डिस्ट्रिब्यूटेड कंप्यूटिंग कई इंटरकनेक्टेड मशीनों में वर्कलोड फैलाता है, जबकि सेंट्रलाइज़्ड डेटा सेंटर प्रोसेसिंग पावर को एक ही फिजिकल फैसिलिटी में कंसंट्रेट करते हैं। दोनों तरीके मॉडर्न क्लाउड सर्विसेज़ को पावर देते हैं, लेकिन वे स्केलेबिलिटी, फॉल्ट टॉलरेंस और कॉस्ट स्ट्रक्चर में बहुत अलग हैं।
एक मॉडल जिसमें प्रोसेसिंग के काम कई आपस में जुड़े कंप्यूटरों में बंटे होते हैं जो एक यूनिफाइड सिस्टम के तौर पर एक साथ काम करते हैं।
एक पारंपरिक इंफ्रास्ट्रक्चर मॉडल जहां सभी कंप्यूटिंग रिसोर्स एक ही, डेडिकेटेड फैसिलिटी में रखे जाते हैं।
| विशेषता | वितरित कंप्यूटिंग | केंद्रीकृत डेटा केंद्र |
|---|---|---|
| वास्तुकला | विभिन्न स्थानों पर अनेक नोड्स | एकल सुविधा या परिसर |
| अनुमापकता | हॉरिजॉन्टल, कहीं भी नोड जोड़ें | ऊर्ध्वाधर, सुविधा क्षमता का विस्तार करें |
| दोष सहिष्णुता | उच्च, विफलता का कोई एकल बिंदु नहीं | कम, रिडंडेंसी डिज़ाइन पर निर्भर करता है |
| विलंब | वेरिएबल, नोड प्रॉक्सिमिटी पर निर्भर करता है | सुविधा के भीतर सुसंगत |
| प्रबंधन जटिलता | हायर, ऑर्केस्ट्रेशन टूल्स की ज़रूरत है | निचला, केंद्रीकृत प्रशासन |
| सुरक्षा मॉडल | वितरित विश्वास और एन्क्रिप्शन | भौतिक परिधि और प्रवेश नियंत्रण |
| विशिष्ट उपयोग के मामले | बिग डेटा, ब्लॉकचेन, एज कंप्यूटिंग | एंटरप्राइज़ ऐप्स, क्लाउड होस्टिंग, SaaS |
| लागत संरचना | कम हार्डवेयर लागत, बेहतर नेटवर्किंग | ज़्यादा फ़ैसिलिटी लागत, पहले से तय ऑपरेशन |
डिस्ट्रिब्यूटेड कंप्यूटिंग प्रोसेसिंग को कई मशीनों में फैला देती है जो अलग-अलग शहरों, देशों या कॉन्टिनेंट में भी हो सकती हैं। ये नोड्स स्टैंडर्ड नेटवर्क प्रोटोकॉल के ज़रिए कम्युनिकेट करते हैं और कंसेंसस एल्गोरिदम या मास्टर-वर्कर पैटर्न के ज़रिए काम को कोऑर्डिनेट करते हैं। सेंट्रलाइज़्ड डेटा सेंटर इसका उल्टा तरीका अपनाते हैं, जिसमें हज़ारों सर्वर को एक बिल्डिंग में सावधानी से कंट्रोल की गई कूलिंग, पावर और कनेक्टिविटी के साथ पैक किया जाता है। फिजिकल कंसंट्रेशन हार्डवेयर मेंटेनेंस को आसान बनाता है लेकिन एक सिंगल ज्योग्राफिक डिपेंडेंसी बनाता है।
जब डिमांड बढ़ती है, तो डिस्ट्रिब्यूटेड सिस्टम क्लस्टर में और नोड जोड़ सकते हैं, अक्सर अलग-अलग इलाकों में ताकि यूज़र्स को उनके करीब सर्विस मिल सके। यह हॉरिजॉन्टल स्केलिंग बड़े स्केल पर ज़्यादा फ्लेक्सिबल और कॉस्ट-इफेक्टिव होती है। सेंट्रलाइज़्ड फैसिलिटीज़ ज़्यादा सर्वर, रैक जोड़कर या नए विंग बनाकर वर्टिकली स्केल करती हैं, जिसके लिए काफी कैपिटल इन्वेस्टमेंट और लीड टाइम की ज़रूरत होती है। क्लाउड प्रोवाइडर अक्सर दोनों मॉडल को मिलाते हैं, सेंट्रलाइज़्ड हाइपरस्केल कैंपस का इस्तेमाल करते हैं जो अंदर से डिस्ट्रिब्यूटेड सॉफ्टवेयर आर्किटेक्चर पर निर्भर होते हैं।
