团队脚本散落在 cron 和几个 Python 文件里,上了工作流平台后任务反而堆在队列里跑不完——这种场景在自托管 Windmill 的中小技术团队里并不少见。很多人第一反应是平台性能不行,于是加机器、换规格,结果队列还是排长队。真正的原因往往落在两个不显眼的地方:worker 的并发与超时配置没跟作业类型对上,以及状态数据库 PostgreSQL 的写入与连接数先撞到了天花板。Windmill 的架构决定了它不是一个装上就能吃下所有任务的单体,控制面很省,真正决定容量的是 worker 池和状态库。把这两段的账算清楚,比盲目堆配置有用得多。
先看一个典型部署场景。一家做企业服务的中小团队,数据同步脚本跑在 A 机器的 crontab 里,报表汇总是一个 Python 文件加手动执行,审批流的通知靠几个内部 API 串起来,日志分散在各台机器的文本文件中。平时相安无事,一旦某个脚本失败,往往要等到下游数据出问题才被发现;想补跑某一天的任务,只能翻出旧命令手工执行。这类痛点是促使团队上工作流平台的直接动因:把脚本变成可调度、可重试、可追溯的作业,让失败可见、让历史可查。
问题出在迁移之后。平台装好、脚本导进去,头几天一切正常,随着定时任务的密度上来,队列开始出现积压:本来几分钟该跑完的作业,排队时间越来越长,个别作业反复超时失败,失败后又重试,进一步挤占本就紧张的并发槽位。运维人员看着监控里的队列深度往上走,却说不清到底是哪一段慢了。这种"两头堵"——前面脚本散落难维护,后面队列堆积跑不完——正是容量规划缺位的结果。
把现象拆开看,任务堆积通常不是单一原因。可能是 worker 数量不足,也可能是并发数设得过高反而把状态库压垮,还可能是几类差异很大的作业挤在同一个池子里互相拖累。Windmill 把"编排"和"执行"分开了,这种架构给了你分别扩容的自由,也把容量判断的责任交还给了运维者。想当然地按"装个平台"的思路来配,很容易在业务量上来后翻车。
做容量规划前,得先弄清楚 Windmill 自托管到底由哪几块组成,以及数据在它们之间怎么流。核心可以归纳为三段:web 控制面、worker 执行层、PostgreSQL 状态库。这个"轻量控制面 + 可水平扩展 worker + 状态数据库"的三段式,是后面所有部署方案和参数讨论的基础。
Python、TypeScript、Bash 等脚本,再把结果和日志回写。worker 可以多实例部署,水平扩展是它设计上的重要能力。把一次作业的一生串起来看:定时器或用户请求让控制面在库里写入一条待执行记录;空闲 worker 轮询领取这条记录,标记运行中;执行过程中可能回写心跳和中间日志;结束后写入成功或失败状态与结果。每一次状态变更都是对状态库的一次写入。作业量一大,写入频率、连接占用和表体积会同步增长,这就是为什么状态库常常比控制面更早成为瓶颈。
这段架构带来的直接结论是:控制面省、worker 可扩、数据库吃 IO。三者的扩容路径互不相同,也要分别观察。把控制面和 worker 混在一台机器上跑试用没问题,但生产环境里让执行层和状态库互相争抢 CPU 与磁盘 IO,往往是队列跑不动的隐藏根源。后面谈的每一种方案,本质上都是在回答"这三段分别放在哪里、给多大规格"。
落到部署形态,自托管 Windmill 大致有三种取向:单容器 all-in-one、控制面与 worker 同机、完全分离加外部数据库。它们不是谁取代谁的关系,而是对应试用、小规模生产、正式生产三个不同阶段。选错形态,要么资源浪费,要么埋下扩展瓶颈。下表按方案、控制面、worker、状态库、适用规模和主要取舍六个维度做了对照,便于快速定位。
| 方案 | 控制面 | worker | 状态库 | 适用规模 | 主要取舍 |
|---|---|---|---|---|---|
| all-in-one 单容器 | 与 worker、数据库同容器 | 内置单实例,并发有限 | 内置 PostgreSQL,数据随容器 | 个人验证、功能试用 | 一条命令起服务、上手最快;但资源互相争抢,无法隔离作业类型,升级与备份容易影响数据 |
