માઇક્રોસર્વિસિસ - સંસ્કરણોનો સંયુક્ત વિસ્ફોટ

હેલો, હેબ્ર! હું તમારા ધ્યાન પર રજૂ કરું છું લેખનો લેખકનો અનુવાદ માઇક્રોસર્વિસીસ - વર્ઝનનો કોમ્બીનેટોરિયલ એક્સપ્લોઝન.

એવા સમયે જ્યારે IT વિશ્વ ધીમે ધીમે માઇક્રોસર્વિસિસ અને કુબરનેટ્સ જેવા ટૂલ્સ તરફ આગળ વધી રહ્યું છે, માત્ર એક સમસ્યા વધુને વધુ ધ્યાનપાત્ર બની રહી છે. આ સમસ્યા - સંયુક્ત વિસ્ફોટ માઇક્રોસર્વિસ વર્ઝન. તેમ છતાં, આઇટી સમુદાય માને છે કે વર્તમાન પરિસ્થિતિ તેના કરતા ઘણી સારી છે "નિર્ભરતા નરક" ટેક્નોલોજીની અગાઉની પેઢી. જો કે, માઇક્રોસર્વિસીસનું સંસ્કરણ બનાવવું એ ખૂબ જ જટિલ સમસ્યા છે. આનો એક પુરાવો લેખો હોઈ શકે છે "મને મારું મોનોલિથ પાછું આપો".

જો તમે હજુ પણ આ લખાણ વાંચીને સમસ્યા ન સમજતા હો, તો મને સમજાવવા દો. ધારો કે તમારા ઉત્પાદનમાં 10 માઇક્રોસર્વિસિસ છે. હવે માની લઈએ કે આ દરેક માઇક્રોસર્વિસિસ માટે 1 નવું વર્ઝન બહાર પાડવામાં આવ્યું છે. માત્ર 1 સંસ્કરણ - હું આશા રાખું છું કે આપણે બધા સહમત થઈ શકીએ કે આ એક ખૂબ જ તુચ્છ અને નજીવી હકીકત છે. હવે, જો કે, ચાલો આપણા ઉત્પાદન પર બીજી નજર કરીએ. દરેક ઘટકના માત્ર એક નવા સંસ્કરણ સાથે, અમારી પાસે હવે 2^10 - અથવા 1024 ક્રમચયો છે કે આપણું ઉત્પાદન કેવી રીતે કંપોઝ કરી શકાય છે.

જો હજુ પણ કોઈ ગેરસમજ હોય ​​તો, હું ગણિત તોડી દઉં. તેથી અમારી પાસે 10 માઇક્રોસર્વિસિસ છે, દરેક એક અપડેટ મેળવે છે. એટલે કે, અમને દરેક માઇક્રોસર્વિસ (જૂની અથવા નવી) માટે 2 સંભવિત સંસ્કરણો મળે છે. હવે, ઉત્પાદનના દરેક ઘટકો માટે, અમે આ બે સંસ્કરણોમાંથી કોઈપણનો ઉપયોગ કરી શકીએ છીએ. ગાણિતિક રીતે, તે સમાન છે જેમ કે આપણી પાસે 10 અંકોની દ્વિસંગી સંખ્યા છે. ઉદાહરણ તરીકે, ચાલો કહીએ કે 1 એ નવું સંસ્કરણ છે, અને 0 એ જૂનું સંસ્કરણ છે - પછી એક સંભવિત ક્રમચયને 1001000000 તરીકે સૂચિત કરી શકાય છે - જ્યાં 1 લી અને 4 થી ઘટકો અપડેટ થાય છે, અને બાકીના બધા નથી. ગણિતમાંથી આપણે જાણીએ છીએ કે 10-અંકની દ્વિસંગી સંખ્યા 2^10 અથવા 1024 મૂલ્યો ધરાવી શકે છે. એટલે કે, અમે જે નંબર સાથે વ્યવહાર કરી રહ્યા છીએ તેના સ્કેલની પુષ્ટિ કરી છે.

ચાલો આપણો તર્ક આગળ ચાલુ રાખીએ - જો આપણી પાસે 100 માઇક્રોસર્વિસિસ હોય અને દરેક પાસે 10 સંભવિત સંસ્કરણો હોય તો શું થશે? આખી પરિસ્થિતિ તદ્દન અપ્રિય બની જાય છે - અમારી પાસે હવે 10^100 ક્રમચયો છે - જે એક વિશાળ સંખ્યા છે. જો કે, હું આ પરિસ્થિતિને આ રીતે લેબલ કરવાનું પસંદ કરું છું, કારણ કે હવે આપણે “કુબરનેટસ” જેવા શબ્દો પાછળ છુપાયેલા નથી, પરંતુ સમસ્યાનો સામનો જેમ છે તેમ કરી રહ્યા છીએ.

