مقیاس‌پذیری

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به: ناوبری، جستجو

در علم ارتباطات راه دور و مهندسی نرم افزار مقیاس‌پذیری (به انگلیسی: Scalability)، ویژگی مطلوبی از یک سامانه(سیستم)، شبکه و یا فرایند است که به توانایی آن برای پاسخگویی به افزایش میزان بار کاری به سهولت دلالت می‌کند و یا میزان آمادگی سیستم را برای افزایش بار کاری نشان می دهد..[۱] به عنوان نمونه، مقیاس پذیری می‌تواند به توانایی یک سامانه برای افزایش عملکرد کلی در هنگام افزودن منابع(مثل سخت افزار) اشاره کند. هنگامی که این واژه در موضوعات مرتبط با کسب و کار بکار می رود نیز مفهوم مشابهی از آن برداشت می شود. مدل‌های کسب‌وکار مقیاس پذیر مدلهایی هستند که پتانسیل ایجاد رشد اقتصادی سازمان را دارند.

تعریف مقیاس پذیری به عنوان بک خصوصیت از سامانه (سیستم) به سادگی امکانپذیر نیست[۲] و در هر مورد خاصی با توجه به ابعاد مورد اهمیت در باید نیازمندیهای جدیدی را برای مقیاس پذیری تعریف کرد. نقش مقیاس‌پذیری در طرٌاحی و انجام سامانه‌های پیچیده و بزرگ همچون پایگاه‌های داده‌ها، پایگاه‌های دانش، محاسبات گسترده (distributed computing)، اینترنت، کاوش‌های ماشینی در داده‌ها، بینایی رایانه‌ای، و مخابرات بسیار حیاتی و عمده می‌شود. سامانه ای که با افزایش ظرفیت، کارایی آن افزایش می یابد یک سامانه مقیاس پذیر خوانده می شود. یک الگوریتم، طراحی، پروتکل، برنامه رایانه ای و یا هر سیستم دیگری مقیاس پذیر خوانده می‌شود اگر برای مقیاس‌های بزرگتر هم بتواند به طرز مناسب و عملی و کارا استفاده شود.

اندازه گیری مقیاس پذیری[ویرایش]

مقیاس پذیری را می توان در ابعاد گوناگونی اندازه گیری کرد.

  • مقیاس پذیری بار کاری (به انگلیسی: Load Scalability) : توانایی یک سامانه توزیع شده برای گسترش یا کوچکتر سازی مخزن منابعش برای پاسخگویی به بار کاری بیشتر ویا کمتر.
  • مقیاس پذیری جغرافیایی (به انگلیسی: Geographic Scalability) : توانایی حفظ کارایی، مفید بودن و فابلیت استفاده، بدون توجه به تمرکز یا پراکندگی و وسعت جغرافیایی
  • مقیاس پذیری اجرایی (به انگلیسی: Administrative Scalability) : توانایی افزایش تعداد سازمانهایی که یک سامانه توزیع یافته را به اشتراک می گذارند.
  • مقیاس پذیری کارکردی (به انگلیسی: Functional Scalability) : قابلیت ارتقای سیستم با افزایش یک یا چند کارکرد با کمترین زحمت.

مثال‌ها[ویرایش]

  • یک سامانه پردازش تراکنش برخط (به انگلیسی: Online Transaction Processing) مقیاس پذیر، سامانه ایست که بتواند با افزایش منابع (مانند پردازنده، فضای ذخیره سازی و...) تراکنش‌های بیشتری را پردازش کند و همچنین این ارتقا باید به سادگی و با کمترین هزینه و بدون متوقف ساختن سامانه امکانپذیر باشد.
  • یک پروتکل مسیریابی نسبت به اندازه شبکه مقیاس پذیر است اگر اندازه جدول مسیریابی هر گره به اندازه OLogN افزایش یابد که در آن N تعداد گره‌های شبکه است.
  • طبیعت توزیع یافته سامانه نام دامنه به آن امکان می دهد که حتی با وجود سرویس دهی به تمام ایستگاههای متصل به اینترنت، بدون افت کارایی به کار خود ادامه دهد وبنا براین سامانه ای مقیاس پذیر است.
  • برخی پیاده سازیهای همتا به همتا(به انگلیسی: Peer to Peer) اولیه از ناتلا (به انگلیسی: Gnutella) مشکل مقیاس پذیری داشتند. هر همتا(Peer) درخواست خود را به صورت پرس و جوی سیلابی به تمام همتاهای دیگر می فرستد ودر نتیجه با افزایش تعداد همتاها مبزان تقاضا در هر همتا افزایش می یافت و ظرفیت محدود همتاها به سرعت سرریز می شد.سایر سامانه‌های همتا به همتا مانند بیت‌تورنت به خوبی تغییر مقیاس می دهند زیرا میزان تقاضاهای هر همتا به تعداد کل همتاها بستگی ندارد.