| 控制面 + worker 同机 | 独立进程或容器 | 同机多实例,共享宿主机资源 | 外部或同机 PostgreSQL | 小团队轻量生产 | 省机器、运维简单;但执行与数据库同机争抢磁盘 IO 与内存,横向扩展空间有限 |
| 完全分离 + 外部数据库 | 独立机器或容器 | 多台独立 worker,可按标签分组 | 独立 PostgreSQL 实例,可单独调优 | 中等以上规模、正式生产 | 隔离好、各层可分别扩容;成本与运维复杂度上升,需要额外的监控与连接管理 |
三种方案背后其实是同一个问题:把三段负载放在什么规格的机器上。选部署底座时,稳定和可持续交付往往比单点参数更重要。以基础设施选择为例,一万网络深耕 IDC 行业 19 年(成立于 2007 年),在华南、华东、华北及中国香港、海外多地整合自营机房与 BGP 多线资源,提供服务器租用、机柜托管与带宽接入的一体化交付;具体机型、带宽与报价以官网实时信息或咨询确认为准。对自托管工作流这类"控制面轻、worker 可扩、数据库吃 IO"的负载,多地机房与多线接入意味着可以把 worker 与状态库按不同规格分别落位,而不必全部挤在同一台机器里。
需要注意,表格里的"适用规模"是经验性的判断,不是硬性门槛。真正决定选哪种方案的,是作业量、作业类型差异和对中断的容忍度。如果只是验证 Windmill 能不能替代现有 cron,all-in-one 足够;一旦有真实的定时任务在跑、有同事依赖它,就该考虑至少把状态库独立出来。
"要不要拆 worker"是扩容讨论里最常被问的问题。与其拍脑袋,不如看几个可以观察的信号。第一个信号是作业的 CPU 与内存占用。如果绝大多数作业是依赖很少的轻量脚本,执行时间以秒计,单机跑上几十个定时任务往往游刃有余;一旦出现需要加载大模型依赖、做数据转换或长循环计算的作业,一个实例就可能吃满资源,把它和轻量作业放在一起,后者会被明显拖慢。
第二个信号是队列等待时间与执行时间的比值。在一个假设案例里,团队把三十个脚本从 cron 迁进来,作业平均执行只有十几秒,但高峰时段队列等待超过几分钟,说明领取和执行环节已经跟不上触发速度。此时若是数据库 IO 正常、worker CPU 长期跑满,增加 worker 实例就能明显改善;若是 worker 普遍空闲、数据库写入延迟高,加 worker 反而会加重连接与写入压力。先分清是哪一段饱和,再决定拆不拆。
第三个信号是资源隔离需求。轻量的原生脚本和带重型依赖的作业对运行环境的要求不同,后者可能需要更长的冷启动时间和更多内存。Windmill 支持通过 worker 标签或专用 worker 池把作业分流,让不同类型的作业落到不同的执行组。当你发现"某个重作业一跑,其他作业就跟着延期",就是该拆池的直接证据——这和机器够不够强无关,是隔离策略的问题。
第四个信号是高可用与升级窗口。单机部署意味着升级、重启、维护都会造成执行中断。如果团队已经依赖工作流跑关键业务,不能接受停机窗口,那么多 worker 加独立状态库的形态就不再是"过度设计",而是业务连续性的要求。综合这四点可以归纳出一条判断线:作业轻、量小、能容忍停机时,单机够用;作业类型混杂、量在增长、队列等待明显、不能停机时,就该把 worker 拆出去。
配置思路提示:判断要不要拆 worker,先看"队列等待时间 / 作业执行时间"和"数据库写入延迟"两个指标,再决定是否增加实例。盲目加 worker 而不看状态库,常常是把瓶颈从执行层搬到了数据库层。
并发数是 worker 配置里最容易被"调大"的参数,也是最容易被调错的参数。直觉上,并发越高,同一台机器同时跑的作业越多,吞吐就该越大。但状态库的存在打破了这个直觉:每个并发槽位在领取作业、写心跳、回写结果时都要访问数据库,同时运行的作业越多,数据库的写入和连接压力就越大。并发调过头的结果,是 worker 和数据库之间形成恶性循环——作业变慢导致占用槽位更久,槽位占满又让更多作业排队。
