软件架构汇总整理

一、基础类架构

软件架构中最经典、最基础的架构范式，是其他复杂架构的底层基础。

1. 单体架构

所有功能代码集中在一个工程中，统一打包、统一部署。

• 传统单体：前后端代码耦合在一起，整体打包部署，开发简单但扩展困难。

• 模块化单体：内部按功能拆分模块，代码边界清晰，但仍统一部署，平衡开发效率与可维护性。

2. C/S 架构（客户端 / 服务器架构）

分为客户端与服务端，客户端负责展示与交互，服务端负责业务逻辑与数据处理。

• 2 层架构：客户端直接连接数据库，业务逻辑分散在客户端与数据库，适合简单桌面应用。

• N 层架构：在客户端与数据库之间增加应用服务器，业务逻辑集中在应用层，架构更清晰，适合大型企业系统。

3. B/S 架构（浏览器 / 服务器架构）

客户端为通用浏览器，通过 HTTP 协议访问服务端，无需安装专用客户端。

• 前后端分离 B/S 架构：前端工程与后端工程独立开发部署，通过 API 交互，前后端职责清晰。

• 服务端渲染（SSR）B/S 架构：页面在服务端渲染完成后返回浏览器，首屏加载快，利于 SEO。

• 客户端渲染（CSR）B/S 架构：页面在浏览器端通过 JS 渲染，服务端仅提供数据，减轻服务端压力，交互体验好。

4. 主从架构

存在主节点与从节点，主节点负责核心控制 / 写操作，从节点负责辅助工作 / 读操作。

• 主程序 / 子程序架构：主程序控制整体流程，调用多个子程序完成具体功能，是最基础的程序结构。

• 高可用主从集群架构：主节点处理写请求，从节点同步数据并处理读请求，主节点故障时可切换从节点提升可用性。

• 任务分发与执行架构：主节点负责任务分配与调度，从节点执行具体任务，适合分布式任务处理场景。

5. 反馈控制架构

通过反馈回路动态调整系统行为，适应环境变化。

• 实时反馈控制架构：实时采集系统状态，根据预设规则即时调整输出，实现精准控制。

• 自适应反馈控制架构：系统可根据运行数据自动调整控制策略，适应复杂多变的环境。

6. 进程通信架构

不同进程之间进行数据交互的架构模式。

• 跨进程通信（IPC）架构：同一主机内不同进程间的通信，通过管道、共享内存、消息队列等方式实现。

• 跨主机进程通信架构：不同主机上的进程通过网络协议进行通信，是分布式系统的基础。

• 消息总线通信架构：所有进程 / 系统通过统一的消息总线交互，实现通信与业务解耦。

7. 事件驱动交互架构

以事件为核心驱动系统运行，事件产生后触发对应处理逻辑。

• 观察者模式架构：被观察者状态变化时，主动通知所有订阅的观察者，实现一对多的通知机制。

• 发布 – 订阅模式架构：发布者发布事件到消息中间件，订阅者按需订阅，发布者与订阅者完全解耦。