تغییر مقیاس افقی و عمودی[ویرایش]

روشهای افزایش منابع برای یک کاربرد خاص در یکی از دسته‌های زیر قرار می گیرند:[۳]

تغییر مقیاس عمودی(Vertical Scaling)[ویرایش]

تغییر مقیاس عمودی که Scale up نیز گفته می شود، به معنی افزودن منابع به یک گره (Node) از سیستم - به طور نمونه ارتقای پردازنده یا رسانه ذخیره سازی در یک کامپیوتر- می باشد. افزایش بهره برداری از منابع نیز نوعی تغییر مقیاس عمودی است. به عنوان مثال می توان افزودن تعداد پروسه‌های در حال اجرای دمون (به انگلیسی: Daemon) های کارساز اچ‌تی‌تی‌پی آپاچی (به انگلیسی: Apache HTTP Server) را ذکر کرد.

تغییر مقیاس افقی(Horizontal Scaling)[ویرایش]

به تغییر مقیاس افقی که Scale out نیز گفته می شود، به معنی افزایش گره‌های بیشتر به سیستم است. به عنوان مثال می توان از افزایش تعداد وب سرورها از یک به سه عدد نام برد.

تغییر مقیاس قطری(Diagonal Scaling)[ویرایش]

به معنی تغییر مقیاس همزمان افقی و عمودی می باشد.

مقیاس پذیری پایگاه داده‌ها[ویرایش]

برای اینکه پایگاه داده‌ها بتواند بدون کاهش نرخ تراکنش بر ثانیه به اندازه‌های بسیار بزرگ افزایش بابند چندین دیدگاه مختلف مورد استفاده فرار می گیرد. اگرچه نمی توان نقش پیشرفتهای سخت افزاری در سرعت و ظرفیت رسانه‌های ذخیره سازی و پردازنده‌ها و شبکه را دست کم گرفت اما فرای آن شیوه‌های متعدد معماری نیز در پیاده سازی پایگاه داده‌های بسیار بزرگ استفاده شده اند. یکی از تکنیکهایی که در اغلب سیستم‌های مدیریت پایگاه داده‌ها استفاده می‌شود پارتیشن بندی جداول بزرگ بر اساس طیف مقادیر فیلدهای کلیدی است. در این شیوه می توان با افزایش سرورهای پایگاه داده‌ها به صورت افقی تغییر مقیاس داد. همچنین باپیدایش ریزپردازنده(به انگلیسی: Microprocessor)های 64 بیتی، پردازنده‌های چندهسته‌ای (به انگلیسی: Multi-Core CPUs) سیستم‌های بزرگ چند پردازنده ای متقارن (به انگلیسی: SMP Multiprocessor) فروشندگان سامانه‌های مدیریت پایگاه داده‌ها امکان این را می یابند که با استفاده از چندنخی (به انگلیسی: Multi-Threading) تغییر مقیاس عمودی بدهند. رسانه ذخیره سازی متصل به شبکه (به انگلیسی: Network-Attached Storage) و شبکه‌های ذخیره‌سازی (به انگلیسی: Storage Area Network) به همراه شبکه‌های برسرعت محلی و فناوری کانال فیبر دست به دست هم داده اند تا پیکربندیهای پایگاه داده‌ها و توان رایانش توزیع شده بزرگتر با پیوند ضعیف تر(Loosely Coupled) باشند. استاندارد پر طرفدار X/Open XA از یک ناظر تراکنش سراسری برای هماهنگی میان منابع پایگاه داده نیمه-خودمختار برای اجرای تراکنشهای توزیع شده بهره می برد.ORacle RAC برای تحقق مقیاس پذیری از مدل متفاوتی بر پایه معماری "همه چیز مشترک" استفاده می‌کند که تکیه بر اتصالات پرسرعت بین سرورها دارد. در حالیکه فروشندکان سامانه‌های مدیریت پایگاه داده(DBMS)، هریک از مزایای تسبی طراحی‌های خود سخن می گویند، گروهی از شرکت‌ها و پژوهشگران محدودیت‌های ذاتی سامانه مدیریت پایگاه داده رابطه ای را مورد پرسش قرار می دهند.مثلا GigaSpaces، ادعا می کند که برای رسیدن به بالاترین حد کارایی و مقیاس پذیری به مدلی کاملا متفاوت برای دسترسی به داده های توزیع شده و پردازش تراکنش ها به نام معماری فضاپایه(به انگلیسی: Space Based Architecture) نیاز است.[۴] از سوی دیگر شرکت بیس وان (به انگلیسی: Base One) نمونه ای از رسیدن به حداکثر مقیاس پذیری بدون فاصله گرفتن از مسیر اصلی فناوریهای پایگاه داده‌ها را نشان می دهد.[۵] در هردوحالت هیچ پایانی بر محدودیت‌های پایگاه داده‌ها در زمینه مقیاس پذیری به چشم نمی خورد.