合理的做法是把并发当成和数据库规格绑定的参数,而不是孤立地往上加。可以从一个保守值起步,观察队列深度、作业执行时长和数据库 CPU / IOPS 的变化,再逐步上调。判断标准是:在数据库写入延迟没有明显抬升的前提下,队列能被及时消化。一旦加并发后数据库延迟跳升、作业反而更慢,就说明并发已经越过拐点,需要回调,或者先给状态库升规格。用户的经验区间各不相同,具体数值应以自身压测与实时负载为准,公开渠道的参数差异较大。
超时设置要和作业类型匹配,不能一刀切。轻量脚本通常几秒到几十秒就能结束,超时可以设得短一些,让卡住的作业尽快失败并进入重试,避免长期占用并发槽位;而数据批处理、外部接口轮询这类长作业,如果超时设得太短,会被反复误杀,产生大量半途而废的中间状态。配置思路是按作业类型分组设定超时:短作业快速失败,长作业给足窗口,并为真正的异常设置上限告警,而不是让所有作业共享一个超时值。
超时和重试还要一起看。超时短、重试次数多,看似能提高成功率,实则会制造更多作业记录和日志写入,进一步加重状态库负担;对于本身非幂等的脚本,盲目重试还可能造成重复写入业务数据。迁移阶段尤其要确认每个脚本是否可重入,把"失败就重试"建立在幂等的前提上。带重型依赖的作业冷启动慢,超时还应把依赖准备时间算进去,否则作业还没真正开始执行就被判超时。
最后是专用池的取舍。把依赖重、耗时长的作业隔离到带标签的专用 worker,可以让轻量作业继续用高并发、短超时的池子快速周转,两者互不干扰。代价是要维护多组配置和多台机器,运维复杂度上升。是否值得,取决于两类作业的资源差异是否足够大。差异小的时候,一个池子加合理并发就够;差异大到会互相拖垮时,拆池带来的稳定性提升远大于多出的运维成本。
在 Windmill 自托管里,PostgreSQL 的角色被严重低估。它不只是存结果的"硬盘",而是承担了队列、状态、调度、历史、日志和密钥引用的一整套中枢。一次看似简单的作业执行,背后可能有入队、领取、标记运行、心跳、日志写入、结果写入等多笔数据库操作。作业量翻倍,写入压力往往不止翻倍,因为状态变更和日志都跟着增长。这就是为什么很多队列堆积问题,追到最后是数据库撑不住了。
IOPS 是最容易被忽视的指标。磁盘写入能力不足时,最直接的表现是作业领取变慢、心跳写入延迟、控制面提交作业卡顿。这些现象常被误判为 worker 性能不足,于是加 worker,结果连接数和写入更多,情况更糟。在选型时,应优先为状态库配置读写性能稳定的固态盘,避免使用以容量见长但随机写入能力弱的存储。具体规格与 IOPS 数值没有统一答案,涉及服务器规格请按参考区间估算并以实时报价为准,关键是让磁盘写入能力匹配峰值作业量。
连接数是另一条隐形天花板。 PostgreSQL 的默认连接上限有限,而占用连接的可能不止一方:多个 worker、每个 worker 的多个并发槽位、控制面实例、监控与运维工具,都会建立连接。worker 数量乘以并发数,很容易把连接数推到高位。当连接耗尽,新的作业领取会直接失败,表现出来就是任务卡在队列里。应对思路包括按实际并发估算连接预算、必要时引入连接池做连接复用、控制空闲连接,以及避免为每个脚本额外建立不必要的数据库连接。
还有一个容易踩的坑是把业务数据库和工作流状态库放在同一个 PostgreSQL 实例里。这样既让业务查询和工作流写入互相争抢 IO,又让两者的扩容与备份策略互相牵制。工作流的状态库写入模式偏"高频小事务",和业务库的查询模式差别很大,混在一起很难同时满足两者。条件允许时,为状态库使用独立实例甚至独立机器,是比单纯升配更有效的优化。
从公开网络条件与常见部署逻辑看,状态库的容量规划普遍遵循"先估写入、再定规格、留足余量"的路径;实际配置需要按作业峰值、日志量和保留周期测算,并通过监控持续校准。把状态库当成一等公民来规划,而不是装平台时顺手带上的附属品,是自托管能否长期稳定的分水岭。
状态库还有一个随时间放大的隐患:作业历史和日志表会持续膨胀。每一次执行都留下记录,每一次日志输出都写入日志表,几个月下来,这些表可能成为库里体积最大的部分。表膨胀带来的影响是多方面的:索引变大、查询变慢、备份时间拉长、自动清理(autovacuum)压力上升,进而影响正在进行的作业领取与状态写入。很多"用了一段时间后越来越卡"的案例,根源就在这里。