• 发布 – 订阅 – 响应架构：在发布订阅基础上增加响应回执机制，保障消息处理的可感知性。

• 事件溯源架构：以事件为核心存储单元，记录所有状态变更事件，可通过事件回溯重建任意时刻的状态。

• 事件流架构：事件持续产生、持续流转与处理，支持对事件流的实时计算与分析。

8. 规则系统架构

将业务规则与代码分离，通过规则引擎执行规则，灵活应对规则频繁变化的场景。

• 业务规则引擎架构：将业务规则抽离到规则引擎中，业务人员可配置规则，无需修改代码即可调整业务逻辑。

• 决策树规则架构：以决策树形式组织规则，按条件逐层判断，输出最终结果。

• 专家系统架构：整合领域专家知识与规则，模拟专家决策过程，解决专业领域复杂问题。

9. 解释器架构

定义一套语法规则，通过解释器解析并执行自定义的脚本或表达式，支持用户自定义业务逻辑。

二、数据类架构

核心目标：围绕数据的处理、存储、共享、分发等全流程设计架构范式，保障数据流转效率与价值释放。

1. 数据处理架构

针对数据加工、计算流程的架构设计。

• 管道 – 过滤器架构：将数据处理过程拆分为多个独立的过滤器阶段，数据通过管道在过滤器间流转，每个阶段只负责单一处理逻辑。

• 批处理序列架构：按批次处理数据，分为离线全量批处理与增量批处理。

  • 离线批处理：定时对全量历史数据进行批量计算，适合非实时的统计分析场景。

  • 增量批处理：仅处理新增 / 变更的数据，大幅提升批处理效率。

• 数据流架构：数据持续产生、持续处理，根据处理时效分为不同形态。

  • 实时数据流：数据产生后立即处理，延迟极低，适合实时监控、实时风控等场景。

  • 批处理数据流：按固定周期批量处理数据流，适合时效性要求不高的统计。

  • 流批一体数据流：同一套引擎同时支持实时流处理与批处理，统一开发口径，降低维护成本。

2. 数据共享与治理

围绕数据存储、共享、管理的架构设计。

• 仓库风格架构：以中央数据库为核心，所有业务模块共享同一数据源，数据集中存储与管理。

• 黑板系统架构：多个知识源模块共享一个 “黑板”（公共数据空间），各模块可读写黑板数据，通过共享中间结果协同完成复杂问题求解，适合无确定求解算法的场景（如语音识别）。

• 数据中台共享架构：沉淀企业全域数据能力，统一数据标准与服务，向前台业务线提供可复用的数据能力。

• 数据联邦架构：不迁移原始数据，通过虚拟集成层实现对多个异构数据源的统一查询，数据保留在原有系统中。

• 数据网格架构：分布式数据自治模式，核心遵循领域所有权、数据即产品、自助数据平台、联邦化治理四大原则，各业务域自主管理自身数据，同时提供标准化数据服务，实现全局数据共享。

