Kullanıcı kimliğine göre veri bölümleme, öngörülebilir erişim modelleri için kayıtları benzersiz kullanıcı tanımlayıcılarına göre dağıtırken, coğrafi konum bölümleme ise gecikmeyi en aza indirmek ve veri egemenliği yasalarına uymak için verileri bölgeye göre bölümlere ayırır. Her iki strateji de ölçeklendirme zorluklarını çözer ancak temelde farklı öncelikleri optimize eder.
Verileri, dağıtım anahtarı olarak benzersiz kullanıcı tanımlayıcılarını kullanarak parçalara ayırır.
Verileri fiziksel konum veya yakınlığa göre bölgesel parçalara dağıtır.
| Özellik | Kullanıcı Kimliğine Göre Veri Parçalama | Coğrafi Konuma Göre Parçalama |
|---|---|---|
| Birincil Dağıtım Anahtarı | Kullanıcı Kimliği (karma veya aralık) | Coğrafi bölge veya veri merkezi |
| Gecikme Optimizasyonu | Konumdan bağımsız olarak tüm kullanıcılar için tutarlı. | Atanmış dağıtım alanına yakın kullanıcılar için optimize edilmiştir. |
| Veri Egemenliği | Bölgesel uyumluluğu sağlamak için ek mantık gerektirir. | Doğal olarak bölgesel veri yerleşimini zorunlu kılar. |
| Sorgu Kalıbı Verimliliği | Kullanıcı odaklı işlemler için mükemmel. | Konum tabanlı analizler için mükemmel. |
| Sıcak Nokta Riski | Kullanıcı etkinliğinin eşit olmayan şekilde dağılması durumunda yüksek değer elde edilir. | Nüfus yoğunluğu önemli ölçüde değişiyorsa yüksek |
| Çapraz Parça Karmaşıklığı | Kullanıcı sorguları için minimum; küresel toplama işlemleri için yüksek. | Bölgesel sorgular için minimum; küresel raporlar için yüksek. |
| Operasyonel Giderler | Daha düşük; daha basit parça yönetimi | Daha yüksek; çok bölgeli orkestrasyon gerektirir |
| Yedekleme Davranışı | Kullanıcı verilerine herhangi bir bölüm kopyasından erişilebilir. | Bölgesel kesinti, bölgeler arası yönlendirme gerektirebilir. |
Kullanıcı kimliği tabanlı parçalama, her sorgu tek bir parçayı hedeflediği için oldukça öngörülebilir bir performans sunar. Sistem bir user_id'yi hash'ledikten ve isteği yönlendirdikten sonra, verilerin nerede bulunduğu konusunda hiçbir belirsizlik kalmaz. Öte yandan, coğrafi parçalama, kullanıcı deneyimi için milisaniyelerin önemli olduğu durumlarda öne çıkar. Tokyo'da bulunan bir kullanıcının Tokyo merkezli bir parçaya erişmesi, verilerinin Virginia'daki bir veri merkezinde bulunmasından çok daha düşük bir gecikme süresi görecektir. Birisi seyahat ettiğinde ise dezavantaj ortaya çıkar: verileri yerinde kalır, bu nedenle uzak istekler gecikme cezasına neden olur.
GDPR ve benzeri çerçeveler, coğrafi bölümlemeyi giderek daha cazip hale getirdi. Fransız kullanıcı verileri Paris bölgesini asla terk etmediğinde, uyumluluk ekipleri daha rahat uyur. Kullanıcı kimliği bölümlemesi de düzenlemeleri karşılayabilir, ancak veri hareketini etiketlemek, izlemek ve kısıtlamak için ek uygulama katmanı mantığı gerektirir. Bazı kuruluşlar, her iki stratejinin de faydalarını yakalamak için hibrit yaklaşımlar (coğrafi sınırlar içinde kullanıcı kimliğine göre bölümleme) uygulamaktadır.
