ELK, Big Query, TimescaleDB എന്നിവയ്‌ക്ക് പകരമായി ക്ലിക്ക്ഹൗസ് ഉപയോഗിക്കുന്നു

ക്ലിക്ക്ഹൗസ് Yandex സൃഷ്ടിച്ച ഓൺലൈൻ അനലിറ്റിക്കൽ ക്വറി പ്രോസസ്സിംഗിനുള്ള (OLAP) ഒരു ഓപ്പൺ സോഴ്സ് കോളം ഡാറ്റാബേസ് മാനേജ്മെന്റ് സിസ്റ്റമാണ്. Yandex, CloudFlare, VK.com, Badoo എന്നിവയും ലോകമെമ്പാടുമുള്ള മറ്റ് സേവനങ്ങളും വലിയ അളവിലുള്ള ഡാറ്റ സംഭരിക്കുന്നതിന് ഇത് ഉപയോഗിക്കുന്നു (സെക്കൻഡിൽ ആയിരക്കണക്കിന് വരികൾ ചേർക്കൽ അല്ലെങ്കിൽ ഡിസ്കിൽ സംഭരിച്ചിരിക്കുന്ന പെറ്റാബൈറ്റ് ഡാറ്റ).

ഒരു സാധാരണ, "സ്ട്രിംഗ്" DBMS-ൽ, MySQL, Postgres, MS SQL സെർവർ എന്നിവ ഉദാഹരണങ്ങളാണ്, ഈ ക്രമത്തിലാണ് ഡാറ്റ സംഭരിച്ചിരിക്കുന്നത്:

ഈ സാഹചര്യത്തിൽ, ഒരു വരിയുമായി ബന്ധപ്പെട്ട മൂല്യങ്ങൾ ഭൗതികമായി വശങ്ങളിലായി സംഭരിക്കുന്നു. നിര DBMS-ൽ, വ്യത്യസ്ത നിരകളിൽ നിന്നുള്ള മൂല്യങ്ങൾ വെവ്വേറെ സംഭരിക്കുന്നു, ഒരു കോളത്തിന്റെ ഡാറ്റ ഒരുമിച്ച് സംഭരിക്കുന്നു:

വെർട്ടിക്ക, പാരസെൽ (ആക്‌ഷ്യൻ മാട്രിക്‌സ്, ആമസോൺ റെഡ്‌ഷിഫ്റ്റ്), സൈബേസ് ഐക്യു, എക്‌സാസോൾ, ഇൻഫോബ്രൈറ്റ്, ഇൻഫിനിഡിബി, മോനെറ്റ്‌ഡിബി (വെക്‌റ്റർവൈസ്, ആക്‌ഷ്യൻ വെക്‌റ്റർ), ലൂസിഡ്‌ഡിബി, എസ്‌എപി ഹാന, ഗൂഗിൾ ഡ്രെമൽ, ഗൂഗിൾ പവർഡ്രിൽ, ഡ്രൂയിഡ്, കെഡിബി, കെഡിബി, കെഡിബി, കെഡിബി, കെഡിബി, കെഡിബി, കെഡിബി, കെ.ഡി.

കമ്പനി ഒരു മെയിൽ ഫോർവേഡർ ആണ് ക്വിന്ട്രി റിപ്പോർട്ടിംഗിനായി 2018-ൽ ഞാൻ ക്ലിക്ക്ഹൗസ് ഉപയോഗിക്കാൻ തുടങ്ങി, അതിന്റെ ലാളിത്യം, സ്കേലബിളിറ്റി, SQL പിന്തുണ, വേഗത എന്നിവയിൽ ഞാൻ വളരെയധികം മതിപ്പുളവാക്കി. ഈ ഡിബിഎംഎസിന്റെ വേഗത മാന്ത്രികതയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.

എളുപ്പത്തിനായി

ഒരൊറ്റ കമാൻഡ് ഉപയോഗിച്ച് ഉബുണ്ടുവിൽ ക്ലിക്ക്ഹൗസ് ഇൻസ്റ്റാൾ ചെയ്യുന്നു. നിങ്ങൾക്ക് SQL അറിയാമെങ്കിൽ, നിങ്ങളുടെ ആവശ്യങ്ങൾക്കായി ഉടൻ തന്നെ ക്ലിക്ക്ഹൗസ് ഉപയോഗിച്ച് തുടങ്ങാം. എന്നിരുന്നാലും, നിങ്ങൾക്ക് MySQL-ൽ "പട്ടിക സൃഷ്‌ടിക്കാൻ" കാണിക്കാനും ക്ലിക്ക്ഹൗസിൽ SQL പകർത്തി ഒട്ടിക്കാനും കഴിയുമെന്ന് ഇതിനർത്ഥമില്ല.

MySQL-മായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഈ DBMS-ലെ ടേബിൾ സ്കീമ നിർവചനങ്ങളിൽ പ്രധാനപ്പെട്ട ഡാറ്റാ തരം വ്യത്യാസങ്ങളുണ്ട്, അതിനാൽ നിങ്ങൾക്ക് ടേബിൾ സ്കീമ നിർവചനങ്ങൾ മാറ്റാനും ടേബിൾ എഞ്ചിനുകൾ പഠിക്കാനും കുറച്ച് സമയം ആവശ്യമാണ്.

അധിക സോഫ്‌റ്റ്‌വെയറുകൾ ഇല്ലാതെ തന്നെ ക്ലിക്ക്ഹൗസ് മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നു, എന്നാൽ നിങ്ങൾക്ക് പകർപ്പ് ഉപയോഗിക്കണമെങ്കിൽ ZooKeeper ഇൻസ്റ്റാൾ ചെയ്യേണ്ടതുണ്ട്. അന്വേഷണ പ്രകടന വിശകലനം മികച്ച ഫലങ്ങൾ കാണിക്കുന്നു - സിസ്റ്റം ടേബിളുകളിൽ എല്ലാ വിവരങ്ങളും അടങ്ങിയിരിക്കുന്നു, കൂടാതെ പഴയതും വിരസവുമായ SQL ഉപയോഗിച്ച് എല്ലാ ഡാറ്റയും ലഭിക്കും.