3. 数据分发架构

针对数据传输、分发、推送的架构设计。

• 内容分发网络（CDN）架构：将内容缓存到全球 / 全国边缘节点，用户就近获取内容，降低访问延迟，减轻源站压力。

  • 静态资源 CDN：缓存图片、脚本、静态页面等不变资源。

  • 动态内容加速 CDN：对动态生成的内容进行路由优化与传输加速。

• 实时消息推送架构：服务端主动向客户端推送实时数据。

  • 长连接推送：维持客户端与服务端的长连接，实时下发消息。

  • WebSocket 推送：基于 WebSocket 协议实现双向实时通信，适合即时交互场景。

  • 消息推送重试补偿：推送失败后自动重试，保障消息送达率。

• 超文本系统架构：以超文本 / 超链接为核心的信息组织与传输架构。

  • 超媒体系统：整合文本、图片、音视频等多媒体，通过超链接关联导航。

  • 语义化超文本：为超文本附加语义信息，支持机器理解与知识关联。

  • 超文本传输协议架构：基于 HTTP/HTTPS 协议的标准化数据传输架构。

三、解耦类架构

核心目标：通过分层、拆分、抽象等手段，降低系统各部分的耦合度，实现 “高内聚、低耦合”，提升系统可维护性、可扩展性与复用能力。

1. 分层架构

将系统按职责自上而下划分为若干层次，层间通过约定接口单向依赖，每层仅聚焦自身职责，是最经典的解耦范式。

• 表现层：系统对外交互入口，负责用户界面展示、操作接收与结果返回，不包含核心业务逻辑。

• 业务逻辑层：系统核心层，封装业务规则、计算逻辑与流程流转，处理核心业务需求。

• 数据访问层：封装与各类数据源（数据库、缓存、外部接口）的交互逻辑，屏蔽底层数据操作细节。

• 公共基础层：沉淀无业务属性的通用工具、常量、基础能力，为上层所有层次提供公共支撑。

2. 模块化与组件化架构

将系统拆分为独立的功能单元，通过明确边界实现单元内高内聚、单元间低耦合。

• 模块化架构：按功能边界拆分独立模块，模块间通过接口通信，可独立开发、编译与维护。

  • 功能模块化：按业务功能维度拆分，每个模块对应完整的闭环业务能力。

  • 可复用模块：提炼跨系统通用能力，形成可被多个业务系统直接复用的独立模块。

• 组件化架构：将系统拆分为可独立部署、可插拔的组件，具备明确的功能边界与标准化交互协议。

  • 业务组件化：按业务域拆分独立业务组件，可自由组合形成完整应用。

  • 基础组件化：沉淀通用技术 / UI 基础能力，形成标准化、可复用的基础组件库。

• 插件化架构：以主程序为核心底座，通过插件机制动态扩展功能，支持能力的热插拔与按需加载。

  • 应用内插件化：在单一应用内部通过插件扩展特定能力。

  • 跨应用插件集成：形成统一插件市场，支持多个应用共用插件生态。

  • 动态插件热更新：支持插件的在线更新、加载与卸载，无需重启主应用。

3. 解耦增强架构

通过特殊设计范式，进一步强化系统解耦效果，分离核心逻辑与横切关注点。

• 面向切面架构（AOP）：通过动态代理等技术，将日志、事务、权限等横切逻辑与业务逻辑解耦，统一维护公共横切能力，避免代码重复。

  • 日志 / 事务切面：统一管理接口日志记录、数据库事务的提交与回滚。

  • 权限控制切面：统一完成接口的身份校验、权限拦截与访问控制。

  • 性能监控切面：统一统计接口响应时间、调用量等性能指标。

• 整洁架构：以 “依赖规则” 为核心，系统从内到外分为实体、用例、接口适配器、框架与驱动层，内层不依赖外层，核心业务逻辑完全独立于外部技术实现。

• 六边形架构（端口与适配器）：核心业务逻辑位于内部，通过 “端口” 定义对外交互协议，通过 “适配器” 适配不同外部系统（数据库、第三方接口、UI 等），实现核心逻辑与外部环境完全解耦。