Kullanıcı kimliği tabanlı parçalanmış bir küme çalıştırmak operasyonel olarak daha basittir. Parçalar eklersiniz, karma aralıklarını yeniden dağıtırsınız ve dengesizliği izlersiniz. Coğrafi parçalama, operasyonel yüzey alanını çoğaltır: birden fazla bulut bölgesi, aralarındaki ağ iletişimi, kıtalar arası çoğaltma gecikmesi izleme ve farklı arıza modları. Ekiplerin, coğrafi dağıtımları etkili bir şekilde yönetmek için olgun gözlemlenebilirlik uygulamalarına ve genellikle özel platform mühendisliği kaynaklarına ihtiyacı vardır.
Kullanıcı merkezli modellere sahip uygulamalar (sosyal profiller, mesajlaşma geçmişleri, kişisel kontrol panelleri) doğal olarak Kullanıcı Kimliği tabanlı bölümlendirmeye uyar. Her özellik isteği 'bu kullanıcı için' ile başlar ve bu da bölümlendirme anahtarını açıkça ortaya koyar. Coğrafi bölümlendirme, konumun kendisinin değer yarattığı durumlarda daha uygundur: içerik dağıtım ağları, bölgesel pazarlar veya sensör verilerinin güçlü mekansal yerelliğe sahip olduğu IoT platformları. Yanlış seçim, altı ay sonra acı verici geçici çözümler olarak kendini gösterebilir.
Kullanıcı kimliği tabanlı bölümlendirme, kullanıcı tabanının büyümesiyle doğrusal olarak ölçeklenir. Her yeni bölüm, kullanıcıların bir dilimini bünyesine katar ve sistem öngörülebilir bir şekilde büyür. Coğrafi bölümlendirme ise bölgesel talebe göre ölçeklenir: Güneydoğu Asya'da kullanıcı sayısındaki patlama, o bölgeye özgü bölüm kümesinin ölçeklendirilmesi anlamına gelir. Bu durum, olgunlaşmış pazarlarda atıl kapasiteye yol açarken, gelişmekte olan pazarlara kaynak sağlama çabalarını da beraberinde getirebilir. Akıllı kapasite planlaması bu noktada hayati önem taşır.
Kullanıcı kimliği bölümlendirmesi, veri egemenliği gereksinimlerini karşılayamaz.
Yeterli uygulama katmanı kontrolleriyle (kayıtları ikamet şartlarıyla etiketleme ve yönlendirme kurallarını uygulama) Kullanıcı Kimliği parçalı sistemler düzenlemelere uyum sağlayabilir. Yük, mimari imkansızlıktan ziyade mühendislik disiplinine düşer. Birçok şirket bunu başarıyla uygulamaktadır, ancak coğrafi parçalamaya göre daha fazla kod karmaşıklığı gerektirir.
Coğrafi bölümleme her zaman daha iyi performans sağlar.
Performans kazanımları yalnızca kendilerine atanan bölgeye yakın kullanıcılar için gerçekleşir. São Paulo'da verileri bulunan Brezilyalı bir kullanıcı mükemmel gecikme süresi yaşarken, aynı kullanıcı Tokyo'da sorun yaşar. Akıllı yönlendirme veya veri çoğaltma olmadan, coğrafi bölümleme, mobil veya seyahat eden kullanıcılar için performansı önemli ölçüde düşürebilir.
Shard anahtar seçimi kalıcı ve geri döndürülemezdir.
Sunucu bölümleme anahtarlarını değiştirmek gerçekten zahmetli ve riskli olsa da imkansız değildir. Kuruluşlar, dikkatli çift yazma dönemleri, veri geçişi ve geçiş stratejileri yoluyla Kullanıcı Kimliğinden coğrafi bölümlemeye ve tam tersine geçiş yapmışlardır. Maliyeti yüksektir—genellikle aylar süren mühendislik çalışması gerektirir—ancak mimari, işletme ihtiyaçlarına göre gelişebilir.