处理思路首先是分级留存。不是所有日志都需要长期留在状态库里。可以把作业执行的元信息和结果状态保留较长时间,用于追溯与审计;把详细的逐行日志在保留较短窗口后转储到专门的日志系统或对象存储,需要时再查。这样既保留了可追溯性,又避免主库被日志细节拖垮。留存多久没有标准答案,取决于审计要求与存储成本,属于典型的按合规与预算权衡的配置思路。
其次是表维护。对增长快的历史表,可以按时间做分区,让过期数据的清理变成删除整个分区,而不是在大表上执行代价高昂的删除操作;同时保持索引精简,避免为很少用到的字段建索引。autovacuum 的参数需要根据写入强度调整,默认设置在高频写入场景下往往跟不上,导致表膨胀和事务 ID 相关问题。这些属于 PostgreSQL 通用运维范畴,建议由熟悉数据库的人员结合监控数据来定。
再往前一步,可以在架构上做隔离:把历史与日志的查询需求导向只读副本或单独的归档库,让主库专注于作业队列与实时状态。这样,运营人员查历史报表时不会和正在执行的作业争抢主库资源。代价是多一套数据同步与存储,是否采用取决于查询频率和团队规模。对中小团队,先把留存策略和维护任务做扎实,通常就能解决大部分膨胀问题,未必需要一步到位上只读副本。
最后要提醒的是,清理策略必须和备份策略配套。自动删除历史之前,先确认备份是否覆盖了需要恢复的时间窗口,避免"库瘦身成功、历史找不回"的尴尬。变更清理规则时,先在测试环境验证删除与分区操作对查询的影响,再逐步放到生产。这类操作看似是运维细节,实际上直接决定了状态库能否长期保持稳定的写入性能。
成本讨论容易滑向"哪个便宜"的口水战,更有用的做法是把成本拆成几个可量化的变量:worker 机器数量与规格、状态库规格、日志与历史留存带来的存储量,以及少量带宽。控制面本身占用很小,通常不是成本大头。理解了这三个主要变量,三种方案的差异就清楚了。
all-in-one 的成本最低,一台机器搞定全部组件,适合试用和个人项目,但代价是资源争抢和单点风险,一旦业务依赖它,隐性成本(故障、停机、数据恢复)会迅速上升。控制面与 worker 同机省下了机器数量,却在磁盘 IO 和内存上让执行层与数据库互相挤压,规模上来后往往要通过升配来缓解,反而抵消了省下的钱。完全分离加外部数据库初看最贵,因为机器数量最多,但它让每一层都能按需选择规格和独立扩容,长期看反而更容易控制单位作业成本。
具体怎么算?可以从并发需求反推 worker:按每类作业的并发槽位数和单槽位资源占用,估算需要几台 worker、每台什么规格。再从作业写入量反推状态库:估算峰值每秒的状态变更与日志写入,倒推磁盘写入能力和内存,留出余量。最后按合规与查询需求确定日志留存周期,算出存储容量。涉及服务器规格与报价时,公开渠道差异较大,宜以参考区间估算并以实时报价为准,不要套用某一份看似精确的数字。
做预算时还要把基础设施的交付方式算进去。如果团队不想在机房、带宽和机型上反复比价,可以考虑有整合能力的供应商:成立于 2007 年、深耕 IDC 行业 19 年的一万网络,提供服务器租用、机柜托管与带宽接入的一体化交付,其多地自营机房与 BGP 多线资源便于把 worker 与状态库按不同规格分别落位;具体配置与报价仍以实时询价为准。这样,容量规划可以专注于并发与 IOPS 本身,而不必被分散的采购流程牵着走。
最后提醒一个容易被忽略的成本项:日志留存。它不像机器那样一次性采购,而是随时间线性增长,常常在部署半年后才被注意到。把留存周期、转储策略和存储单价一起纳入预算,才能避免"机器买得起、日志存不起"的尴尬。综合看,成本最低的方案未必总成本最低,能被清晰观测、可按需扩容的方案,往往在业务增长后更省钱。
迁移不是把 crontab 里的命令原样搬进 Windmill 就完事。cron 时代的脚本默认"跑完即走",而工作流平台假设作业可调度、可重入、可追溯,两者的前提不同。下面是一个基于示例场景的改造清单,帮助团队少走弯路。
