কিভাবে আমরা Kubernetes-এর ভিতরে Cloud FaaS তৈরি করেছি এবং Tinkoff হ্যাকাথন জিতেছি

গত বছর থেকে, আমাদের কোম্পানি হ্যাকাথন আয়োজন শুরু করেছে। প্রথম এই ধরনের প্রতিযোগিতা খুব সফল ছিল, আমরা এটি সম্পর্কে লিখেছিলাম প্রবন্ধ. দ্বিতীয় হ্যাকাথনটি 2019 সালের ফেব্রুয়ারিতে হয়েছিল এবং এটি কম সফল ছিল না। পরেরটি ধরে রাখার লক্ষ্য সম্পর্কে এতদিন আগে নয় আমি লিখেছি সংগঠক

অংশগ্রহণকারীদের এটি বাস্তবায়নের জন্য একটি প্রযুক্তি স্ট্যাক বেছে নেওয়ার সম্পূর্ণ স্বাধীনতা সহ একটি বরং আকর্ষণীয় কাজ দেওয়া হয়েছিল। গ্রাহক স্কোরিং ফাংশনগুলির সুবিধাজনক স্থাপনার জন্য একটি সিদ্ধান্ত গ্রহণের প্ল্যাটফর্ম বাস্তবায়ন করা প্রয়োজন ছিল যা অ্যাপ্লিকেশনগুলির দ্রুত প্রবাহের সাথে কাজ করতে পারে, ভারী লোড সহ্য করতে পারে এবং সিস্টেমটি নিজেই সহজেই মাপযোগ্য।

কাজটি অ-তুচ্ছ এবং অনেক উপায়ে সমাধান করা যেতে পারে, যেমন আমরা অংশগ্রহণকারীদের প্রকল্পের চূড়ান্ত উপস্থাপনা প্রদর্শনের সময় নিশ্চিত হয়েছিলাম। হ্যাকাথনে 6 জনের 5 টি দল ছিল, সমস্ত অংশগ্রহণকারীদের ভাল প্রকল্প ছিল, কিন্তু আমাদের প্ল্যাটফর্মটি সবচেয়ে প্রতিযোগিতামূলক হয়ে উঠেছে। আমাদের একটি খুব আকর্ষণীয় প্রকল্প আছে, যা আমি এই নিবন্ধে কথা বলতে চাই।

আমাদের সমাধান হল Kubernetes-এর ভিতরে সার্ভারহীন আর্কিটেকচারের উপর ভিত্তি করে একটি প্ল্যাটফর্ম, যা উৎপাদনে নতুন বৈশিষ্ট্য আনতে যে সময় লাগে তা কমিয়ে দেয়। এটি বিশ্লেষকদের তাদের জন্য সুবিধাজনক পরিবেশে কোড লিখতে এবং প্রকৌশলী এবং বিকাশকারীদের অংশগ্রহণ ছাড়াই এটি উৎপাদনে স্থাপন করার অনুমতি দেয়।

স্কোরিং কি

Tinkoff.ru, অনেক আধুনিক কোম্পানির মত, গ্রাহক স্কোরিং আছে। স্কোরিং হল ডেটা বিশ্লেষণের পরিসংখ্যানগত পদ্ধতির উপর ভিত্তি করে একটি গ্রাহক মূল্যায়ন ব্যবস্থা।

উদাহরণস্বরূপ, একজন ক্লায়েন্ট তাকে একটি ঋণ ইস্যু করার বা আমাদের সাথে একটি স্বতন্ত্র উদ্যোক্তা অ্যাকাউন্ট খোলার অনুরোধ নিয়ে আমাদের কাছে ফিরে আসে। যদি আমরা তাকে একটি ঋণ দেওয়ার পরিকল্পনা করি, তাহলে আমাদের তার স্বচ্ছলতা মূল্যায়ন করতে হবে এবং যদি অ্যাকাউন্টটি একজন স্বতন্ত্র উদ্যোক্তা হয়, তাহলে আমাদের নিশ্চিত হতে হবে যে ক্লায়েন্ট প্রতারণামূলক লেনদেন করবে না।

এই ধরনের সিদ্ধান্ত নেওয়ার ভিত্তি হল গাণিতিক মডেল যা অ্যাপ্লিকেশন থেকে ডেটা এবং আমাদের স্টোরেজ থেকে ডেটা উভয়ই বিশ্লেষণ করে। স্কোরিং ছাড়াও, আমাদের ক্লায়েন্টদের জন্য নতুন পণ্যগুলির জন্য পৃথক সুপারিশ তৈরির পরিষেবাতে অনুরূপ পরিসংখ্যান পদ্ধতিগুলিও ব্যবহার করা যেতে পারে।

