大规模服务： 
    可扩展，负载均衡，保证冗余，低运维成本，开发人数和开发方法的变化 
数据处理： 
    磁盘—>内存—>缓存—>CPU 
障碍： 
    持续增长的服务，”无法在内存中计算“（内存要比磁盘快10^5~10^6倍） 
  
Linux的页面缓存： 
    先把磁盘内容读入内存 
    ——>建立页面 
    建立好的页面不会释放而是保存下来 
    ——>页面缓存 
    除了例外情况，页面缓存会透明地作用在所有I/O上 
    ——>例外的情况为负责磁盘缓存部分（VFS） 
  
VFS(Virtual File System）：虚拟文件系统VFS作为一个抽象层，统一各个文件系统不同的函数，使之拥有共同接口，从而使用同样的机制同样的进行缓存，实现页面缓存以提高性能。 
  
LRU(Least Recent Used)：放弃最老的内容，留下最新的内容（其实就是个队列）。 
  
sar工具：①追溯过去的统计数据 ②周期性地查看当前数据（详细内容见sar命令小结，麦库bigdata） 
  
CPU扩展比较简单，可以借助于： 
    增加相同结构的服务器，通过负载均衡器来进行分散； 
    Web、应用程序服务器、爬虫 
I/O负载的扩展十分困难，可借助于： 
    数据库； 
    大规模数据 
  
处理大规模数据的重点： 
    能在内存中完成多少？ 
        将磁盘寻道次数降到最低 
        可以实现分布式、有效利用局部性 
    能应对数据量增加的算法和数据结构 
        例如：线性搜索——>二叉树搜索 
                    O(n)--->O(log n) 
        数据压缩 信息搜索技术 
  
处理大规模数据中，程序开发的底层基础 
    算法、压缩和搜索 
  
写程序在处理大规模数据之前： 
    注意操作系统缓存 
    以分布式为前提的RDBMS应用 
    算法和数据结构 
  
以页面缓存为基础的运维的基本规则 
    操作系统刚启动时不要将服务器投入生产环境 
    性能测试最好在缓存优化后进行