• 正交架构：让系统不同维度的能力互相独立、互不影响，修改一个维度的代码不会牵连其他维度，是 “高内聚低耦合” 的极致体现。

  • 业务正交：不同业务域之间能力独立，无强依赖关系。

  • 技术正交：技术支撑模块与业务模块完全分离，技术层变更不影响业务逻辑。

四、代码工程类架构

核心目标：从代码组织、服务交互、领域建模等维度，规范系统的代码结构与交互方式，适配不同规模与复杂度的业务场景。

1. 面向对象交互架构

以面向对象思想为核心，组织业务逻辑与数据模型的代码结构。

• 事务脚本模式：将业务逻辑组织为线性执行的脚本流程，按步骤依次完成业务操作，开发简单，适合逻辑简单的业务场景。

• 领域模型模式：将业务逻辑封装到领域对象中，通过对象间的交互完成业务流转，能承载复杂业务规则，适合复杂业务场景。

• 活动记录模式：数据模型与数据库表一一对应，模型自身封装数据读写操作，代码简洁直观，适合轻量 CRUD 类系统。

• 数据传输对象模式（DTO）：专门用于跨层 / 跨系统数据传输的对象，隐藏内部数据模型，按需暴露字段，降低耦合与数据泄露风险。

2. 服务导向交互架构

以服务为核心单元，通过服务间的协作完成系统整体能力。

• 面向服务架构（SOA）：将企业业务能力封装为可复用的服务，通过企业服务总线（ESB）实现服务的注册、路由与通信，实现跨系统业务整合。

• 微服务架构：将系统按业务域拆分为多个独立部署、独立运行的小型服务，服务间通过轻量协议通信，每个服务聚焦单一业务能力，支持独立迭代与扩缩容。

• 宏服务架构：将多个关联紧密的微服务聚合为一个粗粒度服务单元，减少服务间调用链路与开销，平衡微服务的拆分粒度。

• 无服务器架构（Serverless）：开发者无需管理服务器，代码以函数为单位由事件触发执行，平台负责资源调度与运维，按实际调用量计费。

3. 领域驱动架构（DDD）

以领域建模为核心，通过业务边界划分指导系统架构设计，实现业务语言与技术实现的对齐。

• 限界上下文架构：按业务语义边界划分独立的领域上下文，每个上下文内有统一的领域语言与模型，上下文间通过映射规则交互。

• 聚合根驱动架构：以聚合根为核心组织领域对象，聚合根保证聚合内数据的一致性与业务规则，外部只能通过聚合根访问内部对象。

• 领域事件驱动 DDD 架构：通过领域事件触发跨聚合 / 跨上下文的业务流转，实现业务单元间的解耦与异步协作。

• 事件溯源 + DDD 融合架构：不直接保存数据最终状态，而是保存所有领域事件，通过事件回溯重建对象状态，实现完整的操作可追溯。

• DDD + 微服务协同架构：以限界上下文为边界拆分微服务，让微服务的业务边界更清晰，避免微服务拆分不当导致的问题。

4. 低代码 / 无代码架构

通过可视化配置、拖拽式操作降低代码编写量，提升开发效率，降低开发门槛。

• 低代码平台架构：提供可视化开发界面与标准化基础能力，通过少量代码 + 配置即可完成应用开发。

• 无代码拖拽式架构：全程通过拖拽组件、配置属性实现功能，无需编写代码，适合非技术人员使用。

• 低代码 + 插件扩展架构：低代码平台支持自定义插件，扩展平台原生不具备的复杂能力。

• 低代码 + AI 生成代码架构：结合大模型能力，通过自然语言生成业务逻辑代码，辅助低代码开发，提升复杂场景适配能力。

五、分布式架构

核心目标：将系统部署在多台机器 / 节点上，通过多节点协同工作突破单机资源限制，提升系统的性能、可用性与扩展性。

1. 分布式基础架构

分布式系统的基础部署与组织形态。

• 分布式集群架构：多个相同功能的节点组成集群，共同提供服务，通过负载均衡分发请求，提升并发处理能力与服务可用性。

• 分布式微核架构：内核仅保留最核心的基础能力，其他功能以模块形式运行在用户态，结合分布式能力实现跨设备协同。

• 分布式分片架构：将数据或任务按规则拆分到不同节点，每个节点只负责一部分，横向扩展提升处理能力与存储容量。

2. 分布式支撑架构

保障分布式系统正常运行的核心技术组件与协议架构。

• 分布式共识架构：通过 Raft、Paxos 等共识算法，让分布式节点在不可靠网络下达成数据一致，实现节点选举与状态同步。