এই ধরনের একটি মূল্যায়ন পদ্ধতি বিভিন্ন ইনপুট ডেটা গ্রহণ করতে পারে। এবং কিছু সময়ে আমরা ইনপুটে একটি নতুন প্যারামিটার যোগ করতে পারি, যা, ঐতিহাসিক ডেটা বিশ্লেষণের ফলাফলের উপর ভিত্তি করে, পরিষেবাটি ব্যবহারের রূপান্তর হার বৃদ্ধি করবে।

আমাদের কাছে গ্রাহক সম্পর্ক সম্পর্কে প্রচুর ডেটা রয়েছে এবং এই তথ্যের পরিমাণ ক্রমাগত বাড়ছে। কাজ করার জন্য স্কোর করার জন্য, ডেটা প্রসেসিং-এর জন্যও নিয়ম (বা গাণিতিক মডেল) প্রয়োজন যা আপনাকে দ্রুত সিদ্ধান্ত নিতে দেয় যে কে একটি আবেদন অনুমোদন করবে, কে প্রত্যাখ্যান করবে এবং কে তাদের সম্ভাব্য আগ্রহের মূল্যায়ন করে আরও কয়েকটি পণ্য অফার করবে।

হাতের কাজের জন্য, আমরা ইতিমধ্যে একটি বিশেষ সিদ্ধান্ত গ্রহণের ব্যবস্থা ব্যবহার করি IBM WebSphere ILOG JRules BRMS, যা, বিশ্লেষক, প্রযুক্তিবিদ এবং বিকাশকারীদের দ্বারা নির্ধারিত নিয়মের উপর ভিত্তি করে, ক্লায়েন্টকে একটি নির্দিষ্ট ব্যাঙ্কিং পণ্য অনুমোদন বা প্রত্যাখ্যান করার সিদ্ধান্ত নেয়।

বাজারে অনেক রেডিমেড সলিউশন রয়েছে, উভয় স্কোরিং মডেল এবং সিদ্ধান্ত নেওয়ার সিস্টেম। আমরা আমাদের কোম্পানিতে এই সিস্টেমগুলির মধ্যে একটি ব্যবহার করি। কিন্তু ব্যবসা ক্রমবর্ধমান, বৈচিত্র্যময়, উভয় ক্লায়েন্টের সংখ্যা এবং প্রদত্ত পণ্যের সংখ্যা বৃদ্ধি পাচ্ছে, এবং এর সাথে, বিদ্যমান সিদ্ধান্ত গ্রহণের প্রক্রিয়াকে কীভাবে উন্নত করা যায় সে সম্পর্কে ধারণাগুলি উদ্ভূত হচ্ছে। নিশ্চিতভাবে বিদ্যমান সিস্টেমের সাথে কাজ করা লোকেরা কীভাবে এটিকে সহজ, আরও ভাল, আরও সুবিধাজনক করে তোলা যায় সে সম্পর্কে অনেক ধারণা রয়েছে তবে কখনও কখনও বাইরের ধারণাগুলি কার্যকর হয়। নতুন হ্যাকাথন শব্দ ধারনা সংগ্রহের লক্ষ্য নিয়ে আয়োজন করা হয়েছিল।

টাস্ক

হ্যাকাথনটি 23 ফেব্রুয়ারি অনুষ্ঠিত হয়েছিল। অংশগ্রহণকারীদের একটি যুদ্ধের টাস্ক দেওয়া হয়েছিল: একটি সিদ্ধান্ত গ্রহণের ব্যবস্থা বিকাশ করতে যা বেশ কয়েকটি শর্ত পূরণ করতে হয়েছিল।

আমাদের বলা হয়েছিল যে বিদ্যমান সিস্টেমটি কীভাবে কাজ করে এবং এর অপারেশন চলাকালীন কী কী অসুবিধা দেখা দেয়, সেইসাথে উন্নত প্ল্যাটফর্মের কী ব্যবসায়িক লক্ষ্যগুলি অনুসরণ করা উচিত। নিয়ম তৈরির জন্য সিস্টেমের অবশ্যই একটি দ্রুত সময়ের মধ্যে বাজার থাকতে হবে যাতে বিশ্লেষকদের কার্যবিধি যত তাড়াতাড়ি সম্ভব উৎপাদনে যায়। এবং অ্যাপ্লিকেশনের আগত প্রবাহের জন্য, সিদ্ধান্ত নেওয়ার সময়টি সর্বনিম্ন হওয়া উচিত। এছাড়াও, আমাদের দ্বারা অনুমোদিত হলে এবং ক্লায়েন্টের কাছ থেকে সম্ভাব্য আগ্রহ থাকলে ক্লায়েন্টকে অন্যান্য কোম্পানির পণ্য কেনার সুযোগ দেওয়ার জন্য বিকাশ করা সিস্টেমের ক্রস-সেল ক্ষমতা থাকতে হবে।