ഉത്പാദനക്ഷമത

• ബെഞ്ച്മാർക്ക് കോൺഫിഗറേഷൻ സെർവറിലെ ക്ലിക്ക്ഹൗസ് വെർട്ടിക്ക, MySQL എന്നിവ താരതമ്യം ചെയ്യുന്നു: രണ്ട് സോക്കറ്റുകൾ Intel® Xeon® CPU E5-2650 v2 @ 2.60GHz; 128 ജിബി റാം; md RAID-5 8 6TB SATA HDD, ext4.
• ബെഞ്ച്മാർക്ക് ആമസോൺ റെഡ്ഷിഫ്റ്റ് ക്ലൗഡ് സ്റ്റോറേജുമായി ക്ലിക്ക്ഹൗസിന്റെ താരതമ്യം.
• ബ്ലോഗ് ഉദ്ധരണികൾ ക്ലിക്ക്ഹൗസ് പ്രകടനത്തെക്കുറിച്ചുള്ള ക്ലൗഡ്ഫ്ലെയർ:

ClickHouse ഡാറ്റാബേസിന് വളരെ ലളിതമായ രൂപകൽപ്പനയുണ്ട് - ക്ലസ്റ്ററിലെ എല്ലാ നോഡുകൾക്കും ഒരേ പ്രവർത്തനക്ഷമതയുണ്ട്, ഏകോപനത്തിനായി ZooKeeper മാത്രം ഉപയോഗിക്കുക. ഞങ്ങൾ നിരവധി നോഡുകളുടെ ഒരു ചെറിയ ക്ലസ്റ്റർ നിർമ്മിക്കുകയും പരിശോധന നടത്തുകയും ചെയ്തു, ഈ സമയത്ത് സിസ്റ്റത്തിന് വളരെ ശ്രദ്ധേയമായ പ്രകടനമുണ്ടെന്ന് ഞങ്ങൾ കണ്ടെത്തി, ഇത് അനലിറ്റിക്കൽ DBMS ബെഞ്ച്മാർക്കുകളിലെ ക്ലെയിം ചെയ്ത നേട്ടങ്ങളുമായി പൊരുത്തപ്പെടുന്നു. ClickHouse-ന്റെ പിന്നിലെ ആശയം സൂക്ഷ്മമായി പരിശോധിക്കാൻ ഞങ്ങൾ തീരുമാനിച്ചു. ഉപകരണങ്ങളുടെ അഭാവവും ClickHouse-ന്റെ ചെറിയ കമ്മ്യൂണിറ്റിയുമാണ് ഗവേഷണത്തിനുള്ള ആദ്യ തടസ്സം, അതിനാൽ ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് മനസിലാക്കാൻ ഞങ്ങൾ ഈ DBMS-ന്റെ രൂപകൽപ്പനയിലേക്ക് ആഴ്ന്നിറങ്ങി.

കാഫ്കയിൽ നിന്ന് നേരിട്ട് ഡാറ്റ സ്വീകരിക്കുന്നതിനെ ClickHouse പിന്തുണയ്ക്കുന്നില്ല, കാരണം ഇത് ഒരു ഡാറ്റാബേസ് മാത്രമാണ്, അതിനാൽ ഞങ്ങൾ Go-യിൽ ഞങ്ങളുടെ സ്വന്തം അഡാപ്റ്റർ സേവനം എഴുതി. ഇത് കാഫ്കയിൽ നിന്നുള്ള Cap'n Proto എൻകോഡ് ചെയ്ത സന്ദേശങ്ങൾ വായിക്കുകയും അവയെ TSV ലേക്ക് പരിവർത്തനം ചെയ്യുകയും HTTP ഇന്റർഫേസ് വഴി ബാച്ചുകളായി ക്ലിക്ക്ഹൗസിലേക്ക് ചേർക്കുകയും ചെയ്തു. പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിനായി ഞങ്ങളുടെ സ്വന്തം ClickHouse ഇന്റർഫേസുമായി സംയോജിച്ച് Go ലൈബ്രറി ഉപയോഗിക്കുന്നതിന് ഞങ്ങൾ പിന്നീട് ഈ സേവനം മാറ്റിയെഴുതി. സ്വീകരിക്കുന്ന പാക്കറ്റുകളുടെ പ്രകടനം വിലയിരുത്തുമ്പോൾ, ഞങ്ങൾ ഒരു പ്രധാന കാര്യം കണ്ടെത്തി - ക്ലിക്ക്ഹൗസിനായി ഈ പ്രകടനം പാക്കറ്റിന്റെ വലുപ്പത്തെ ആശ്രയിച്ചിരിക്കുന്നു, അതായത്, ഒരേ സമയം ചേർത്ത വരികളുടെ എണ്ണം. എന്തുകൊണ്ടാണ് ഇത് സംഭവിക്കുന്നതെന്ന് മനസിലാക്കാൻ, ClickHouse എങ്ങനെയാണ് ഡാറ്റ സംഭരിക്കുന്നത് എന്ന് ഞങ്ങൾ പഠിച്ചു.

പ്രധാന എഞ്ചിൻ, അല്ലെങ്കിൽ, ഡാറ്റ സംഭരിക്കുന്നതിനായി ClickHouse ഉപയോഗിക്കുന്ന ടേബിൾ എഞ്ചിനുകളുടെ ഒരു കുടുംബം, MergeTree ആണ്. ഈ എഞ്ചിൻ ആശയപരമായി ഗൂഗിൾ ബിഗ്‌ടേബിളിലോ അപ്പാച്ചെ കസാന്ദ്രയിലോ ഉപയോഗിക്കുന്ന എൽഎസ്എം അൽഗോരിതത്തിന് സമാനമാണ്, എന്നാൽ ഒരു ഇന്റർമീഡിയറ്റ് മെമ്മറി ടേബിൾ നിർമ്മിക്കുന്നത് ഒഴിവാക്കുകയും ഡാറ്റ നേരിട്ട് ഡിസ്കിലേക്ക് എഴുതുകയും ചെയ്യുന്നു. ഉൾപ്പെടുത്തിയ ഓരോ പാക്കറ്റും "പ്രൈമറി കീ" പ്രൈമറി കീ ഉപയോഗിച്ച് മാത്രം അടുക്കി, കംപ്രസ്സുചെയ്‌ത് ഒരു സെഗ്‌മെന്റ് രൂപപ്പെടുത്തുന്നതിന് ഡിസ്‌കിലേക്ക് എഴുതുന്നതിനാൽ ഇത് മികച്ച റൈറ്റ് ത്രൂപുട്ട് നൽകുന്നു.