डिस्ट्रिब्यूटेड सिस्टम अपने आप में ज़्यादा मज़बूत होते हैं क्योंकि एक नोड के फेल होने से पूरा नेटवर्क शायद ही कभी ठप होता है। Google के सर्च इंफ्रास्ट्रक्चर या Amazon के DynamoDB जैसी सर्विसेज़ को इस तरह से डिज़ाइन किया गया है कि वे अलग-अलग मशीनों के क्रैश होने पर भी चलती रहें। सेंट्रलाइज़्ड डेटा सेंटर रिडंडेंट पावर सप्लाई, बैकअप जनरेटर और फेलओवर क्लस्टर के ज़रिए वैसी ही रिलायबिलिटी पा सकते हैं, लेकिन प्राइमरी साइट पर आग या बाढ़ जैसी कोई बड़ी घटना भी बड़े आउटेज का कारण बन सकती है। AWS में 2017 के S3 आउटेज ने दिखाया कि कैसे एक अकेली फैसिलिटी की समस्या अनगिनत सर्विसेज़ पर असर डाल सकती है।
सेंट्रलाइज़्ड डेटा सेंटर आम तौर पर एक ही इलाके से कनेक्ट होने वाले यूज़र्स के लिए बहुत एक जैसी लेटेंसी देते हैं, क्योंकि सभी सर्वर एक ही लोकल नेटवर्क शेयर करते हैं। डिस्ट्रिब्यूटेड सिस्टम कभी-कभी अलग-अलग लेटेंसी ला सकते हैं क्योंकि नोड्स को ज़्यादा दूरी तक कम्युनिकेट करना होता है, हालांकि एज कंप्यूटिंग वेरिएंट असल में कंप्यूट को एंड यूज़र्स के करीब रखकर लेटेंसी कम करते हैं। हाई-फ़्रीक्वेंसी ट्रेडिंग या रियल-टाइम वीडियो प्रोसेसिंग जैसे वर्कलोड के लिए, कंप्यूट रिसोर्स की ज्योग्राफ़िकल प्लेसमेंट बहुत मायने रखती है, यही वजह है कि कंटेंट डिलीवरी नेटवर्क दोनों तरीकों को मिलाते हैं।
सेंट्रलाइज़्ड फ़ैसिलिटी चलाने में बड़े फ़िक्स्ड खर्च होते हैं: रियल एस्टेट, कूलिंग सिस्टम, फ़िज़िकल सिक्योरिटी और डेडिकेटेड पावर इंफ़्रास्ट्रक्चर। इन खर्चों का अंदाज़ा लगाया जा सकता है, लेकिन इनके लिए काफ़ी पहले से कैपिटल की ज़रूरत होती है। डिस्ट्रिब्यूटेड कंप्यूटिंग खर्च को नेटवर्किंग, ऑर्केस्ट्रेशन सॉफ़्टवेयर और नोड्स के बीच लगातार कोऑर्डिनेशन की ओर ले जाती है। जिन ऑर्गनाइज़ेशन के पास डेटा सेंटर बनाने का बजट नहीं है, उनके लिए AWS या Azure जैसे प्रोवाइडर से डिस्ट्रिब्यूटेड क्लाउड रिसोर्स किराए पर लेना अक्सर अपनी सेंट्रलाइज़्ड फ़ैसिलिटी बनाने से ज़्यादा सस्ता साबित होता है।
सेंट्रलाइज़्ड डेटा सेंटर कम्प्लायंस ऑडिट को आसान बनाते हैं क्योंकि सेंसिटिव डेटा एक जानी-पहचानी जगह पर कंट्रोल्ड फिजिकल एक्सेस के साथ रहता है। बैंकिंग और हेल्थकेयर जैसी रेगुलेटेड इंडस्ट्री अक्सर इसी वजह से इस मॉडल को पसंद करती हैं। डिस्ट्रिब्यूटेड सिस्टम कम्प्लायंस को मुश्किल बनाते हैं क्योंकि डेटा कई ज्यूरिस्डिक्शन में हो सकता है, और हर एक के प्राइवेसी कानून अलग-अलग होते हैं। हालांकि, डिस्ट्रिब्यूटेड आर्किटेक्चर कुछ हमलों के खिलाफ सिक्योरिटी को बेहतर बना सकते हैं, क्योंकि एक नोड से कॉम्प्रोमाइज़ करने से पूरा सिस्टम एक्सपोज़ नहीं होता है। मॉडर्न एन्क्रिप्शन और ज़ीरो-ट्रस्ट फ्रेमवर्क इन दोनों तरीकों के बीच के गैप को भरने में मदद करते हैं।