এটা স্পষ্ট যে রাতারাতি একটি রেডি-টু-রিলিজ প্রজেক্ট লেখা অসম্ভব যা অবশ্যই উৎপাদনে যাবে, এবং পুরো সিস্টেমটি কভার করা বেশ কঠিন, তাই আমাদেরকে এর অন্তত অংশ বাস্তবায়ন করতে বলা হয়েছিল। অনেকগুলি প্রয়োজনীয়তা প্রতিষ্ঠিত হয়েছিল যে প্রোটোটাইপটি অবশ্যই পূরণ করতে হবে। সমস্ত প্রয়োজনীয়তা সম্পূর্ণরূপে কভার করার জন্য এবং প্ল্যাটফর্মের পৃথক বিভাগগুলিতে বিশদভাবে কাজ করার জন্য উভয়েরই চেষ্টা করা সম্ভব ছিল।

প্রযুক্তির জন্য, সমস্ত অংশগ্রহণকারীদের পছন্দের সম্পূর্ণ স্বাধীনতা দেওয়া হয়েছিল। যেকোনো ধারণা এবং প্রযুক্তি ব্যবহার করা সম্ভব ছিল: ডেটা স্ট্রিমিং, মেশিন লার্নিং, ইভেন্ট সোর্সিং, বড় ডেটা এবং অন্যান্য।

আমাদের সমাধান

একটু চিন্তাভাবনা করার পরে, আমরা সিদ্ধান্ত নিয়েছি যে একটি FaaS সমাধান টাস্কটি সম্পূর্ণ করার জন্য আদর্শ হবে।

এই সমাধানের জন্য, সিদ্ধান্ত নেওয়ার ব্যবস্থার বিকাশের নিয়মগুলি বাস্তবায়নের জন্য একটি উপযুক্ত সার্ভারহীন কাঠামো খুঁজে বের করা প্রয়োজন ছিল। যেহেতু Tinkoff সক্রিয়ভাবে অবকাঠামো পরিচালনার জন্য Kubernetes ব্যবহার করে, আমরা এটির উপর ভিত্তি করে বেশ কয়েকটি প্রস্তুত-তৈরি সমাধান দেখেছি; আমি আপনাকে পরে এটি সম্পর্কে আরও বলব।

সবচেয়ে কার্যকর সমাধান খুঁজে বের করার জন্য, আমরা তার ব্যবহারকারীদের চোখ দিয়ে তৈরি করা পণ্যটির দিকে তাকিয়েছি। আমাদের সিস্টেমের প্রধান ব্যবহারকারীরা নিয়ম উন্নয়নের সাথে জড়িত বিশ্লেষক। নিয়মগুলি অবশ্যই সার্ভারে স্থাপন করা হবে, বা, আমাদের ক্ষেত্রে, পরবর্তী সিদ্ধান্ত গ্রহণের জন্য, ক্লাউডে স্থাপন করা হবে৷ একজন বিশ্লেষকের দৃষ্টিকোণ থেকে, কর্মপ্রবাহটি এইরকম দেখায়:

1. বিশ্লেষক গুদাম থেকে ডেটার উপর ভিত্তি করে একটি স্ক্রিপ্ট, নিয়ম বা এমএল মডেল লেখেন। হ্যাকাথনের অংশ হিসাবে, আমরা Mongodb ব্যবহার করার সিদ্ধান্ত নিয়েছি, তবে ডেটা স্টোরেজ সিস্টেমের পছন্দ এখানে গুরুত্বপূর্ণ নয়।
2. ঐতিহাসিক ডেটার উপর বিকশিত নিয়মগুলি পরীক্ষা করার পরে, বিশ্লেষক তার কোড অ্যাডমিন প্যানেলে আপলোড করেন।
3. সংস্করণ নিশ্চিত করতে, সমস্ত কোড গিট সংগ্রহস্থলে যাবে।
4. অ্যাডমিন প্যানেলের মাধ্যমে ক্লাউডে কোডটিকে আলাদা কার্যকরী সার্ভারলেস মডিউল হিসাবে স্থাপন করা সম্ভব হবে।

ক্লায়েন্টদের কাছ থেকে প্রাথমিক ডেটা গুদাম থেকে ডেটা সহ প্রাথমিক অনুরোধকে সমৃদ্ধ করার জন্য ডিজাইন করা একটি বিশেষ সমৃদ্ধকরণ পরিষেবার মধ্য দিয়ে যেতে হবে। এই পরিষেবাটি এমনভাবে বাস্তবায়ন করা গুরুত্বপূর্ণ ছিল যাতে এটি একটি একক তথ্য কাঠামো বজায় রাখার জন্য একটি একক সংগ্রহস্থলের সাথে কাজ করবে (যেখান থেকে বিশ্লেষক নিয়ম তৈরি করার সময় ডেটা নেয়)।