ഒരു മെമ്മറി ടേബിളിന്റെ അഭാവം അല്ലെങ്കിൽ ഡാറ്റയുടെ "പുതുമ" എന്ന ആശയം അർത്ഥമാക്കുന്നത് അവ ചേർക്കാൻ മാത്രമേ കഴിയൂ എന്നാണ്, സിസ്റ്റം മാറ്റുന്നതിനോ ഇല്ലാതാക്കുന്നതിനോ പിന്തുണ നൽകുന്നില്ല. ഇന്നത്തെ കണക്കനുസരിച്ച്, സെഗ്‌മെന്റുകൾ ഒരിക്കലും ഒരു മാസത്തിന്റെ അതിർത്തി കടക്കാത്തതിനാൽ, കലണ്ടർ മാസത്തിൽ ഡാറ്റ ഇല്ലാതാക്കുക എന്നതാണ് ഡാറ്റ ഇല്ലാതാക്കാനുള്ള ഏക മാർഗം. ഈ ഫീച്ചർ ഇഷ്ടാനുസൃതമാക്കാൻ ക്ലിക്ക്ഹൗസ് ടീം സജീവമായി പ്രവർത്തിക്കുന്നു. മറുവശത്ത്, ഇത് സെഗ്‌മെന്റുകൾ എഴുതുന്നതും ലയിപ്പിക്കുന്നതും തർക്കരഹിതമാക്കുന്നു, അതിനാൽ I/O അല്ലെങ്കിൽ കോറുകൾ പൂരിതമാകുന്നതുവരെ സമാന്തര ഉൾപ്പെടുത്തലുകളുടെ എണ്ണത്തിനൊപ്പം ത്രൂപുട്ട് സ്കെയിലുകൾ രേഖീയമായി സ്വീകരിക്കുക.
എന്നിരുന്നാലും, ഈ സാഹചര്യം അർത്ഥമാക്കുന്നത് ഈ സിസ്റ്റം ചെറിയ പാക്കറ്റുകൾക്ക് അനുയോജ്യമല്ല, അതിനാൽ കാഫ്ക സേവനങ്ങളും ഇൻസെർട്ടറുകളും ബഫറിംഗിനായി ഉപയോഗിക്കുന്നു. കൂടാതെ, പശ്ചാത്തലത്തിലുള്ള ClickHouse തുടർച്ചയായി സെഗ്‌മെന്റുകൾ ലയിപ്പിക്കുന്നത് തുടരുന്നു, അതുവഴി നിരവധി ചെറിയ വിവരങ്ങൾ സംയോജിപ്പിക്കുകയും കൂടുതൽ തവണ രേഖപ്പെടുത്തുകയും ചെയ്യും, അങ്ങനെ റെക്കോർഡിംഗ് തീവ്രത വർദ്ധിക്കുന്നു. എന്നിരുന്നാലും, ലയനം തുടരുന്നിടത്തോളം, ബന്ധമില്ലാത്ത നിരവധി ഭാഗങ്ങൾ ഉൾപ്പെടുത്തലുകളുടെ ആക്രമണാത്മക ത്രോട്ടിലിംഗിന് കാരണമാകും. തത്സമയ ഡാറ്റ ഉൾപ്പെടുത്തലും ഉൾപ്പെടുത്തൽ പ്രകടനവും തമ്മിലുള്ള ഏറ്റവും മികച്ച ഒത്തുതീർപ്പ് പട്ടികയിലേക്ക് സെക്കൻഡിൽ പരിമിതമായ എണ്ണം ഉൾപ്പെടുത്തലുകൾ സ്വീകരിക്കുക എന്നതാണ്.

ടേബിൾ റീഡ് പ്രകടനത്തിന്റെ താക്കോൽ ഡിസ്കിലെ ഡാറ്റയുടെ സൂചികയും സ്ഥാനവുമാണ്. പ്രോസസ്സിംഗ് എത്ര വേഗത്തിലാണെങ്കിലും, എഞ്ചിന് ഡിസ്കിൽ നിന്ന് ടെറാബൈറ്റ് ഡാറ്റ സ്കാൻ ചെയ്യേണ്ടിവരുമ്പോൾ അതിന്റെ ഒരു ഭാഗം മാത്രം ഉപയോഗിക്കേണ്ടിവരുമ്പോൾ, അതിന് സമയമെടുക്കും. ClickHouse ഒരു കോളം സ്റ്റോറാണ്, അതിനാൽ ഓരോ സെഗ്‌മെന്റിലും ഓരോ നിരയ്ക്കും (നിര) അടുക്കിയ മൂല്യങ്ങളുള്ള ഒരു ഫയൽ അടങ്ങിയിരിക്കുന്നു. അതിനാൽ, അന്വേഷണത്തിൽ ഇല്ലാത്ത മുഴുവൻ കോളങ്ങളും ആദ്യം ഒഴിവാക്കാം, തുടർന്ന് വെക്‌ടറൈസ്ഡ് എക്‌സിക്യൂഷനുമായി സമാന്തരമായി ഒന്നിലധികം സെല്ലുകൾ പ്രോസസ്സ് ചെയ്യാം. ഒരു പൂർണ്ണ സ്കാൻ ഒഴിവാക്കാൻ, ഓരോ സെഗ്മെന്റിലും ഒരു ചെറിയ സൂചിക ഫയൽ ഉണ്ട്.