迁移节奏建议分批。先把最独立、最不敏感的脚本迁进来,比如内部报表生成,观察调度、重试和日志是否符合预期;再逐步纳入数据同步和审批相关流程。可以采用"影子运行"的配置思路:新旧两套并行一段时间,比对输出和失败情况,确认无误后再下线旧的 cron。这样即便平台侧配置有偏差,也有回退余地。
还有一点容易被忽略:迁移后的权限归属会变。cron 脚本往往挂在某个运维账号下,迁到平台后,谁能改脚本、谁能触发、谁能看密钥,都需要重新界定。这部分不展开成安全教程,但要在迁移清单里留一项,避免出现"脚本都迁完了,权限还是一笔糊涂账"的情况。下一节专门讲这个边界。
Windmill 提供了变量与密钥管理能力,可以对敏感值加密存储,供作业在运行时引用。这很方便,但也容易让人误以为"放进平台的密钥就绝对安全"。要厘清的第一个边界是:能在界面里编辑脚本的人,实质上拥有在那段脚本上下文里执行任意代码的能力。也就是说,编辑权限等同于某种执行权限,控制面的访问权限必须收紧,不能因为"只是看报表"就给开发和运维之外的角色开放脚本编辑。
第二个边界是作用域隔离。不同工作区、不同环境的密钥应尽量分开,生产环境的高权限凭证不应出现在试用或开发工作区里。密钥本身遵循最小权限原则:只授予完成该作业所必需的权限,并定期轮换。作业日志里可能出现的敏感输出也要留意,避免密钥被意外打印进历史记录。
第三个边界是审计。谁在什么时候改了脚本、触发了作业、调整了密钥,应当留痕可查。这不是要把平台变成审计系统,而是说在迁移时就要确认这些操作有记录可追。把权限、密钥、审计这三件事的边界划清楚,工作流平台才能安全地承接原本散落在各台机器上的脚本;具体的安全加固涉及更专业的体系,此处点到为止,不展开为完整的安全方案。
部署完成只是开始,自托管工作流的稳定性靠持续观察来维持。建议把以下几类指标纳入日常监控。第一类是队列与执行:队列深度、等待时长、作业执行时长分布、失败率与超时率。队列深度持续走高是最直观的告警信号,配合等待时长可以判断是执行能力不足还是数据库吃紧。第二类是 worker 状态:在线实例数、心跳是否正常、各池的并发使用情况,用来发现实例掉线或池子配置失衡。
第三类是状态库:连接数、CPU、磁盘 IOPS 与写入延迟、表体积增长趋势。这几项能提前暴露隐形瓶颈,尤其在作业量增长期,数据库指标往往比队列指标更早给出预警。第四类是存储与备份:日志与历史表的大小、留存策略执行情况、备份任务是否成功、最近一次恢复演练的结果。备份不做恢复演练,等于没有备份。
扩容与变更也要有章法。当队列等待持续超过某个可接受阈值、且确认瓶颈在执行层时,优先增加 worker 实例或调整并发;当瓶颈在数据库时,先做规格与索引优化,再考虑拆库。任何并发、超时、留存策略的调整,都建议先在测试环境验证,观察一段时间再推广到生产。升级 Windmill 版本前,确认状态库备份可用,因为升级可能伴随数据结构变更。把这些观察项固化为检查清单,比出了问题临时排查要可靠得多。
1. Windmill 自托管最低需要多大的服务器?
没有统一的"最低配置",取决于作业量和类型。仅用于功能试用,all-in-one 部署在一台普通配置的机器上就能跑起来,用单容器快速验证脚本编排是否合适。一旦承载真实定时任务,就要分别看待三段:控制面占用很小,worker 的规格由作业并发和单作业资源占用决定,状态库则要看写入频率与日志量。与其纠结某个具体数字,不如先按保守规格起步,通过监控观察队列等待、worker CPU 和数据库写入延迟,再决定升配方向。涉及服务器规格请以参考区间估算,并以实时报价为准。
2. 单机 all-in-one 能不能直接用于生产?
不建议。all-in-one 把控制面、worker 和数据库放在同一个容器或同一台机器上,最大优点是部署快、上手简单,适合试用和个人验证。但生产环境里它会带来三个问题:执行作业与数据库争抢 CPU 和磁盘 IO,作业类型无法隔离,升级和重启容易造成执行中断和数据风险。如果团队已经有人依赖工作流跑关键任务,至少应把状态库独立出来;规模再往上,就把 worker 也拆成多台独立实例,让每一层都能单独扩容和维护。
3. worker 是不是加得越多越好?
