Масштабируемость в распределенных in-memory системах

День 1 /  / Зал 3  /  RU / Для практикующих инженеров

Фреймворки для распределенных in-memory вычислений, такие как Apache Ignite, полагаются на горизонтальное масштабирование. Больше машин в кластере - больше профит. Добавил вторую железку, и стал в два раза быстрее? Добавил еще десять, и ускорился на порядок? Всегда ли это так? За что отвечает фреймворк, а за что должен отвечать разработчик? Мы познакомимся с внутренними компонентами Apache Ignite, отвечающими за параллелизм и масштабирование, и рассмотрим наиболее важные компромиссы и противоречия, возникающие при проектировании приложений на основе in-memory систем:

  • Преимущества и недостатки различных техник шардирования
  • Shared-nothing архитектура против "классической" многопоточности
  • Алгоритмы синхронизации в распределенных системах
  • Асинхронность как способ повышения утилизации ресурсов
  • Особенности выполнения блокирующих и продолжительных задач в кластере.
Владимир Озеров
GridGain Systems

Архитектор компании GridGain. Комитер и PMC member OSS-проекта Apache Ignite. Занимается вопросами распределенных вычислений, кэширования и репликации, интеграцией с .NET/C++, разработкой модулей для экосистемы Hadoop.

Наши контакты