എല്ലാ നിരകളും "പ്രാഥമിക കീ" ഉപയോഗിച്ച് അടുക്കിയിരിക്കുന്നതിനാൽ, വളരെ വലിയ പട്ടികകളിൽപ്പോലും മെമ്മറിയിൽ സൂക്ഷിക്കാൻ കഴിയുന്ന തരത്തിൽ, ഓരോ Nth വരിയുടെയും ലേബലുകൾ (പിടിച്ച വരികൾ) മാത്രമേ സൂചിക ഫയലിൽ അടങ്ങിയിട്ടുള്ളൂ. ഉദാഹരണത്തിന്, നിങ്ങൾക്ക് സ്ഥിരസ്ഥിതി ക്രമീകരണങ്ങൾ "ഓരോ 8192-ാമത്തെ വരിയും അടയാളപ്പെടുത്തുക", തുടർന്ന് 1 ട്രില്യൺ ഉള്ള ഒരു പട്ടികയുടെ "തുച്ഛമായ" ഇൻഡക്‌സിംഗ് എന്നിവ സജ്ജമാക്കാൻ കഴിയും. മെമ്മറിയിലേക്ക് എളുപ്പത്തിൽ ഇണങ്ങുന്ന വരികൾക്ക് 122 പ്രതീകങ്ങൾ മാത്രമേ എടുക്കൂ.

സിസ്റ്റം വികസനം

ക്ലിക്ക്ഹൗസിന്റെ വികസനവും മെച്ചപ്പെടുത്തലും കണ്ടെത്താനാകും ഗിത്തബ് റിപ്പോ "വളരുന്ന" പ്രക്രിയ ശ്രദ്ധേയമായ വേഗതയിൽ നടക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക.

ജനപ്രീതി

ക്ലിക്ക്ഹൗസിന്റെ ജനപ്രീതി ക്രമാതീതമായി വളരുകയാണെന്ന് തോന്നുന്നു, പ്രത്യേകിച്ച് റഷ്യൻ സംസാരിക്കുന്ന സമൂഹത്തിൽ. കഴിഞ്ഞ വർഷത്തെ ഉയർന്ന ലോഡ് 2018 കോൺഫറൻസ് (മോസ്കോ, നവംബർ 8-9, 2018) vk.com, Badoo എന്നിവ പോലുള്ള രാക്ഷസന്മാർ Clickhouse ഉപയോഗിക്കുന്നതായി കാണിച്ചു, ഇത് പതിനായിരക്കണക്കിന് സെർവറുകളിൽ നിന്നുള്ള ഡാറ്റ (ഉദാഹരണത്തിന്, ലോഗുകൾ) ഒരേസമയം ചേർക്കുന്നു. 40 മിനിറ്റ് ദൈർഘ്യമുള്ള വീഡിയോയിൽ VKontakte ടീമിൽ നിന്നുള്ള യൂറി നസ്രെറ്റ്ഡിനോവ് ഇത് എങ്ങനെ ചെയ്തു എന്നതിനെക്കുറിച്ച് സംസാരിക്കുന്നു. മെറ്റീരിയലുമായി പ്രവർത്തിക്കാനുള്ള സൗകര്യത്തിനായി ഞങ്ങൾ ഉടൻ തന്നെ ട്രാൻസ്ക്രിപ്റ്റ് Habr-ൽ പോസ്റ്റ് ചെയ്യും.

അപ്ലിക്കേഷനുകൾ

കുറച്ച് സമയം ഗവേഷണം ചെയ്‌തതിന് ശേഷം, MySQL, PostgreSQL, ELK, Google Big Query, Amazon RedShift, TimescaleDB, Hadoop, MapReduce, Pinot എന്നിങ്ങനെയുള്ള പരമ്പരാഗതവും ജനപ്രിയവുമായ മറ്റ് സൊല്യൂഷനുകൾ പൂർണ്ണമായി മാറ്റിസ്ഥാപിക്കാൻ ClickHouse ഉപയോഗപ്രദമായേക്കാവുന്ന മേഖലകളുണ്ടെന്ന് ഞാൻ കരുതുന്നു. ഡ്രൂയിഡ്. മുകളിലുള്ള DBMS അപ്‌ഗ്രേഡ് ചെയ്യുന്നതിനോ പൂർണ്ണമായും മാറ്റിസ്ഥാപിക്കുന്നതിനോ ClickHouse ഉപയോഗിക്കുന്നതിന്റെ വിശദാംശങ്ങൾ ഇനിപ്പറയുന്നവയാണ്.

MySQL, PostgreSQL എന്നിവ വിപുലീകരിക്കുന്നു

ഏറ്റവും സമീപകാലത്ത്, വാർത്താക്കുറിപ്പ് പ്ലാറ്റ്‌ഫോമിനായി ഞങ്ങൾ MySQL-നെ ക്ലിക്ക്ഹൗസ് ഉപയോഗിച്ച് ഭാഗികമായി മാറ്റിസ്ഥാപിച്ചു മൗട്ടിക് വാർത്താക്കുറിപ്പ്. തെറ്റായ രൂപകൽപ്പന കാരണം MySQL അയച്ച എല്ലാ ഇമെയിലുകളും ആ ഇമെയിലിലെ എല്ലാ ലിങ്കുകളും ഒരു base64 ഹാഷ് ഉപയോഗിച്ച് ലോഗ് ചെയ്തു, ഒരു വലിയ MySQL പട്ടിക (email_stats) സൃഷ്ടിച്ചു എന്നതാണ് പ്രശ്നം. സേവനത്തിന്റെ സബ്‌സ്‌ക്രൈബർമാർക്ക് 10 ദശലക്ഷം ഇമെയിലുകൾ മാത്രം അയച്ച ശേഷം, ഈ പട്ടിക 150 GB ഫയൽ ഇടം കൈവശപ്പെടുത്തി, കൂടാതെ MySQL ലളിതമായ ചോദ്യങ്ങളിൽ "വിഡ്ഢിത്തം" ചെയ്യാൻ തുടങ്ങി. ഫയൽ സ്പേസ് പ്രശ്നം പരിഹരിക്കാൻ, ഞങ്ങൾ InnoDB ടേബിൾ കംപ്രഷൻ വിജയകരമായി ഉപയോഗിച്ചു, അത് 4 മടങ്ങ് കുറച്ചു. എന്നിരുന്നാലും, ചരിത്രം വായിക്കുന്നതിനായി മാത്രം MySQL-ൽ 20-30 ദശലക്ഷത്തിലധികം ഇമെയിലുകൾ സംഭരിക്കുന്നതിൽ അർത്ഥമില്ല, കാരണം ചില കാരണങ്ങളാൽ പൂർണ്ണമായ സ്കാൻ ഫലങ്ങൾ സ്വാപ്പ്, ഹെവി I/O എന്നിവയിൽ നടത്തേണ്ടി വരും. ഓവർഹെഡ്, ഞങ്ങൾക്ക് പതിവായി Zabbix മുന്നറിയിപ്പുകൾ ലഭിച്ചു.