હું આ સમસ્યાથી આટલો આકર્ષિત કેમ છું? અંશતઃ કારણ કે, અગાઉ NLP અને AI ની દુનિયામાં કામ કર્યું હતું, અમે લગભગ 5-6 વર્ષ પહેલાં સંયુક્ત વિસ્ફોટની સમસ્યા વિશે ઘણી ચર્ચા કરી હતી. ફક્ત સંસ્કરણોને બદલે અમારી પાસે વ્યક્તિગત શબ્દો હતા, અને ઉત્પાદનોને બદલે અમારી પાસે વાક્યો અને ફકરાઓ હતા. અને તેમ છતાં NLP અને AI ની સમસ્યાઓ મોટે ભાગે વણઉકેલાયેલી રહે છે, તે સ્વીકારવું આવશ્યક છે કે છેલ્લા કેટલાક વર્ષોમાં નોંધપાત્ર પ્રગતિ કરવામાં આવી છે. (મારા મતે, પ્રગતિ થઈ શકે છેоજો ઉદ્યોગના લોકો મશીન લર્નિંગ પર થોડું ઓછું અને અન્ય તકનીકો પર થોડું વધુ ધ્યાન આપે તો તે વધુ સારું રહેશે - પરંતુ આ પહેલેથી જ વિષયની બહાર છે).

ચાલો DevOps અને માઇક્રોસર્વિસિસની દુનિયા પર પાછા ફરીએ. કુન્સ્ટકમેરામાં હાથી તરીકે માસ્કરેડ કરીને અમે એક મોટી સમસ્યાનો સામનો કરી રહ્યા છીએ - કારણ કે હું જે વારંવાર સાંભળું છું તે છે "ફક્ત કુબરનેટ્સ અને સુકાન લો, અને બધું સારું થઈ જશે!" પરંતુ ના, જો બધું છે તેમ છોડી દેવામાં આવે તો બધું સારું રહેશે નહીં. તદુપરાંત, આ સમસ્યાનું વિશ્લેષણાત્મક ઉકેલ તેની જટિલતાને કારણે સ્વીકાર્ય લાગતું નથી. NLP ની જેમ, આપણે સૌ પ્રથમ શોધ અવકાશને સંકુચિત કરીને આ સમસ્યાનો સંપર્ક કરવો જોઈએ - આ કિસ્સામાં, જૂના ક્રમચયોને દૂર કરીને.

એક વસ્તુ જે મદદ કરી શકે છે તે કંઈક છે જે મેં ગયા વર્ષે લખ્યું હતું ક્લાયન્ટ્સ માટે પોસ્ટ કરેલા સંસ્કરણો વચ્ચે ન્યૂનતમ તફાવત જાળવવાની જરૂરિયાત વિશે. એ નોંધવું પણ અગત્યનું છે કે સારી રીતે ડિઝાઇન કરેલ CI/CD પ્રક્રિયા વિવિધતાને ઘટાડવામાં ઘણી મદદ કરે છે. જો કે, એકાઉન્ટિંગ અને ટ્રેકિંગ ઘટકો માટે વધારાના સાધનો વિના ક્રમચયોની સમસ્યાને ઉકેલવા માટે CI/CD સાથેની વર્તમાન સ્થિતિ એટલી સારી નથી.

આપણને એકીકરણના તબક્કે પ્રયોગની એક પ્રણાલીની જરૂર છે, જ્યાં આપણે દરેક ઘટક માટે જોખમ પરિબળ નક્કી કરી શકીએ છીએ, અને ઓપરેટરના હસ્તક્ષેપ વિના વિવિધ ઘટકોને અપડેટ કરવા અને પરીક્ષણ કરવા માટે સ્વયંસંચાલિત પ્રક્રિયા પણ ધરાવી શકીએ છીએ - તે જોવા માટે કે શું કામ કરે છે અને શું નથી.

પ્રયોગોની આવી સિસ્ટમ આના જેવી દેખાઈ શકે છે:

1. વિકાસકર્તાઓ પરીક્ષણો લખે છે (આ એક નિર્ણાયક તબક્કો છે - કારણ કે અન્યથા અમારી પાસે કોઈ મૂલ્યાંકન માપદંડ નથી - તે મશીન લર્નિંગમાં ડેટાને લેબલ કરવા જેવું છે).
2. દરેક ઘટક (પ્રોજેક્ટ) તેની પોતાની CI સિસ્ટમ મેળવે છે - આ પ્રક્રિયા હવે સારી રીતે વિકસિત છે, અને એક ઘટક માટે CI સિસ્ટમ બનાવવાનો મુદ્દો મોટાભાગે ઉકેલાઈ ગયો છે.
3. "સ્માર્ટ ઇન્ટિગ્રેશન સિસ્ટમ" વિવિધ CI સિસ્ટમ્સના પરિણામો એકત્ર કરે છે અને ઘટક પ્રોજેક્ટ્સને અંતિમ ઉત્પાદનમાં એસેમ્બલ કરે છે, પરીક્ષણ ચલાવે છે અને છેલ્લે હાલના ઘટકો અને જોખમ પરિબળોના આધારે ઇચ્છિત ઉત્પાદન કાર્યક્ષમતા મેળવવા માટેના ટૂંકા માર્ગની ગણતરી કરે છે. જો અપડેટ શક્ય ન હોય, તો આ સિસ્ટમ વિકાસકર્તાઓને હાલના ઘટકો વિશે અને તેમાંથી કયું ભૂલનું કારણ બની રહ્યું છે તે વિશે સૂચિત કરે છે. ફરી એક વાર, અહીં પરીક્ષણ પ્રણાલી નિર્ણાયક મહત્વ ધરાવે છે - કારણ કે એકીકરણ પ્રણાલી મૂલ્યાંકન માપદંડ તરીકે પરીક્ષણોનો ઉપયોગ કરે છે.
4. સીડી સિસ્ટમ, જે પછી સ્માર્ટ ઈન્ટીગ્રેશન સિસ્ટમમાંથી ડેટા મેળવે છે અને અપડેટ સીધું કરે છે. આ તબક્કો ચક્રને સમાપ્ત કરે છે.

સારાંશ માટે, મારા માટે હવે સૌથી મોટી સમસ્યાઓમાંની એક એવી "સ્માર્ટ ઇન્ટિગ્રેશન સિસ્ટમ" નો અભાવ છે જે ઉત્પાદનમાં વિવિધ ઘટકોને જોડશે અને આમ તમને સમગ્ર ઉત્પાદનને કેવી રીતે એકસાથે મૂકવામાં આવે છે તે ટ્રૅક કરવાની મંજૂરી આપે છે. મને આ અંગે સમુદાયના વિચારોમાં રસ હશે (સ્પૉઇલર - હું હાલમાં એક પ્રોજેક્ટ પર કામ કરી રહ્યો છું રેલિઝા, જે આવી સ્માર્ટ એકીકરણ સિસ્ટમ બની શકે છે).

એક છેલ્લી વસ્તુ જે હું ઉલ્લેખ કરવા માંગુ છું તે એ છે કે, મારા માટે, એક મધ્યમ કદના કોઈપણ પ્રોજેક્ટ માટે મોનોલિથ સ્વીકાર્ય નથી. મારા માટે, મોનોલિથ પર પાછા ફરીને અમલીકરણના સમય અને વિકાસની ગુણવત્તાને ઝડપી બનાવવાના પ્રયાસો મહાન શંકાનું કારણ બને છે. સૌપ્રથમ, એક મોનોલિથમાં ઘટકોના સંચાલનની સમાન સમસ્યા હોય છે - તેમાં સમાવિષ્ટ વિવિધ પુસ્તકાલયોમાં, જો કે, આ બધું એટલું ધ્યાનપાત્ર નથી અને તે મુખ્યત્વે વિકાસકર્તાઓ દ્વારા વિતાવેલા સમયમાં પોતાને પ્રગટ કરે છે. મોનોલિથ સમસ્યાનું પરિણામ એ કોડમાં ફેરફાર કરવાની વર્ચ્યુઅલ અશક્યતા છે - અને અત્યંત ધીમી વિકાસ ગતિ.

માઇક્રોસર્વિસિસ પરિસ્થિતિમાં સુધારો કરે છે, પરંતુ તે પછી માઇક્રોસર્વિસ આર્કિટેક્ચર એકીકરણના તબક્કે સંયુક્ત વિસ્ફોટની સમસ્યાનો સામનો કરે છે. હા, સામાન્ય રીતે, અમે સમાન સમસ્યાને વિકાસના તબક્કામાંથી એકીકરણના તબક્કામાં ખસેડી છે. જો કે, મારા મતે, માઇક્રોસર્વિસીસ અભિગમ હજુ પણ વધુ સારા પરિણામો તરફ દોરી જાય છે, અને ટીમો ઝડપથી પરિણામો પ્રાપ્ત કરે છે (કદાચ મુખ્યત્વે વિકાસ એકમના કદમાં ઘટાડો થવાને કારણે - અથવા બેચ કદ). જો કે, મોનોલિથથી માઇક્રોસર્વિસીસ તરફ જવાથી હજુ સુધી પ્રક્રિયામાં પૂરતો સુધારો થયો નથી - માઇક્રોસર્વિસ વર્ઝનનો કોમ્બિનેટરી વિસ્ફોટ એ એક મોટી સમસ્યા છે, અને અમે તેને હલ કરીએ છીએ તેમ પરિસ્થિતિને સુધારવાની અમારી પાસે ઘણી સંભાવના છે.

સોર્સ: www.habr.com