Масштабируемость в распределенных in-memory системах

15:15 /Зал 4 / 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 стало 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.

Яков Жданов

Яков Жданов

Яков пришел в GridGain в 2010 году. В данный момент занимает должность руководителя российского отделения компании и в этой роли непосредственно участвует в процессе разработки и принятии технических решений. Является комитером проекта Apache Ignite. Не представляет лето без мотоциклов, а зиму без снега и гор.