ക്ലിക്ക്ഹൗസ് രണ്ട് കംപ്രഷൻ അൽഗോരിതങ്ങൾ ഉപയോഗിക്കുന്നു, അത് ഡാറ്റയുടെ അളവ് ഏകദേശം കുറയ്ക്കുന്നു 3-4 തവണ, എന്നാൽ ഈ പ്രത്യേക സാഹചര്യത്തിൽ, ഡാറ്റ പ്രത്യേകിച്ച് "കംപ്രസ്സബിൾ" ആയിരുന്നു.

ELK മാറ്റിസ്ഥാപിക്കൽ

എന്റെ സ്വന്തം അനുഭവത്തെ അടിസ്ഥാനമാക്കി, ELK സ്റ്റാക്കിന് (ElasticSearch, Logstash, Kibana, ഈ പ്രത്യേക സാഹചര്യത്തിൽ ElasticSearch) പ്രവർത്തിക്കാൻ ലോഗുകൾ സംഭരിക്കുന്നതിന് ആവശ്യമായതിനേക്കാൾ കൂടുതൽ വിഭവങ്ങൾ ആവശ്യമാണ്. നിങ്ങൾക്ക് നല്ല ഫുൾ-ടെക്‌സ്‌റ്റ് ലോഗ് തിരയൽ വേണമെങ്കിൽ ഇലാസ്റ്റിക് സെർച്ച് ഒരു മികച്ച എഞ്ചിനാണ് (നിങ്ങൾക്ക് ഇത് ശരിക്കും ആവശ്യമാണെന്ന് ഞാൻ കരുതുന്നില്ല), പക്ഷേ എന്തുകൊണ്ടാണ് ഇത് യഥാർത്ഥ സ്റ്റാൻഡേർഡ് ലോഗിംഗ് എഞ്ചിൻ ആയി മാറിയതെന്ന് ഞാൻ ആശ്ചര്യപ്പെടുന്നു. ലോഗ്സ്റ്റാഷുമായി സംയോജിപ്പിച്ച് അതിന്റെ ഉൾപ്പെടുത്തൽ പ്രകടനം, വളരെ കുറഞ്ഞ ജോലിഭാരങ്ങളിൽ പോലും ഞങ്ങൾക്ക് പ്രശ്‌നങ്ങൾ നൽകി, കൂടുതൽ കൂടുതൽ റാമും ഡിസ്‌ക് സ്‌പെയ്‌സും ചേർക്കേണ്ടതുണ്ട്. ഒരു ഡാറ്റാബേസ് എന്ന നിലയിൽ, ഇനിപ്പറയുന്ന കാരണങ്ങളാൽ ഇലാസ്റ്റിക് സെർച്ചിനേക്കാൾ മികച്ചതാണ് Clickhouse:

• SQL ഡയലക്റ്റ് പിന്തുണ;
• സംഭരിച്ച ഡാറ്റയുടെ മികച്ച കംപ്രഷൻ ബിരുദം;
• ഫുൾ ടെക്സ്റ്റ് തിരയലിന് പകരം Regex തിരയലിനുള്ള പിന്തുണ;
• മെച്ചപ്പെട്ട അന്വേഷണ ഷെഡ്യൂളിംഗും മികച്ച മൊത്തത്തിലുള്ള പ്രകടനവും.

നിലവിൽ, ClickHouse- നെ ELK-യുമായി താരതമ്യം ചെയ്യുമ്പോൾ ഉണ്ടാകുന്ന ഏറ്റവും വലിയ പ്രശ്നം ലോഗുകൾ അപ്‌ലോഡ് ചെയ്യുന്നതിനുള്ള പരിഹാരങ്ങളുടെ അഭാവവും ഈ വിഷയത്തെക്കുറിച്ചുള്ള ഡോക്യുമെന്റേഷനുകളുടെയും ട്യൂട്ടോറിയലുകളുടെയും അഭാവമാണ്. അതേ സമയം, ഓരോ ഉപയോക്താവിനും ഡിജിറ്റൽ ഓഷ്യൻ മാനുവൽ ഉപയോഗിച്ച് ELK സജ്ജീകരിക്കാൻ കഴിയും, ഇത് അത്തരം സാങ്കേതികവിദ്യകളുടെ ദ്രുതഗതിയിലുള്ള നിർവ്വഹണത്തിന് വളരെ പ്രധാനമാണ്. ഇവിടെ ഒരു ഡാറ്റാബേസ് എഞ്ചിൻ ഉണ്ട്, എന്നാൽ ClickHouse-നായി ഇതുവരെ ഫയൽബീറ്റ് ഇല്ല. അതെ, ഉണ്ട് ഒഴുക്കുള്ള ലോഗുകൾക്കൊപ്പം പ്രവർത്തിക്കാനുള്ള സംവിധാനവും ലോഗ് ഹൗസ്, ഒരു ടൂൾ ഉണ്ട് വാലിൽ ക്ലിക്ക് ചെയ്യുക ClickHouse-ലേക്ക് ലോഗ് ഫയൽ ഡാറ്റ നൽകുന്നതിന്, എന്നാൽ ഇതിനെല്ലാം കൂടുതൽ സമയമെടുക്കും. എന്നിരുന്നാലും, ClickHouse അതിന്റെ ലാളിത്യം കാരണം ഇപ്പോഴും മുന്നോട്ട് പോകുന്നു, അതിനാൽ തുടക്കക്കാർക്ക് പോലും ഇത് എളുപ്പത്തിൽ ഇൻസ്റ്റാൾ ചെയ്യാനും വെറും 10 മിനിറ്റിനുള്ളിൽ പൂർണ്ണമായി പ്രവർത്തനക്ഷമമായ ഉപയോഗം ആരംഭിക്കാനും കഴിയും.