হ্যাকাথনের আগেও, আমরা সার্ভারলেস ফ্রেমওয়ার্ক ব্যবহার করার সিদ্ধান্ত নিয়েছিলাম। আজ বাজারে প্রচুর প্রযুক্তি রয়েছে যা এই পদ্ধতিটি বাস্তবায়ন করে। কুবারনেটস আর্কিটেকচারের মধ্যে সবচেয়ে জনপ্রিয় সমাধান হল ফিশন, ওপেন ফাএএস এবং কুবেলেস। এমনকি আছে তাদের বর্ণনা এবং তুলনামূলক বিশ্লেষণ সহ ভাল নিবন্ধ.

সমস্ত সুবিধা এবং অসুবিধা ওজন করার পরে, আমরা বেছে নিয়েছি বিদারণ. এই সার্ভারহীন ফ্রেমওয়ার্ক পরিচালনা করা বেশ সহজ এবং টাস্কের প্রয়োজনীয়তা পূরণ করে।

ফিশনের সাথে কাজ করার জন্য, আপনাকে দুটি মৌলিক ধারণা বুঝতে হবে: ফাংশন এবং পরিবেশ। একটি ফাংশন হল একটি কোডের টুকরো যা ভাষাগুলির একটিতে লিখিত হয় যার জন্য একটি ফিশন পরিবেশ রয়েছে। এই কাঠামোর মধ্যে বাস্তবায়িত পরিবেশের তালিকা পাইথন, জেএস, গো, জেভিএম এবং অন্যান্য অনেক জনপ্রিয় ভাষা এবং প্রযুক্তি অন্তর্ভুক্ত।

ফিশন একটি সংরক্ষণাগারে পূর্ব-প্যাকেজ করা বিভিন্ন ফাইলে বিভক্ত ফাংশন সম্পাদন করতে সক্ষম। কুবারনেটস ক্লাস্টারে ফিশনের অপারেশনটি বিশেষায়িত পড দ্বারা নিশ্চিত করা হয়, যা ফ্রেমওয়ার্ক নিজেই পরিচালিত হয়। ক্লাস্টার পডের সাথে ইন্টারঅ্যাক্ট করার জন্য, প্রতিটি ফাংশনকে অবশ্যই তার নিজস্ব রুট বরাদ্দ করতে হবে এবং যেটিতে আপনি GET প্যারামিটার পাস করতে পারেন বা POST অনুরোধের ক্ষেত্রে বডিকে অনুরোধ করতে পারেন।

ফলস্বরূপ, আমরা একটি সমাধান পাওয়ার পরিকল্পনা করেছি যা বিশ্লেষকদের প্রকৌশলী এবং বিকাশকারীদের অংশগ্রহণ ছাড়াই উন্নত নিয়ম স্ক্রিপ্ট স্থাপন করার অনুমতি দেবে। বর্ণিত পদ্ধতিটি ডেভেলপারদের অন্য ভাষায় বিশ্লেষক কোড পুনরায় লেখার প্রয়োজনীয়তাও দূর করে। উদাহরণস্বরূপ, আমরা যে বর্তমান সিদ্ধান্ত গ্রহণের ব্যবস্থা ব্যবহার করি তার জন্য আমাদের অত্যন্ত বিশেষায়িত প্রযুক্তি এবং ভাষায় নিয়ম লিখতে হবে, যার পরিধি অত্যন্ত সীমিত, এবং অ্যাপ্লিকেশন সার্ভারের উপর একটি শক্তিশালী নির্ভরতাও রয়েছে, যেহেতু সমস্ত খসড়া ব্যাঙ্কের নিয়মগুলি একটি একক পরিবেশে স্থাপন করা হয়. ফলস্বরূপ, নতুন নিয়ম স্থাপন করার জন্য পুরো সিস্টেমটি প্রকাশ করা প্রয়োজন।

আমাদের প্রস্তাবিত সমাধানে, নিয়ম প্রকাশ করার কোন প্রয়োজন নেই; কোডটি একটি বোতামের ক্লিকে সহজেই স্থাপন করা যেতে পারে। এছাড়াও, Kubernetes-এ অবকাঠামো ব্যবস্থাপনা আপনাকে লোড এবং স্কেলিং সম্পর্কে চিন্তা করতে দেয় না; এই ধরনের সমস্যাগুলি বাক্সের বাইরে সমাধান করা হয়। এবং একটি একক ডেটা গুদাম ব্যবহার ঐতিহাসিক ডেটার সাথে রিয়েল-টাইম ডেটা তুলনা করার প্রয়োজনীয়তা দূর করে, যা বিশ্লেষকের কাজকে সহজ করে তোলে।

