 只需简单地定义自动缩放策略，自动缩放器就会根据测得的负载执行自动缩放。
备份操作有多个选项。 以下 3 个选项可供您通过 InterSystems IRIS 进行 GCP 部署。
下面的前 2 个选项（下文详细说明）采用快照类型的过程，该过程会在创建快照之前将数据库写入操作挂起到磁盘上，然后在快照成功后恢复更新。
可采取以下高级别步骤通过任一快照方法来创建洁净的备份：
有关外部冻结/解冻 API 的详细信息，可在此处找到。
第三个选项是 InterSystems 在线备份。 这是小型部署的入门级方法，具有非常简单的用例和界面。 但是，随着数据库的增大，建议将使用快照技术的外部备份作为最佳做法，因为其具有以下优势：备份外部文件、更快的恢复时间，以及企业范围的数据和管理工具。
可以定期添加诸如完整性检查之类的其他步骤，以确保洁净且一致的备份。
决定使用哪种选项取决于您组织的运营要求和策略。 InterSystems 可与您详细讨论各种选项。
可以使用 GCP gcloud 命令行 API 以及 InterSystems 外部冻结/解冻 API 功能实现备份操作。 这允许实现真正的 24x7 全天候操作弹性，并确保洁净常规备份。 有关管理、创建和自动化 GCP 持久性磁盘快照的详细信息，可在此处找到。
或者，可以在 VM 本身中部署单个备份代理，利用文件级备份，并结合逻辑卷管理器 (LVM) 快照，来使用市面上的许多第三方备份工具。
该模型的主要优点之一是能够对基于 Windows 或 Linux 的 VM 进行文件级恢复。 此解决方案需要注意的几点是，由于 GCP 和大多数其他 IaaS 云提供商都不提供磁带媒体，因此所有的备份存储库对于短期归档均基于磁盘，并能够利用 Blob 或存储桶类型的低成本存储来进行长期保留 (LTR)。 强烈建议您使用此方法来使用支持重复数据删除技术的备份产品，以最有效地利用基于磁盘的备份存储库。
这些具有云支持的备份产品的示例包括但不限于：Commvault、EMC Networker、HPE Data Protector 和 Veritas Netbackup。
对于小型部署，内置在线备份工具也是可行的选择。 该 InterSystems 数据库在线备份实用工具通过捕获数据库中的所有块来备份数据库文件中的数据，然后将输出写入顺序文件。 这种专有的备份机制旨在使生产系统的用户不停机。 有关在线备份的详细信息，可在此处找到。
在 GCP 中，在线备份完成后，必须将备份输出文件和系统正在使用的所有其他文件复制到该虚拟机实例之外的其他存储位置。 存储桶/对象存储是对其很好的命名。
使用 GCP 存储桶有两种选择。
有关装载云存储桶（使用云存储 FUSE ）的详细信息，可在此处找到。