മിനിമലിസ്റ്റ് സൊല്യൂഷനുകൾ മുൻഗണന നൽകി, കാഫ്ക ഉപയോഗിക്കുന്നത് ഒഴിവാക്കാൻ ശ്രമിക്കുന്നതിനിടയിൽ, ക്ലിക്ക്ഹൗസ് ഉപയോഗിച്ച്, വളരെ കുറഞ്ഞ മെമ്മറി ലോഗ് അപ്‌ലോഡ് ടൂളായ FluentBit ഉപയോഗിക്കാൻ ഞാൻ ശ്രമിച്ചു. എന്നിരുന്നാലും, ചെറിയ പൊരുത്തക്കേടുകൾ പരിഹരിക്കേണ്ടതുണ്ട് തീയതി ഫോർമാറ്റ് പ്രശ്നങ്ങൾFluentBit-ൽ നിന്ന് ClickHouse-ലേക്ക് ഡാറ്റ പരിവർത്തനം ചെയ്യുന്ന പ്രോക്സി ലെയർ ഇല്ലാതെ ഇത് ചെയ്യാൻ കഴിയും മുമ്പ്.

കിബാനയ്ക്ക് പകരമായി, നിങ്ങൾക്ക് ഒരു ബാക്കെൻഡായി ക്ലിക്ക്ഹൗസ് ഉപയോഗിക്കാം ഗ്രാഫാന. ഞാൻ മനസ്സിലാക്കിയിടത്തോളം, ഇത് ധാരാളം ഡാറ്റ പോയിന്റുകൾ റെൻഡർ ചെയ്യുമ്പോൾ പ്രകടന പ്രശ്നങ്ങൾക്ക് കാരണമാകും, പ്രത്യേകിച്ച് ഗ്രാഫാനയുടെ പഴയ പതിപ്പുകളിൽ. Qwintry-യിൽ, ഞങ്ങൾ ഇത് ഇതുവരെ പരീക്ഷിച്ചിട്ടില്ല, എന്നാൽ ടെലിഗ്രാമിലെ ClickHouse പിന്തുണാ ചാനലിൽ ഇതിനെക്കുറിച്ചുള്ള പരാതികൾ ഇടയ്ക്കിടെ ദൃശ്യമാകും.

ഗൂഗിൾ ബിഗ് ക്വറി, ആമസോൺ റെഡ് ഷിഫ്റ്റ് എന്നിവയുടെ പകരക്കാരൻ (വലിയ കമ്പനികൾക്കുള്ള പരിഹാരം)

1TB JSON ഡാറ്റ ലോഡുചെയ്‌ത് അതിൽ അനലിറ്റിക് ക്വറികൾ പ്രവർത്തിപ്പിക്കുക എന്നതാണ് BigQuery-യ്‌ക്ക് അനുയോജ്യമായ ഉപയോഗ കേസ്. ബിഗ് ക്വറി ഒരു മികച്ച ഉൽപ്പന്നമാണ്, അതിന്റെ സ്കേലബിളിറ്റി അമിതമായി കണക്കാക്കാൻ പ്രയാസമാണ്. ഒരു ഇന്റേണൽ ക്ലസ്റ്ററിൽ പ്രവർത്തിക്കുന്ന ClickHouse നേക്കാൾ സങ്കീർണ്ണമായ സോഫ്റ്റ്‌വെയറാണിത്, എന്നാൽ ക്ലയന്റ് വീക്ഷണകോണിൽ, ClickHouse-മായി ഇതിന് വളരെയധികം സാമ്യമുണ്ട്. ഓരോ SELECT-നും നിങ്ങൾ പണം നൽകിത്തുടങ്ങിയാൽ BigQuery-ന് പെട്ടെന്ന് "വില കൂട്ടാൻ" കഴിയും, അതിനാൽ ഇത് അതിന്റെ എല്ലാ ഗുണങ്ങളും ദോഷങ്ങളുമുള്ള ഒരു യഥാർത്ഥ SaaS പരിഹാരമാണ്.

നിങ്ങൾ കമ്പ്യൂട്ടേഷണൽ വിലയേറിയ നിരവധി ചോദ്യങ്ങൾ പ്രവർത്തിപ്പിക്കുമ്പോൾ ClickHouse ആണ് ഏറ്റവും മികച്ച ചോയ്സ്. നിങ്ങൾ എല്ലാ ദിവസവും കൂടുതൽ SELECT ചോദ്യങ്ങൾ പ്രവർത്തിപ്പിക്കുമ്പോൾ, ബിഗ് ക്വറിയെ ClickHouse ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുന്നതിന് ഇത് കൂടുതൽ പ്രാധാന്യം നൽകുന്നു, കാരണം അത്തരം മാറ്റിസ്ഥാപിക്കൽ നിരവധി ടെറാബൈറ്റ് ഡാറ്റ പ്രോസസ്സ് ചെയ്യുമ്പോൾ ആയിരക്കണക്കിന് ഡോളർ ലാഭിക്കും. സംഭരിച്ച ഡാറ്റയ്ക്ക് ഇത് ബാധകമല്ല, ഇത് ബിഗ് ക്വറിയിൽ പ്രോസസ്സ് ചെയ്യാൻ വളരെ വിലകുറഞ്ഞതാണ്.