• 分布式事务架构：通过 2PC、3PC、TCC、Saga 等方案，保障跨节点、跨服务的事务数据一致性。

• 分布式缓存架构：多节点组成缓存集群，缓存热点数据，降低数据库压力，提升数据访问速度。

• 分布式存储架构：数据分散存储在多个节点上，提供高可用、高扩展的存储能力，涵盖文件存储、对象存储等形态。

• 分布式消息架构：通过消息队列集群实现系统间的异步通信、解耦与流量削峰，支持高吞吐消息传输。

• 分布式配置中心架构：统一管理多环境、多服务的配置信息，支持配置动态更新与下发。

3. P2P 架构

点对点架构，节点之间对等通信，无中心化节点或仅有弱中心调度节点。

• 去中心化 P2P 网络架构：所有节点完全对等，无中心服务器，节点间直接传输数据，无单点瓶颈。

• 混合 P2P 架构：保留中心节点负责管理与调度，数据传输由节点间点对点完成，平衡管控效率与传输性能。

六、云原生架构

基于云计算理念设计的架构体系，充分发挥云的弹性、敏捷、自动化优势。

1. 云边端协同架构

云端、边缘节点、终端设备分工协作，云端负责全局管理与复杂计算，边缘负责就近处理，终端负责数据采集与交互。

2. Serverless 容器架构

无服务器化的容器服务，用户只需定义容器应用，平台自动管理服务器资源，按需运行与计费。

3. 云原生 Serverless 函数架构

函数即服务（FaaS），代码以函数为单位，事件触发执行，完全无需管理服务器，按需计费。

七、大数据架构

面向海量数据的存储、计算、分析的架构体系。

1. Lambda 架构（批流融合）

同时部署批处理层与实时处理层，批处理保证数据准确性，实时处理保证低延迟，最终合并结果对外提供服务。

2. Kappa 架构（实时流优先）

以实时流处理为核心，所有数据都通过流处理引擎处理，移除批处理层，简化架构，用流处理覆盖批处理场景。

3. 数据湖 – 数据仓库融合架构（Lakehouse）

融合数据湖的低成本、多格式存储与数据仓库的结构化管理、高性能分析能力，兼顾灵活性与性能。

4. 实时数仓架构

面向实时数据分析场景，数据入库即可查询，支持秒级 / 亚秒级数据延迟。

5. 湖仓一体 + 数据中台融合架构

以湖仓一体为存储底座，结合数据中台的数据治理与服务能力，构建企业级统一数据平台。

八、区块链架构

基于区块链技术的分布式账本与可信计算架构体系。

1. 联盟链架构（许可链）

需授权才能加入的区块链网络，节点由多个机构共同维护，适合企业间的可信协作场景。

2. 公链节点分布式架构

完全开放的公有链，节点全球分布式部署，任何人可参与，去中心化程度高。

3. 跨链交互架构

实现不同区块链网络之间的资产转移、数据互通与协同，打破链与链之间的数据孤岛。

4. 区块链 + 智能合约架构

在区块链上部署可自动执行的智能合约，实现业务逻辑的自动化、可信执行。

5. 区块链 + 隐私计算架构

结合隐私计算技术，在保障数据隐私的前提下实现链上数据的计算与共享。

6. 区块链 + IPFS 分布式存储架构

结合 IPFS 分布式存储能力，实现链下文件的分布式存储与链上哈希存证。

九、物联网架构

围绕物联网设备接入、管理、协同设计的架构体系。

1. 设备接入架构

提供海量物联网设备的接入能力，支持 MQTT 等物联网协议，实现设备连接、鉴权与数据上报。

2. 物联网平台架构

统一管理海量设备，提供设备管理、数据存储、规则引擎、应用开发等一体化能力。

3. 设备协同架构

实现多个智能设备之间的联动控制、场景协同，支撑智能家居、工业物联网等场景。

十、空间架构

围绕地理空间、三维空间数据的存储、计算与服务设计的架构体系。

1. 地理空间架构

专门处理地理信息数据，支持空间索引、地图渲染、路径规划、地理计算等空间能力。

2. 三维空间服务架构

支撑三维空间建模、空间分析、可视化展示的服务架构，应用于数字城市、三维地图等场景。

十一、大模型架构

围绕大语言模型的部署、服务、协同优化设计的架构体系。

1. 大模型服务化架构（MaaS）

将大模型能力封装为标准化 API 服务，用户通过接口调用即可使用大模型能力，无需自行部署与运维。

2. 大模型部署优化架构

针对大模型部署的性能、成本、场景适配进行优化的架构。

