مقیاسپذیری افقی، ماشینهای بیشتری را برای توزیع حجم کار اضافه میکند، در حالی که مقیاسپذیری عمودی، قدرت سرورهای موجود را افزایش میدهد. هر دو رویکرد، تنگناهای عملکرد را حل میکنند، اما اساساً در معماری، الگوهای هزینه و پیچیدگی عملیاتی متفاوت هستند.
اضافه کردن سرورها یا نمونههای بیشتر برای مدیریت تقاضای افزایش یافته و توزیع حجم کار.
ارتقاء منابع سرور موجود مانند CPU، RAM یا فضای ذخیرهسازی برای افزایش کارایی.
| ویژگی | مقیاسبندی افقی | مقیاسبندی عمودی |
|---|---|---|
| معماری | توزیعشده در گرههای متعدد | دستگاه قدرتمند تک |
| حداکثر ظرفیت | تقریباً نامحدود با گرههای کافی | محدود به سقف سخت افزاری |
| خرابی در طول مقیاس پذیری | معمولاً بدون خرابی | اغلب نیاز به راه اندازی مجدد یا مهاجرت دارد |
| الگوی هزینه | پرداخت به ازای هر نمونه، به صورت خطی رشد میکند | افزایش زیاد هزینههای اولیه یا پلکانی |
| پیچیدگی | بالاتر، نیاز به متعادلسازی بار و طراحی توزیعشده دارد | پایینتر، پیادهسازی سادهتر |
| تحمل خطا | افزونگی داخلی | نقطه شکست منفرد |
| مورد استفاده معمول | برنامههای کاربردی وب، میکروسرویسها | پایگاههای داده، مونولیتهای قدیمی |
وقتی ترافیک افزایش مییابد، مقیاسپذیری افقی با راهاندازی سرورهای اضافی برای تقسیم بار، واکنش نشان میدهد. این را مانند باز کردن صفهای صندوق بیشتر در یک فروشگاه مواد غذایی در نظر بگیرید. در مقابل، مقیاسپذیری عمودی، صندوقدار شما را با صندوقدار سریعتری جایگزین میکند یا صندوق آنها را ارتقا میدهد. هر دو، توان عملیاتی بیشتری به دست میآورند، اما سازوکار عملیاتی آنها به طور قابل توجهی متفاوت است.
مقیاسپذیری افقی مستلزم آن است که برنامهها با در نظر گرفتن توزیعپذیری ساخته شوند. دادههای جلسه نمیتوانند روی یک سرور باشند و درخواستها باید به طور مستقل مدیریت شوند. مقیاسپذیری عمودی نسبت به معماریهای قدیمی بسیار بخشندهتر است. یک برنامه سه لایه سنتی اغلب برای بهرهمندی از یک سرور زیربنایی قدرتمندتر نیازی به تغییر کد ندارد.
مقیاسپذیری افقی، هزینهها را در خریدهای کوچکتر پخش میکند که میتواند بودجهبندی را تسهیل کند، اما ممکن است در مقیاس بزرگ، هزینههای کل را افزایش دهد. مقیاسپذیری عمودی، سرمایهگذاری را در تعداد کمتری از ماشینهای گرانتر متمرکز میکند. در نیازهای عملکردی بسیار بالا، یک سرور رده بالا میتواند در واقع مقرونبهصرفهتر از هماهنگی صدها سرور کوچک باشد.
یکی از مزایای مقیاسپذیری افقی، تحملپذیری خطای طبیعی است. اگر یک گره از کار بیفتد، گرههای دیگر به ارائه درخواستها ادامه میدهند. مقیاسپذیری عمودی وابستگی شدیدی به یک دستگاه ایجاد میکند. وقتی آن دستگاه از کار میافتد، همه چیز متوقف میشود، مگر اینکه یک سیستم آماده به کار گرانقیمت پیادهسازی کرده باشید.
سازمانهای پیشرفته به ندرت منحصراً انتخاب میکنند. آنها ممکن است یک پایگاه داده اصلی را به صورت عمودی مقیاسبندی کنند در حالی که سرورهای وب بدون وضعیت را به صورت افقی مقیاسبندی میکنند. این ترکیب عملی به هر جزء اجازه میدهد از مدل مقیاسبندی متناسب با محدودیتها و الگوهای دسترسی خود استفاده کند.
مقیاسپذیری عمودی همیشه ارزانتر است زیرا دستگاههای کمتری میخرید.
در حالی که لیست فاکتور کوتاهتر است، سرورهای سطح سازمانی هزینههای گزافی دارند. در مقیاس بزرگ، صدها نمونه کوچک میتوانند از یک ابررایانه عملکرد بهتری داشته باشند و قیمت کمتری داشته باشند. محاسبه واقعی به الگوهای بار کاری خاص شما و میزان کارایی استفاده از هر منبع بستگی دارد.
مقیاسپذیری افقی به این معنی است که برنامه شما به طور خودکار قابل اعتمادتر میشود.