ആൾട്ടിനിറ്റിയുടെ സഹസ്ഥാപകനായ അലക്‌സാണ്ടർ സെയ്‌റ്റ്‌സെവിന്റെ ഒരു ലേഖനത്തിൽ "ClickHouse-ലേക്ക് നീങ്ങുന്നു" അത്തരം ഒരു DBMS മൈഗ്രേഷന്റെ പ്രയോജനങ്ങൾ വിവരിക്കുന്നു.

TimescaleDB മാറ്റിസ്ഥാപിക്കൽ

ഒരു സാധാരണ ഡാറ്റാബേസിൽ ടൈംസറികളുമായി പ്രവർത്തിക്കുന്നത് ഒപ്റ്റിമൈസ് ചെയ്യുന്ന ഒരു PostgreSQL വിപുലീകരണമാണ് TimescaleDB (https://docs.timescale.com/v1.0/introduction, https://habr.com/ru/company/zabbix/blog/458530/).

ടൈം സീരീസ് നിച്ചിൽ ClickHouse ഒരു ഗുരുതരമായ എതിരാളിയല്ലെങ്കിലും, കോളം ഘടനയുടെയും വെക്റ്റർ അന്വേഷണ നിർവ്വഹണത്തിന്റെയും കാര്യത്തിൽ, അനലിറ്റിക്കൽ അന്വേഷണങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്ന മിക്ക കേസുകളിലും ഇത് TimescaleDB-യെക്കാൾ വളരെ വേഗതയുള്ളതാണ്. അതേ സമയം, ClickHouse പാക്കറ്റ് ഡാറ്റ സ്വീകരിക്കുന്നതിന്റെ പ്രകടനം ഏകദേശം 3 മടങ്ങ് കൂടുതലാണ്, കൂടാതെ, ഇത് 20 മടങ്ങ് കുറച്ച് ഡിസ്ക് സ്പേസ് ഉപയോഗിക്കുന്നു, ഇത് ചരിത്രപരമായ ഡാറ്റയുടെ വലിയ അളവുകൾ പ്രോസസ്സ് ചെയ്യുന്നതിന് വളരെ പ്രധാനമാണ്: 
https://www.altinity.com/blog/ClickHouse-for-time-series.

ClickHouse-ൽ നിന്ന് വ്യത്യസ്തമായി, ടൈംസ്കെയിൽഡിബിയിൽ കുറച്ച് ഡിസ്ക് സ്ഥലം ലാഭിക്കുന്നതിനുള്ള ഏക മാർഗം ZFS അല്ലെങ്കിൽ സമാനമായ ഫയൽ സിസ്റ്റങ്ങൾ ഉപയോഗിക്കുക എന്നതാണ്.

ClickHouse-ലേക്കുള്ള വരാനിരിക്കുന്ന അപ്‌ഡേറ്റുകൾ ഡെൽറ്റ കംപ്രഷൻ അവതരിപ്പിക്കും, ഇത് സമയ ശ്രേണി ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിനും സംഭരിക്കുന്നതിനും ഇത് കൂടുതൽ അനുയോജ്യമാക്കും. ടൈംസ്‌കെയിൽ ഡിബി, ഇനിപ്പറയുന്ന സന്ദർഭങ്ങളിൽ വെറും ക്ലിക്ക്ഹൗസിനേക്കാൾ മികച്ച ചോയിസായിരിക്കാം:

• വളരെ കുറച്ച് റാം ഉള്ള ചെറിയ ഇൻസ്റ്റലേഷനുകൾ (<3 GB);
• നിങ്ങൾ വലിയ ശകലങ്ങളായി ബഫർ ചെയ്യാൻ ആഗ്രഹിക്കാത്ത ഒരു വലിയ എണ്ണം ചെറിയ ഇൻസേർട്ടുകൾ;
• മെച്ചപ്പെട്ട സ്ഥിരത, ഏകീകൃതത, ACID ആവശ്യകതകൾ;
• PostGIS പിന്തുണ;
• നിലവിലുള്ള PostgreSQL പട്ടികകളുമായി ലയിപ്പിക്കുക, കാരണം ടൈംസ്‌കെയിൽ DB പ്രധാനമായും PostgreSQL ആണ്.

Hadoop, MapReduce സിസ്റ്റങ്ങളുമായുള്ള മത്സരം

Hadoop-നും മറ്റ് MapReduce ഉൽപ്പന്നങ്ങൾക്കും ധാരാളം സങ്കീർണ്ണമായ കണക്കുകൂട്ടലുകൾ നടത്താൻ കഴിയും, പക്ഷേ അവ വലിയ കാലതാമസത്തിലാണ് പ്രവർത്തിക്കുന്നത്. ടെറാബൈറ്റ് ഡാറ്റ പ്രോസസ്സ് ചെയ്ത് ഏതാണ്ട് തൽക്ഷണം ഫലങ്ങൾ സൃഷ്ടിച്ചുകൊണ്ട് ClickHouse ഈ പ്രശ്നം പരിഹരിക്കുന്നു. അതിനാൽ, ഡാറ്റാ സയന്റിസ്റ്റുകൾക്ക് താൽപ്പര്യമുള്ള, വേഗതയേറിയതും സംവേദനാത്മകവുമായ വിശകലന ഗവേഷണം നടത്താൻ ClickHouse കൂടുതൽ കാര്യക്ഷമമാണ്.

പിനോട്ടും ഡ്രൂയിഡുമായുള്ള മത്സരം

ClickHouse-ന്റെ ഏറ്റവും അടുത്ത എതിരാളികൾ നിര, രേഖീയമായി അളക്കാവുന്ന ഓപ്പൺ സോഴ്സ് ഉൽപ്പന്നങ്ങളായ Pinot, Druid എന്നിവയാണ്. ഈ സംവിധാനങ്ങളെ താരതമ്യം ചെയ്യുന്ന ഒരു മികച്ച ജോലി ലേഖനത്തിൽ പ്രസിദ്ധീകരിച്ചിട്ടുണ്ട് റൊമാന ലെവെന്റോവ ഫെബ്രുവരി 1, 2018

ഈ ലേഖനം അപ്‌ഡേറ്റ് ചെയ്യേണ്ടതുണ്ട് - ഏറ്റവും പുതിയ പതിപ്പുകളുമായി ബന്ധപ്പെട്ട് ഇത് പൂർണ്ണമായും ശരിയല്ലാത്ത അപ്‌ഡേറ്റ്, ഡിലീറ്റ് പ്രവർത്തനങ്ങളെ ClickHouse പിന്തുണയ്ക്കുന്നില്ലെന്ന് പറയുന്നു.