আমরা কি পেয়েছি

যেহেতু আমরা একটি রেডিমেড সমাধান নিয়ে হ্যাকাথনে এসেছি (আমাদের কল্পনায়), আমাদের যা করতে হবে তা হল আমাদের সমস্ত চিন্তাভাবনাকে কোডের লাইনে রূপান্তর করা।

যেকোনো হ্যাকাথনে সাফল্যের চাবিকাঠি হল প্রস্তুতি এবং একটি সুলিখিত পরিকল্পনা। অতএব, আমরা প্রথমেই সিদ্ধান্ত নিই যে আমাদের সিস্টেম আর্কিটেকচারে কোন মডিউল থাকবে এবং আমরা কোন প্রযুক্তি ব্যবহার করব।

আমাদের প্রকল্পের স্থাপত্য নিম্নরূপ ছিল:

এই চিত্রটি দুটি এন্ট্রি পয়েন্ট দেখায়, বিশ্লেষক (আমাদের সিস্টেমের প্রধান ব্যবহারকারী) এবং ক্লায়েন্ট।

কাজের প্রক্রিয়া এই মত গঠন করা হয়. বিশ্লেষক তার মডেলের জন্য একটি নিয়ম ফাংশন এবং একটি ডেটা সমৃদ্ধকরণ ফাংশন বিকাশ করে, একটি গিট রিপোজিটরিতে তার কোড সংরক্ষণ করে এবং প্রশাসক অ্যাপ্লিকেশনের মাধ্যমে তার মডেলটি ক্লাউডে স্থাপন করে। আসুন আমরা বিবেচনা করি যে কীভাবে স্থাপন করা ফাংশনটি কল করা হবে এবং ক্লায়েন্টদের কাছ থেকে আগত অনুরোধের বিষয়ে সিদ্ধান্ত নিন:

1. ক্লায়েন্ট ওয়েবসাইটে একটি ফর্ম পূরণ করে এবং নিয়ন্ত্রকের কাছে তার অনুরোধ পাঠায়। একটি অ্যাপ্লিকেশন যার উপর একটি সিদ্ধান্ত নেওয়া প্রয়োজন তা সিস্টেম ইনপুটে আসে এবং ডাটাবেসে তার আসল আকারে রেকর্ড করা হয়।
2. এর পরে, প্রয়োজন হলে, সমৃদ্ধকরণের জন্য কাঁচা অনুরোধ পাঠানো হয়। আপনি বাহ্যিক পরিষেবা এবং স্টোরেজ থেকে ডেটা সহ প্রাথমিক অনুরোধের পরিপূরক করতে পারেন। ফলে সমৃদ্ধ ক্যোয়ারী ডাটাবেসেও সংরক্ষিত থাকে।
3. বিশ্লেষক ফাংশন চালু করা হয়েছে, যা একটি সমৃদ্ধ ক্যোয়ারী ইনপুট হিসাবে নেয় এবং একটি সমাধান তৈরি করে, যা স্টোরেজেও লেখা হয়।

JSON নথির আকারে ডেটার নথি-ভিত্তিক সঞ্চয়স্থানের কারণে আমরা আমাদের সিস্টেমে মঙ্গোডিবিকে স্টোরেজ হিসাবে ব্যবহার করার সিদ্ধান্ত নিয়েছি, যেহেতু মূল অনুরোধ সহ সমৃদ্ধকরণ পরিষেবাগুলি REST কন্ট্রোলারের মাধ্যমে সমস্ত ডেটা একত্রিত করে।

সুতরাং, প্ল্যাটফর্মটি বাস্তবায়নের জন্য আমাদের কাছে XNUMX ঘন্টা ছিল। আমরা ভূমিকাগুলি বেশ সফলভাবে বিতরণ করেছি; আমাদের প্রকল্পে প্রতিটি দলের সদস্যের নিজস্ব দায়িত্বের ক্ষেত্র ছিল:

1. বিশ্লেষকের কাজের জন্য ফ্রন্ট-এন্ড অ্যাডমিন প্যানেল, যার মাধ্যমে তিনি লিখিত স্ক্রিপ্টের সংস্করণ নিয়ন্ত্রণ ব্যবস্থা থেকে নিয়ম ডাউনলোড করতে পারেন, ইনপুট ডেটা সমৃদ্ধ করার বিকল্পগুলি নির্বাচন করতে পারেন এবং নিয়ম স্ক্রিপ্টগুলি অনলাইনে সম্পাদনা করতে পারেন।
2. ব্যাকএন্ড অ্যাডমিন, সামনের জন্য REST API সহ এবং VCS এর সাথে একীকরণ।
3. Google ক্লাউডে অবকাঠামো সেট আপ করা এবং উৎস ডেটা সমৃদ্ধ করার জন্য একটি পরিষেবা তৈরি করা।
4. নিয়মের পরবর্তী স্থাপনার জন্য সার্ভারহীন ফ্রেমওয়ার্কের সাথে অ্যাডমিন অ্যাপ্লিকেশনকে সংহত করার জন্য একটি মডিউল।
5. সম্পূর্ণ সিস্টেমের কর্মক্ষমতা পরীক্ষা করার জন্য নিয়মের স্ক্রিপ্ট এবং চূড়ান্ত প্রদর্শনের জন্য ইনকামিং অ্যাপ্লিকেশনের (সিদ্ধান্ত নেওয়া) বিশ্লেষণের সমষ্টি।

এর শুরুতে শুরু করা যাক।

ব্যাঙ্কিং UI কিট ব্যবহার করে আমাদের ফ্রন্টএন্ড Angular 7 এ লেখা হয়েছিল। অ্যাডমিন প্যানেলের চূড়ান্ত সংস্করণটি দেখতে এইরকম:

যেহেতু অল্প সময় ছিল, আমরা শুধুমাত্র মূল কার্যকারিতা বাস্তবায়ন করার চেষ্টা করেছি। Kubernetes ক্লাস্টারে একটি ফাংশন স্থাপন করার জন্য, একটি ইভেন্ট নির্বাচন করা প্রয়োজন ছিল (একটি পরিষেবা যার জন্য একটি নিয়ম ক্লাউডে স্থাপন করা প্রয়োজন) এবং ফাংশনের কোড যা সিদ্ধান্ত গ্রহণের যুক্তি প্রয়োগ করে৷ নির্বাচিত পরিষেবার জন্য একটি নিয়মের প্রতিটি স্থাপনার জন্য, আমরা এই ইভেন্টের একটি লগ লিখেছি। অ্যাডমিন প্যানেলে আপনি সমস্ত ইভেন্টের লগ দেখতে পারেন।

সমস্ত ফাংশন কোড একটি দূরবর্তী গিট সংগ্রহস্থলে সংরক্ষণ করা হয়েছিল, যা অ্যাডমিন প্যানেলে সেট করতে হয়েছিল। কোড সংস্করণ করার জন্য, সমস্ত ফাংশন সংগ্রহস্থলের বিভিন্ন শাখায় সংরক্ষণ করা হয়েছিল। অ্যাডমিন প্যানেল লিখিত স্ক্রিপ্টগুলিতে সামঞ্জস্য করার ক্ষমতাও সরবরাহ করে, যাতে উত্পাদনে একটি ফাংশন স্থাপন করার আগে, আপনি কেবল লিখিত কোডটি পরীক্ষা করতে পারবেন না, তবে প্রয়োজনীয় পরিবর্তনগুলিও করতে পারবেন।

নিয়ম ফাংশনগুলি ছাড়াও, আমরা সমৃদ্ধকরণ ফাংশনগুলি ব্যবহার করে ধীরে ধীরে উত্স ডেটা সমৃদ্ধ করার ক্ষমতাও প্রয়োগ করেছি, যার কোডটিও ছিল স্ক্রিপ্ট যা ডেটা গুদামে যাওয়া, তৃতীয় পক্ষের পরিষেবাগুলিতে কল করা এবং প্রাথমিক গণনা করা সম্ভব ছিল। . আমাদের সমাধান প্রদর্শনের জন্য, আমরা সেই ক্লায়েন্টের রাশিচক্র গণনা করেছি যিনি অনুরোধটি ছেড়েছেন এবং একটি তৃতীয়-পক্ষ REST পরিষেবা ব্যবহার করে তার মোবাইল অপারেটর নির্ধারণ করেছেন।