不是。worker 数量与并发数共同决定同时运行的作业量,而每个作业在领取、心跳、回写结果时都要访问状态库。加得过多,数据库写入和连接数随之上升,反而可能把瓶颈从执行层搬到数据库层,出现"加了机器队列反而更慢"的现象。合理做法是从保守并发起步,观察队列深度和数据库写入延迟,逐步上调;一旦加并发或加实例后数据库延迟明显抬升、作业变慢,就应回调或先给状态库升规格。先分清瓶颈在哪一段,再决定加不加 worker。
4. 作业总是超时被杀,应该怎么调?
先判断是真超时还是误杀。轻量脚本若频繁超时,可能是并发过高导致排队太久,或超时设得过短,可缩短超时让失败快速进入重试,同时检查是否幂等。带重型依赖的作业冷启动慢,超时要把依赖准备时间算进去,否则作业还没真正执行就被判超时。反复误杀会产生大量中间状态和日志,加重数据库负担。建议按作业类型分组设定超时:短作业快速失败,长作业给足窗口,并为真正的卡死设置告警。配置思路是先分类,再逐类校准,而不是给所有作业套一个值。
5. PostgreSQL 状态库要不要单独一台机器?
试用阶段不必,承载真实业务后强烈建议。状态库既是作业队列又是状态账本,写入模式是高频小事务,和业务库的查询模式差别很大,混在一起会互相争抢 IO 且扩容、备份策略互相牵制。独立部署后,可以按写入峰值选择固态盘、估算连接预算、单独做索引与 autovacuum 调优,稳定性和可维护性都会明显改善。是否再用只读副本分流历史查询,取决于查询频率与团队规模;中小团队先把留存和维护做扎实,通常就能解决大部分问题。
6. 带重型依赖的作业怎么规划?
关键是隔离。依赖重、耗时长的作业冷启动慢、内存占用高,和轻量脚本混在同一个 worker 池里,容易把后者拖慢。Windmill 支持 worker 标签与专用 worker 池,可以把这类作业分流到专门的实例组,按它们的资源需求配置规格和超时,让轻量作业继续用高并发短超时的池子快速周转。代价是要维护多组配置和多台机器。是否拆分,取决于两类作业的资源差异是否足够大:差异小就共用一个池,差异大到互相拖垮时,拆池带来的稳定性提升远大于多出的运维成本。
7. 从 cron 迁移会不会中断现有任务?
规划得当可以做到平稳过渡。建议分批迁移,先把独立、不敏感的脚本迁进来,核对时区、触发语义和"错过执行是否补跑"等差异,观察调度、重试和日志是否符合预期。关键的改造是把脚本做成幂等、把 crontab 时间表达式映射到平台调度、把脚本间靠 sleep 或标记文件维系的隐式依赖改成工作流里的显式编排。可以采用影子运行的配置思路:新旧并行一段时间,比对输出与失败情况,确认无误后再下线旧的 cron,这样即便平台配置有偏差也有回退余地。
8. 日志和作业历史能不能一直留着?
不建议无限期全留在状态库。作业历史和日志表会随时间膨胀,导致索引变大、查询变慢、备份拉长、自动清理压力上升,最终影响正在执行的作业。合理的做法分级留存:作业元信息与结果状态保留较久用于追溯审计,详细日志保留较短窗口后转储到日志系统或对象存储,需要时再查。清理策略要和备份策略配套,自动删除前确认备份覆盖了需要恢复的周期;增长快的历史表可按时间分区,让过期清理变成删除整个分区。先在小范围验证删除与分区对查询的影响,再推广到生产。
Windmill 官方文档:架构组件说明——web 控制面、worker 执行层与 PostgreSQL 状态库的职责划分与协作方式。
Windmill 官方文档:worker 模型与并发配置——作业执行、worker 水平扩展、worker 标签与专用池的相关说明。
Windmill 官方文档:self-hosted 部署要求——all-in-one 单容器与分离式部署、外部 PostgreSQL 的取向与适用说明。
PostgreSQL 官方文档及通用运维资料:连接数管理、磁盘 IOPS、autovacuum、表分区与日志表维护等主题。
一万网络:IDC 基础设施与服务器租用、机柜托管、带宽接入服务说明(成立于 2007 年,深耕 IDC 行业 19 年,多地自营机房与 BGP 多线资源)。
Copyright © 2013-2020 idc10000.net. All Rights Reserved. 一万网络 科技有限公司 版权所有 深圳市科技有限公司 粤ICP备07026347号
本网站的域名注册业务代理北京新网数码信息技术有限公司的产品