डिस्ट्रिब्यूटेड कंप्यूटिंग का मतलब हमेशा ब्लॉकचेन या क्रिप्टोकरेंसी होता है।
डिस्ट्रिब्यूटेड कंप्यूटिंग एक बड़ा फील्ड है जो ब्लॉकचेन से दशकों पहले का है। इसमें क्लस्टर कंप्यूटिंग, ग्रिड कंप्यूटिंग, माइक्रोसर्विस और कंटेंट डिलीवरी नेटवर्क शामिल हैं। ब्लॉकचेन डिस्ट्रिब्यूटेड प्रिंसिपल्स का सिर्फ़ एक खास एप्लीकेशन है, जो बिना किसी सेंट्रल अथॉरिटी के आम सहमति पर फोकस करता है।
क्लाउड के ज़माने में सेंट्रलाइज़्ड डेटा सेंटर पुराने हो गए हैं।
सेंट्रलाइज़्ड फैसिलिटीज़ बहुत एक्टिव हैं और हर बड़े क्लाउड प्रोवाइडर की बैकबोन हैं। AWS, Microsoft Azure, और Google Cloud सभी बड़े सेंट्रलाइज़्ड कैंपस चलाते हैं जिनमें लाखों सर्वर हैं। क्लाउड असल में सेंट्रलाइज़्ड इंफ्रास्ट्रक्चर है जिसे डिस्ट्रिब्यूटेड एप्लिकेशन्स को किराए पर दिया जाता है।
डिस्ट्रिब्यूटेड सिस्टम हमेशा सेंट्रलाइज़्ड सिस्टम से सस्ते होते हैं।
लागत काफी हद तक स्केल और वर्कलोड पर निर्भर करती है। नेटवर्किंग और ऑर्केस्ट्रेशन ओवरहेड के कारण छोटे डिप्लॉयमेंट को डिस्ट्रिब्यूटेड चलाने में अक्सर ज़्यादा लागत आती है। सेंट्रलाइज़्ड फैसिलिटीज़ अनुमानित, स्थिर वर्कलोड के लिए ज़्यादा किफायती हो सकती हैं, जबकि डिस्ट्रिब्यूटेड सेटअप तेज़ी से बढ़ती, ग्लोबल डिमांड के लिए अच्छे होते हैं।
सेंट्रलाइज़्ड डेटा सेंटर डिस्ट्रिब्यूटेड सिस्टम की रिलायबिलिटी का मुकाबला नहीं कर सकते।
मॉडर्न सेंट्रलाइज़्ड फैसिलिटीज़ पावर, कूलिंग और नेटवर्किंग में N+1 या 2N रिडंडेंसी के ज़रिए शानदार अपटाइम पाती हैं। टियर IV डेटा सेंटर 99.995% अवेलेबिलिटी की गारंटी देते हैं, जो कई डिस्ट्रिब्यूटेड डिप्लॉयमेंट को टक्कर देता है या उनसे बेहतर है। रिलायबिलिटी सिर्फ़ आर्किटेक्चर पर नहीं, बल्कि इंजीनियरिंग इन्वेस्टमेंट पर निर्भर करती है।
डिस्ट्रिब्यूटेड कंप्यूटिंग का मतलब है नेटवर्क ओवरहेड के कारण धीमी परफॉर्मेंस।
अच्छी तरह से डिज़ाइन किए गए डिस्ट्रिब्यूटेड सिस्टम अक्सर ग्लोबल यूज़र्स के लिए सेंट्रलाइज़्ड सिस्टम से बेहतर परफॉर्म करते हैं क्योंकि वे कंप्यूट को उस जगह के करीब रखते हैं जहाँ से रिक्वेस्ट शुरू होती हैं। कैशिंग, डेटा पार्टीशनिंग और एज कंप्यूटिंग जैसी टेक्नीक, डिस्ट्रिब्यूटेड आर्किटेक्चर को दुनिया भर के ट्रैफिक को सर्विस देने वाली सिंगल सेंट्रलाइज़्ड फैसिलिटी से ज़्यादा तेज़ बना सकती हैं।