প্ল্যাটফর্মের ব্যাকএন্ড জাভাতে লেখা হয়েছিল এবং স্প্রিং বুট অ্যাপ্লিকেশন হিসাবে প্রয়োগ করা হয়েছিল। আমরা প্রাথমিকভাবে অ্যাডমিন ডেটা সঞ্চয় করার জন্য Postgres ব্যবহার করার পরিকল্পনা করেছিলাম, কিন্তু, হ্যাকাথনের অংশ হিসাবে, আমরা সময় বাঁচানোর জন্য নিজেদেরকে একটি সাধারণ H2-এ সীমাবদ্ধ রাখার সিদ্ধান্ত নিয়েছিলাম। ব্যাকএন্ডে, কোয়েরি সমৃদ্ধকরণ ফাংশন এবং নিয়ম স্ক্রিপ্ট সংস্করণে বিটবাকেটের সাথে একীকরণ প্রয়োগ করা হয়েছিল। দূরবর্তী গিট সংগ্রহস্থলগুলির সাথে একীকরণের জন্য, আমরা ব্যবহার করেছি JGit লাইব্রেরি, যা CLI কমান্ডের উপর এক ধরনের মোড়ক, যা আপনাকে একটি সুবিধাজনক সফ্টওয়্যার ইন্টারফেস ব্যবহার করে যেকোনো গিট নির্দেশাবলী কার্যকর করতে দেয়। সুতরাং আমাদের সমৃদ্ধকরণ ফাংশন এবং নিয়মগুলির জন্য দুটি পৃথক সংগ্রহস্থল ছিল, এবং সমস্ত স্ক্রিপ্টগুলি ডিরেক্টরিতে বিভক্ত ছিল। UI এর মাধ্যমে সংগ্রহস্থলের একটি নির্বিচারী শাখার একটি স্ক্রিপ্টের সর্বশেষ প্রতিশ্রুতি নির্বাচন করা সম্ভব ছিল। অ্যাডমিন প্যানেলের মাধ্যমে কোডে পরিবর্তন করার সময়, রিমোট রিপোজিটরিতে পরিবর্তিত কোডের কমিট তৈরি করা হয়।

আমাদের ধারণা বাস্তবায়নের জন্য, আমাদের উপযুক্ত অবকাঠামো প্রয়োজন। আমরা ক্লাউডে আমাদের Kubernetes ক্লাস্টার স্থাপন করার সিদ্ধান্ত নিয়েছি। আমাদের পছন্দ ছিল গুগল ক্লাউড প্ল্যাটফর্ম। ফিশন সার্ভারহীন ফ্রেমওয়ার্কটি একটি Kubernetes ক্লাস্টারে ইনস্টল করা হয়েছিল, যা আমরা Gcloud এ স্থাপন করেছি। প্রাথমিকভাবে, উৎস ডেটা সমৃদ্ধকরণ পরিষেবাটি k8s ক্লাস্টারের ভিতরে একটি পডে মোড়ানো একটি পৃথক জাভা অ্যাপ্লিকেশন হিসাবে প্রয়োগ করা হয়েছিল। কিন্তু হ্যাকাথনের মাঝখানে আমাদের প্রকল্পের প্রাথমিক প্রদর্শনের পর, ইনকামিং অ্যাপ্লিকেশনের কাঁচা ডেটা কীভাবে সমৃদ্ধ করা যায় তা বেছে নেওয়ার সুযোগ দেওয়ার জন্য সমৃদ্ধকরণ পরিষেবাটিকে আরও নমনীয় করার জন্য আমাদের সুপারিশ করা হয়েছিল। এবং সমৃদ্ধকরণ পরিষেবাটিকেও সার্ভারহীন করা ছাড়া আমাদের কোন বিকল্প ছিল না।

ফিশনের সাথে কাজ করার জন্য, আমরা ফিশন CLI ব্যবহার করেছি, যা অবশ্যই Kubernetes CLI এর উপরে ইনস্টল করা উচিত। একটি k8s ক্লাস্টারে ফাংশন স্থাপন করা বেশ সহজ; ক্লাস্টারের বাইরে অ্যাক্সেসের প্রয়োজন হলে ইনকামিং ট্র্যাফিকের অনুমতি দেওয়ার জন্য আপনাকে কেবল একটি অভ্যন্তরীণ রুট বরাদ্দ করতে হবে এবং ফাংশনে প্রবেশ করতে হবে। একটি ফাংশন স্থাপন করতে সাধারণত 10 সেকেন্ডের বেশি সময় লাগে না।

প্রকল্পের চূড়ান্ত উপস্থাপনা এবং সারসংক্ষেপ

আমাদের সিস্টেম কীভাবে কাজ করে তা প্রদর্শন করতে, আমরা একটি দূরবর্তী সার্ভারে একটি সাধারণ ফর্ম রেখেছি যেখানে আপনি ব্যাঙ্কের পণ্যগুলির একটির জন্য একটি আবেদন জমা দিতে পারেন৷ অনুরোধ করার জন্য, আপনাকে আপনার আদ্যক্ষর, জন্ম তারিখ এবং ফোন নম্বর লিখতে হবে।

ক্লায়েন্ট ফর্ম থেকে ডেটা নিয়ন্ত্রকের কাছে গিয়েছিল, যা একই সাথে সমস্ত উপলব্ধ নিয়মগুলির জন্য অনুরোধ পাঠায়, পূর্বে নির্দিষ্ট শর্ত অনুসারে ডেটা সমৃদ্ধ করে এবং একটি সাধারণ স্টোরেজে সেভ করে। মোট, আমরা তিনটি ফাংশন স্থাপন করেছি যা ইনকামিং অ্যাপ্লিকেশন এবং 4টি ডেটা সমৃদ্ধকরণ পরিষেবার বিষয়ে সিদ্ধান্ত নেয়৷ আবেদন জমা দেওয়ার পরে, ক্লায়েন্ট আমাদের সিদ্ধান্ত পেয়েছে:

