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