توزیع تنها در صورتی قابلیت اطمینان را بهبود میبخشد که به درستی طراحی شده باشد. یک سیستم با مقیاس افقی ضعیف با معماری ضعیف میتواند به طور فاجعهباری شکست بخورد اگر همه گرهها یک گلوگاه پایگاه داده واحد را به اشتراک بگذارند یا اگر خود متعادلکننده بار به یک آسیبپذیری تبدیل شود.
شما باید یک رویکرد را انتخاب کنید و برای همیشه به آن پایبند باشید.
اکثر محیطهای تولید، هر دو استراتژی را به صورت پویا ترکیب میکنند. اجزای بدون وضعیت (Stateless) به صورت افقی مقیاسپذیر میشوند در حالی که مخازن داده پایدار (Persistent Data Stores) ممکن است به صورت عمودی مقیاسپذیر شوند تا زمانی که تقسیمبندی (sharding) ضروری شود. با تکامل سیستمها، مرز تغییر میکند.
مقیاسپذیری عمودی در عصر ابر منسوخ شده است.
ارائه دهندگان خدمات ابری به شدت مقیاس پذیری افقی را ترویج میدهند، اما مقیاس پذیری عمودی همچنان ضروری است. بسیاری از سرویسهای پایگاه داده مدیریت شده هنوز قبل از مقیاس پذیری، مقیاس پذیری خود را افزایش میدهند و برخی از بارهای کاری محاسباتی، صرفاً به دلیل سربار ارتباطی، در نمونههای کمتر و قدرتمندتر، عملکرد بهتری دارند.
مقیاسپذیری افقی تمام مشکلات عملکرد را فوراً حل میکند.
اضافه کردن سرورها تنها در صورتی مفید است که گلوگاه شما ظرفیت محاسباتی باشد. اگر برنامه شما به دلیل پرسوجوهای ناکارآمد، نشت حافظه یا عملیات مسدودکننده کند است، سرورهای بیشتر فقط مشکلات شما را چند برابر میکنند. پروفایلبندی و بهینهسازی باید قبل از تصمیمگیری در مورد مقیاسبندی انجام شود.
هنگام ساخت برنامههای مدرن و بومی ابری که نیاز به رشد الاستیک و دسترسیپذیری بالا دارند، مقیاسپذیری افقی را انتخاب کنید. هنگام برخورد با سیستمهای قدیمی، بارهای کاری پیچیده و دارای وضعیت مانند پایگاههای داده سنتی یا زمانی که سادگی بر نیاز به مقیاسپذیری نامحدود غلبه میکند، مقیاسپذیری عمودی را انتخاب کنید. اکثر معماریهای بالغ در نهایت هر دو رویکرد را با هم ترکیب میکنند.
این مقایسه به بررسی خدمات وب آمازون و گوگل کلود میپردازد و با تحلیل پیشنهادات خدماتی، مدلهای قیمتگذاری، زیرساخت جهانی، عملکرد، تجربه توسعهدهندگان و موارد استفاده ایدهآل، به سازمانها کمک میکند تا پلتفرم ابری را انتخاب کنند که بهترین تطابق را با نیازهای فنی و تجاری آنها داشته باشد.
محاسبات لبهای یادگیری ماشینی (ML) استنتاج را مستقیماً روی دستگاههای محلی اجرا میکند و تأخیر و استفاده از پهنای باند را کاهش میدهد، در حالی که آموزش یادگیری ماشینی مبتنی بر ابر، از سرورهای قدرتمند از راه دور برای ساخت و اصلاح مدلهای عظیم استفاده میکند. هر رویکرد متناسب با مراحل مختلف چرخه عمر یادگیری ماشینی و تقاضاهای عملیاتی مختلف است.
استراتژیهای ذخیرهسازی در سیستمهای یادگیری ماشین، خروجیهای مدل از پیش محاسبهشده یا دادههای میانی را برای تسریع پرسوجوهای مکرر ذخیره میکنند، در حالی که محاسبات بر اساس تقاضا، هر بار نتایج تازهای تولید میکنند و سرعت را فدای سادگی و سربار ذخیرهسازی کمتر میکنند.
اشکالزدایی سیستمهای توزیعشده، به بررسی خرابیها در چندین ماشین و سرویس شبکهای میپردازد، در حالی که اشکالزدایی سیستم محلی بر مشکلات درون یک ماشین یا برنامه واحد تمرکز دارد. هر رویکرد، ابزارها، مدلهای ذهنی و استراتژیهای متفاوتی را برای جداسازی و حل مؤثر مشکلات میطلبد.
برنامهریزی زیرساخت بلاکچین بر طراحی شبکههای غیرمتمرکز و توزیعشده با دفترکلهای تغییرناپذیر و سازوکارهای اجماع تمرکز دارد، در حالی که برنامهریزی زیرساخت ابری بر ساخت منابع محاسباتی مقیاسپذیر و بر اساس تقاضا از طریق ارائهدهندگان متمرکز مانند AWS، Azure و Google Cloud متمرکز است.