Kullanıcı kimliği bölümlendirmesi, sıcak noktaları otomatik olarak önler.
Kullanıcı kimliklerinin karma algoritmasıyla işlenmesi, ancak altta yatan dağılım tekdüze ise anahtarların eşit şekilde dağıtılmasını sağlar. Sıralı kullanıcı kimliği ataması, toplu içe aktarmalar veya orantısız etkinlik üreten güçlü kullanıcılar dengesizliğe yol açar. Parça anahtarı seçiminden bağımsız olarak izleme ve yeniden dengeleme, temel operasyonel görevler olmaya devam eder.
Coğrafi bölümleme, veritabanı yönetiminin tüm yönlerini basitleştirir.
Uyumluluk ve yerel gecikme süreleri iyileşirken, coğrafi bölümleme tutarlılık modellerinde, bölümlemeler sırasında çatışma çözümünde ve bölgeler arası operasyonel izlemede önemli karmaşıklıklar ortaya çıkarır. Bir boyuttaki basitleştirme, olay müdahalesi sırasında ortaya çıkan diğer boyutlarda gizli maliyetler yaratabilir.
Uygulamanız temelde kullanıcı merkezliyse, herhangi bir küresel kullanıcıya olan gecikme kabul edilebilir ise ve operasyonel basitlik önemliyse, Kullanıcı Kimliği tabanlı bölümlemeyi seçin. Bölgesel uyumluluk müzakere edilemez olduğunda, kullanıcı deneyimi yerel varlığı gerektirdiğinde veya verilerinizin doğal mekansal ilişkileri olduğunda coğrafi bölümlemeyi tercih edin. Birçok olgun platform sonunda iki katmanlı bir yaklaşıma doğru evrilir: Kullanıcı Kimliği tabanlı bölümlenmiş kümeleri içeren coğrafi sınırlar.
Araçlardaki uç bilişim, anlık yanıtlar için verileri araç içinde yerel olarak işlerken, bulut tabanlı işlem ise daha kapsamlı analizler için bilgileri uzaktaki veri merkezlerine gönderir. Her yaklaşım, modern otomotiv sistemleri için gecikme süresi, güvenilirlik ve işlem gücü açısından farklı avantajlar ve dezavantajlar sunar.
Bu karşılaştırma, Amazon Web Services ve Google Cloud'un hizmet tekliflerini, fiyatlandırma modellerini, küresel altyapısını, performansını, geliştirici deneyimini ve ideal kullanım senaryolarını analiz ederek, kuruluşların teknik ve iş gereksinimlerine en uygun bulut platformunu seçmelerine yardımcı olmaktadır.
Bayt ofset kontrol noktası oluşturma ve durumsuz kurtarma, dağıtık sistemlerde hata toleransına yönelik temelde farklı yaklaşımları temsil eder; ilki kesin devam etme yeteneği için tam akış konumlarını korurken, ikincisi depolama yükünü yeniden yapılandırma kolaylığıyla takas ederek, değişmez veri kaynaklarını kullanarak durumu sıfırdan yeniden oluşturur.
Blockchain altyapı planlaması, değiştirilemez defterler ve mutabakat mekanizmalarına sahip merkeziyetsiz, dağıtılmış ağların tasarlanmasına odaklanırken, bulut altyapı planlaması ise AWS, Azure ve Google Cloud gibi merkezi sağlayıcılar aracılığıyla ölçeklenebilir, isteğe bağlı bilgi işlem kaynaklarının oluşturulmasına odaklanır.
Bulut işleme, verileri merkezi uzak veri merkezlerinde işleyerek muazzam ölçeklenebilirlik ve hesaplama gücü sunar. Uç işleme ise hesaplamayı verinin üretildiği yere daha yakın hale getirerek gecikmeyi ve bant genişliği kullanımını azaltır. Her iki yaklaşım da modern dağıtık sistemlerde farklı ihtiyaçlara hizmet eder.