طراحی برای مقیاس پذیری[ویرایش]

اغلب توصیه می‌شود که در طراحی سامانه‌ها تمرکز اصلی بر مقیاس پذیری باشد تا ظرفیت. معمولاً افزودن یک گره اضافی به سامانه برای افزایش کارایی ارزانتر از اقدام به تنظیم کارایی تک تک گره‌ها برای افزایش کارایی کلی سامانه می باشد. اما این شیوه الزاما بهینه نیست.(مطابق آنچه که در مهندسی کارایی بحث می شود) مثال : فرض کنید که سرعت اجرای بخشی از یک برنامه اگر به صورت موازی بر روی چهار پردازنده اجرا شود تا 70% افزایش می یابد. اگر\alpha کسری از محاسبات باشد که به صورت سری اجرا می شوند، آنگاه 1-\alpha کسری از محاسبات خواهد بود که می تواند به صورت موازی اجرا شود. در این صورت حداکثر افزایش سرعتی که در اجرای برنامه با استفاده از P پردازنده را می توان با استفاده از قانون امدال(به انگلیسی: Amdahl's law) بدست آورد: \frac{1}{\alpha+\frac{1-\alpha}{P}}. با جایگزینی مقادیر در این مثال عدد \frac{1}{0.3+\frac{1-0.3}{4}} = 2.105 حاصل می شود. اگر قدرت محاسبه با افزایش تعداد پردازنده‌ها به 8 دو برابر شود، عدد \frac{1}{0.3+\frac{1-0.3}{8}} = 2.581 حاصل می شود.با دوبرابر شدن فدرت پردازش، سرعت اجرا تنها به میزان یک-پنجم افزایش می یابد.این بدین معنی است که افزودن سخت افزار لزوما شیوه بهینه ای نیست. البته اگر کل برنامه قابل موازی سازی بود انتظار می رفت که سرعت نیز دو برابر گردد.

مقیاس پذیری در رایانش ابری[ویرایش]

رایانش ابری با بهره گیری از فناوری مجازی سازی گام بزرگی در جهت مقیاس پذیری برداشته است. رایانش ابری امکان مقیاس پذیری قطری (افقی + عمودی) را فراهم می سازد. بدین صورت که مجازی سازی سیستم‌عامل، مقیاس پذیری عمودی و مجازی سازی زیرساخت(Infrastructure)، مقیاس پذیری افقی را به همراه دارند. هزینه اجاره هزار سرور به مدت یک ساعت برابر با هزینه اجاره یک سرور به مدت هزار ساعت است.[۶]

تغییر مقیاس قوی و ضعیف[ویرایش]

در مبحث رایانش کارآمد(به انگلیسی: High-performance computing) دو مفهوم رایج برای مقیاس پذیری وجود دارد.اولی مقیاس پذیری قوی است که به چگونگی تغییرات در زمان حل مسئله نسبت به تغییرات در تعداد پردازنده‌ها وقتی که حجم کل مسئله ثابت است، می پردازد.[۷] دومین مفهوم مقیاس پذیری ضعیف است که به بررسی چگونگی تغییرات در زمان حل مسئله نسبت تغییرات تعداد پردازنده‌ها وقتی کهحجم مسئله برای هر پردازنده ثابت است، می پردازد.

جستارهای وابسته[ویرایش]

پیوند به بیرون[ویرایش]

در پروژه‌های خواهر می‌توانید در مورد Scalability اطلاعات بیشتری پیدا کنید.


Search Wiktionary در میان واژه‌ها از ویکی‌واژه
Search Wikibooks در میان کتاب‌ها از ویکی‌کتاب
Search Wikiquote در میان گفتاوردها از ویکی‌گفتاورد
Search Wikisource در میان متون از ویکی‌نبشته
Search Commons در میان تصویرها و رسانه‌ها از ویکی‌انبار
Search Wikinews در میان خبرها از ویکی‌خبر

منابع[ویرایش]

  1. André B. Bondi, 'Characteristics of scalability and their impact on performance', Proceedings of the 2nd international workshop on Software and performance, Ottawa, Ontario, Canada, 2000, ISBN 1-58113-195-X, pages 195 - 203
  2. See for instance, Mark D. Hill, 'What is scalability?' in ACM SIGARCH Computer Architecture News, December 1990, Volume 18 Issue 4, pages 18-21, (ISSN 0163-5964) and Leticia Duboc, David S. Rosenblum, Tony Wicks, 'Doctoral symposium: presentations: A framework for modelling and analysis of software systems scalability' in Proceeding of the 28th international conference on Software engineering ICSE '06, May 2006. ISBN 1-59593-375-1, pages 949 - 952
  3. Michael, M.; J.E. Moreira, D. Shiloach, R.W. Wisniewski (March 26, 2007). "Scale-up x Scale-out: A Case Study using Nutch/Lucene". Parallel and Distributed Processing Symposium, 2007. IPDPS 2007.. IEEE International. Retrieved 2008-01-10. 
  4. GigaSpaces. "Space-Based Architecture and The End of Tier-based Computing", 2006. Retrieved on May 23, 2007.
  5. Base One. "Database Scalability - Dispelling myths about the limits of database-centric architecture", 2007. Retrieved on May 23, 2007.
  6. پرداخت بر پایه مصرف در رایانش ابری برای دستیابی به مقیاس پذیری بر مبنای تقاضا http://www.ogf.org/OGF25/materials/1500/AvnerAlgomIGT-OGF25.pdf
  7. The Weak Scaling of DL_POLY 3