প্রত্যাখ্যান বা অনুমোদন ছাড়াও, ক্লায়েন্ট অন্যান্য পণ্যগুলির একটি তালিকাও পেয়েছে, যার জন্য আমরা সমান্তরালভাবে অনুরোধ পাঠিয়েছি। এইভাবে আমরা আমাদের প্ল্যাটফর্মে ক্রস-সেলের সম্ভাবনা প্রদর্শন করেছি।

মোট 3টি কাল্পনিক ব্যাঙ্ক পণ্য উপলব্ধ ছিল:

• ক্রেডিট।
• খেলনা
• বন্ধক.

প্রদর্শনের সময়, আমরা প্রতিটি পরিষেবার জন্য প্রস্তুত ফাংশন এবং সমৃদ্ধকরণ স্ক্রিপ্ট স্থাপন করেছি।

প্রতিটি নিয়মের ইনপুট ডেটার নিজস্ব সেট প্রয়োজন। সুতরাং, একটি বন্ধকী অনুমোদন করার জন্য, আমরা ক্লায়েন্টের রাশিচক্রের চিহ্নটি গণনা করেছি এবং এটিকে চন্দ্র ক্যালেন্ডারের যুক্তির সাথে সংযুক্ত করেছি। একটি খেলনা অনুমোদন করার জন্য, আমরা পরীক্ষা করেছিলাম যে ক্লায়েন্ট সংখ্যাগরিষ্ঠের বয়সে পৌঁছেছে এবং একটি ঋণ ইস্যু করার জন্য, আমরা সেলুলার অপারেটর নির্ধারণের জন্য একটি বহিরাগত ওপেন পরিষেবাতে একটি অনুরোধ পাঠিয়েছি এবং এটির উপর একটি সিদ্ধান্ত নেওয়া হয়েছিল।

আমরা আমাদের প্রদর্শনকে আকর্ষণীয় এবং ইন্টারেক্টিভ করার চেষ্টা করেছি, উপস্থিত প্রত্যেকেই আমাদের ফর্মে যেতে পারে এবং তাদের কাছে আমাদের কাল্পনিক পরিষেবাগুলির উপলব্ধতা পরীক্ষা করতে পারে। এবং উপস্থাপনার একেবারে শেষে, আমরা প্রাপ্ত অ্যাপ্লিকেশনগুলির বিশ্লেষণ প্রদর্শন করেছি, যা দেখায় যে কতজন লোক আমাদের পরিষেবা ব্যবহার করেছে, অনুমোদনের সংখ্যা এবং প্রত্যাখ্যান করেছে৷

অনলাইনে বিশ্লেষণ সংগ্রহ করতে, আমরা অতিরিক্ত একটি ওপেন সোর্স BI টুল স্থাপন করেছি মেটাবেস এবং এটি আমাদের স্টোরেজ ইউনিটে স্ক্রু করে। মেটাবেস আপনাকে আমাদের আগ্রহের ডেটাতে বিশ্লেষণ সহ স্ক্রিন তৈরি করতে দেয়; আপনাকে কেবল ডাটাবেসের সাথে একটি সংযোগ নিবন্ধন করতে হবে, টেবিল নির্বাচন করতে হবে (আমাদের ক্ষেত্রে, ডেটা সংগ্রহ, যেহেতু আমরা MongoDB ব্যবহার করেছি), এবং আমাদের আগ্রহের ক্ষেত্রগুলি নির্দিষ্ট করতে হবে। .

ফলস্বরূপ, আমরা একটি সিদ্ধান্ত গ্রহণের প্ল্যাটফর্মের একটি ভাল প্রোটোটাইপ পেয়েছি এবং প্রদর্শনের সময়, প্রতিটি শ্রোতা ব্যক্তিগতভাবে এর কার্যকারিতা পরীক্ষা করতে পারে। একটি আকর্ষণীয় সমাধান, একটি সমাপ্ত প্রোটোটাইপ এবং একটি সফল প্রদর্শন অন্যান্য দল থেকে শক্তিশালী প্রতিদ্বন্দ্বিতা সত্ত্বেও আমাদের জিততে দেয়। আমি নিশ্চিত যে প্রতিটি দলের প্রকল্পে একটি আকর্ষণীয় নিবন্ধও লেখা যেতে পারে।

উত্স: www.habr.com