• 微调 – 推理分离架构：微调训练与推理服务拆分部署，各自独立扩缩容，提升资源利用率。

• 微调 – 蒸馏融合架构：将大模型的知识蒸馏到小模型中，在效果损失可控的前提下大幅降低部署成本。

• 微调 – 量化融合架构：通过量化技术降低模型精度与体积，实现轻量化部署，适配边缘设备。

• 大模型多实例负载均衡架构：部署多个模型实例，通过负载均衡分发请求，提升系统并发处理能力。

• 大模型推理加速架构：通过推理引擎、硬件加速等技术，提升大模型推理速度，降低响应延迟。

3. 大模型协同与增强架构

通过多种技术增强大模型能力、拓展应用场景的架构。

• 多模态大模型融合架构：融合文本、图像、音频、视频等多种模态的理解与生成能力。

• AI Agent 协作架构：多个智能体分工协作，各自负责特定任务，共同完成复杂目标。

• 大模型知识库增强架构（RAG）：结合外部知识库，检索相关信息后再生成答案，提升回答准确性与时效性。

• 大模型多模态检索架构：支持文本、图像等多种模态的混合检索，匹配跨模态信息。

• 大模型向量数据库联动架构：将知识转化为向量存储在向量数据库中，通过向量相似度检索为大模型提供上下文。

• 大模型 API 网关架构：统一接入与管理多个大模型服务，实现路由调度、流量控制、统一鉴权等能力。

4. 端侧小模型边缘部署架构

将轻量化小模型部署在终端设备上，实现本地 AI 推理，无需联网，响应速度快且能保护数据隐私。

5. 大模型平台架构

面向企业内部的大模型全生命周期管理平台，提供模型微调、部署、监控、权限管理等一体化能力。

十二、元宇宙架构

支撑元宇宙虚拟空间构建、交互与运行的架构体系。

1. 虚拟场景渲染架构

负责三维虚拟场景的实时渲染、画质优化与性能调优，支撑沉浸式视觉体验。

2. 多用户实时交互架构

支持海量用户在同一场景内实时互动，保障位置同步、动作同步、语音交互等低延迟体验。

3. 数字孪生融合架构

将物理世界的实体、流程、状态精准映射到虚拟空间，实现虚实联动与数据互通。

十三、其他分类架构

1. 跨领域融合架构

将多个技术领域的架构范式融合，形成复合能力架构，适配复杂业务场景。

• 云 – 链融合架构：结合云计算的资源弹性与区块链的可信存证能力，提供区块链即服务。

• 大模型 + 微服务协同架构：大模型负责意图理解与自然语言交互，微服务负责执行业务逻辑，实现智能业务处理。

• 大数据 + AI 一体化架构：大数据平台负责数据处理与特征工程，AI 引擎负责模型训练与推理，形成完整的数据智能闭环。

• 插件化 + 微服务融合架构：以微服务为底层支撑，通过插件化实现业务能力的灵活扩展。

• 云边端 + AI 融合架构：云端负责模型训练与全局管理，边缘侧负责就近推理，终端负责数据采集，形成分层 AI 能力。

• 大模型 + 大数据融合分析架构：大模型负责解读分析结论，大数据提供数据支撑与计算，实现深度业务洞察。

• 区块链 + AI 可信推理架构：将 AI 推理过程上链存证，保障推理过程可追溯、可验证，提升 AI 可信度。

• 湖仓一体 + AI 实时分析架构：基于湖仓一体的数据底座，结合 AI 引擎实现实时数据分析与智能决策。

• 大模型 + RAG + 企业知识库融合架构：整合企业知识库、向量检索与大模型，构建企业级智能问答系统。

• IoT+AI 边缘智能融合架构：物联网设备采集数据，边缘侧 AI 本地分析处理，实现低延迟智能响应。

• 低代码 + 大模型协同架构：大模型辅助生成代码与配置，提升低代码平台的开发效率与复杂场景适配能力。

• 云原生 + 大模型协同部署架构：基于云原生技术栈部署大模型，实现弹性扩缩容、高可用与自动化运维。

• 数据网格 + AI 自治分析架构：各数据域自治管理数据并配套 AI 分析能力，同时实现全局数据协同与智能应用。

2. 部署运维架构

围绕系统部署、发布、运维、监控设计的架构体系，保障系统稳定运行与高效迭代。

3. 性能与可用性架构

针对系统性能优化、高可用保障设计的架构体系，提升系统响应速度与服务连续性。

4. 安全架构

围绕系统安全防护、数据安全、身份认证、风险管控设计的架构体系，保障系统与数据安全。