जब आपको बड़े हॉरिजॉन्टल स्केलेबिलिटी, ज्योग्राफिक रिडंडेंसी की ज़रूरत हो, या आप बिग डेटा एनालिटिक्स और ब्लॉकचेन जैसे वर्कलोड चला रहे हों जो स्वाभाविक रूप से एक डीसेंट्रलाइज़्ड मॉडल में फिट होते हैं, तो डिस्ट्रिब्यूटेड कंप्यूटिंग चुनें। जब आपको टाइट फिजिकल कंट्रोल, प्रेडिक्टेबल परफॉर्मेंस, आसान कम्प्लायंस, और सब कुछ एक ही छत के नीचे मैनेज करने की ऑपरेशनल एफिशिएंसी की ज़रूरत हो, तो सेंट्रलाइज़्ड डेटा सेंटर चुनें। आजकल कई ऑर्गनाइज़ेशन दोनों को मिलाते हैं, सेंट्रलाइज़्ड हाइपरस्केल क्लाउड का इस्तेमाल करते हैं जो अंदर से डिस्ट्रिब्यूटेड सॉफ्टवेयर पैटर्न पर निर्भर करते हैं।
AI ऑर्केस्ट्रेशन सिस्टम एक यूनिफाइड फ्रेमवर्क के ज़रिए कई मॉडल, टूल और डेटा पाइपलाइन को कोऑर्डिनेट करते हैं, जबकि स्टैंडअलोन मॉडल इस्तेमाल में हर काम के लिए सीधे एक ही AI मॉडल को कॉल करना शामिल है। ऑर्गनाइज़ेशन आमतौर पर कॉम्प्लेक्सिटी, स्केल और मल्टी-स्टेप ऑटोमेशन की ज़रूरत के आधार पर इन तरीकों में से चुनते हैं।
ML इंफ्रास्ट्रक्चर ऑप्टिमाइज़ेशन उन सिस्टम, हार्डवेयर और पाइपलाइन को बेहतर बनाने पर फोकस करता है जो मॉडल को ट्रेन और सर्व करते हैं, जबकि मॉडल आर्किटेक्चर इनोवेशन नए न्यूरल नेटवर्क स्ट्रक्चर डिज़ाइन करने पर फोकस करता है जो सीखने की एफिशिएंसी और कैपेबिलिटी को बेहतर बनाते हैं। दोनों ही मॉडर्न AI डेवलपमेंट के ज़रूरी पिलर हैं, लेकिन वे प्रोग्रेस को बिल्कुल अलग एंगल से देखते हैं।
मशीन लर्निंग वर्कलोड के लिए बनाए गए सर्विस मेश, बारीक ट्रैफिक मैनेजमेंट के साथ डायनामिक, हाई-वॉल्यूम इंफरेंस ट्रैफिक को हैंडल करते हैं, जबकि ट्रेडिशनल API गेटवे स्टैंडर्ड माइक्रोसर्विस के लिए रिक्वेस्ट रूटिंग, ऑथेंटिकेशन और रेट लिमिटिंग पर फोकस करते हैं। इनमें से चुनना इस बात पर निर्भर करता है कि आपकी मुख्य चिंता ML-स्पेसिफिक ऑब्जर्वेबिलिटी और मॉडल वर्जनिंग है या जनरल-पर्पस API ऑर्केस्ट्रेशन।
ML सिस्टम में कैशिंग स्ट्रेटेजी बार-बार की जाने वाली क्वेरी को तेज़ करने के लिए पहले से कम्प्यूट किए गए मॉडल आउटपुट या इंटरमीडिएट डेटा को स्टोर करती हैं, जबकि ऑन-डिमांड कम्प्यूटेशन हर बार नए नतीजे देता है, जिससे स्पीड के बदले आसानी और कम स्टोरेज ओवरहेड मिलता है।
नेटवर्क एफिशिएंसी इस बात पर फोकस करती है कि डिस्ट्रिब्यूटेड ट्रेनिंग के दौरान GPU, सर्वर और स्टोरेज के बीच डेटा कितनी तेज़ी से मूव होता है, जबकि कंप्यूट एफिशिएंसी यह मापती है कि GPU और TPU जैसे हार्डवेयर रिसोर्स असल मैथमेटिकल ऑपरेशन कितने असरदार तरीके से करते हैं। दोनों मॉडर्न AI वर्कलोड को स्केल करने के लिए ज़रूरी हैं, लेकिन वे मशीन लर्निंग इंफ्रास्ट्रक्चर में असल में अलग-अलग रुकावटों को ठीक करते हैं।