ഈ DBMS-കളിൽ ഞങ്ങൾക്ക് കാര്യമായ പരിചയമില്ല, പക്ഷേ ഡ്രൂയിഡും പിനോട്ടും പ്രവർത്തിപ്പിക്കുന്നതിന് ആവശ്യമായ അടിസ്ഥാന സൗകര്യങ്ങളുടെ സങ്കീർണ്ണത എനിക്ക് ഇഷ്ടമല്ല - ഇത് ജാവയാൽ ചുറ്റപ്പെട്ട "ചലിക്കുന്ന ഭാഗങ്ങളുടെ" ഒരു കൂട്ടമാണ്.

ഡ്രൂയിഡും പിനോട്ടും അപ്പാച്ചെ ഇൻകുബേറ്റർ പ്രോജക്റ്റുകളാണ്, അവ അപ്പാച്ചെ അവരുടെ GitHub പ്രോജക്റ്റ് പേജുകളിൽ വിശദമായി ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. പിനോട്ട് 2018 ഒക്ടോബറിൽ ഇൻകുബേറ്ററിൽ പ്രത്യക്ഷപ്പെട്ടു, ഡ്രൂയിഡ് 8 മാസം മുമ്പ് - ഫെബ്രുവരിയിൽ ജനിച്ചു.

AFS എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ചുള്ള വിവരങ്ങളുടെ അഭാവം എനിക്ക് ചിലതും മണ്ടത്തരവുമായ ചില ചോദ്യങ്ങൾ ഉയർത്തുന്നു. അപ്പാച്ചെ ഫൗണ്ടേഷൻ ഡ്രൂയിഡിനോട് കൂടുതൽ ചായ്‌വ് കാണിക്കുന്നത് പിനോട്ടിന്റെ രചയിതാക്കൾ ശ്രദ്ധിച്ചിട്ടുണ്ടോ, ഒരു എതിരാളിയോടുള്ള അത്തരമൊരു മനോഭാവം അസൂയ തോന്നുന്നുണ്ടോ? ആദ്യത്തേതിനെ പിന്തുണയ്ക്കുന്ന സ്പോൺസർമാർ പെട്ടെന്ന് രണ്ടാമത്തേതിൽ താൽപ്പര്യം പ്രകടിപ്പിച്ചാൽ ഡ്രൂയിഡിന്റെ വികസനം മന്ദഗതിയിലാകുകയും പിനറ്റിന്റെ വികസനം ത്വരിതപ്പെടുത്തുകയും ചെയ്യുമോ?

ക്ലിക്ക്ഹൗസിന്റെ പോരായ്മകൾ

പക്വതയില്ലായ്മ: വ്യക്തമായും, ഇത് ഇപ്പോഴും വിരസമായ ഒരു സാങ്കേതികവിദ്യയാണ്, എന്നാൽ ഏത് സാഹചര്യത്തിലും, മറ്റ് കോളം DBMS-ൽ ഇതുപോലൊന്ന് കാണാനാകില്ല.

ചെറിയ ഇൻസെർട്ടുകൾ ഉയർന്ന വേഗതയിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നില്ല: ഓരോ വരിയിലെയും നിരകളുടെ എണ്ണത്തിന് ആനുപാതികമായി ചെറിയ ഉൾപ്പെടുത്തലുകളുടെ പ്രകടനം കുറയുന്നതിനാൽ ഇൻസേർട്ടുകൾ വലിയ കഷ്ണങ്ങളാക്കി വിഭജിക്കണം. ഇങ്ങനെയാണ് ClickHouse ഡിസ്കിൽ ഡാറ്റ സംഭരിക്കുന്നത് - ഓരോ നിരയും അർത്ഥമാക്കുന്നത് 1 ഫയലോ അതിലധികമോ ആണ്, അതിനാൽ 1 ​​കോളങ്ങൾ അടങ്ങിയ 100 വരി തിരുകാൻ, നിങ്ങൾ കുറഞ്ഞത് 100 ഫയലുകളെങ്കിലും തുറന്ന് എഴുതേണ്ടതുണ്ട്. അതുകൊണ്ടാണ് ഇൻസേർട്ട് ബഫറിംഗിന് ഒരു ഇടനിലക്കാരൻ ആവശ്യമായി വരുന്നത് (ക്ലയന്റ് തന്നെ ബഫറിംഗ് നൽകുന്നില്ലെങ്കിൽ) - സാധാരണയായി കാഫ്ക അല്ലെങ്കിൽ ഏതെങ്കിലും തരത്തിലുള്ള ക്യൂയിംഗ് സിസ്റ്റം. മെർജ്‌ട്രീ ടേബിളുകളിലേക്ക് പിന്നീട് വലിയ അളവിലുള്ള ഡാറ്റ പകർത്താനും നിങ്ങൾക്ക് ബഫർ ടേബിൾ എഞ്ചിൻ ഉപയോഗിക്കാം.

ടേബിൾ ജോയിനുകൾ സെർവർ റാം വഴി പരിമിതപ്പെടുത്തിയിരിക്കുന്നു, പക്ഷേ കുറഞ്ഞത് അവ അവിടെയുണ്ട്! ഉദാഹരണത്തിന്, ഡ്രൂയിഡിനും പിനോറ്റിനും അത്തരം കണക്ഷനുകളൊന്നുമില്ല, കാരണം നോഡുകൾക്കിടയിൽ ഡാറ്റയുടെ വലിയ ഭാഗങ്ങൾ നീക്കുന്നത് പിന്തുണയ്ക്കാത്ത വിതരണ സംവിധാനങ്ങളിൽ അവ നേരിട്ട് നടപ്പിലാക്കാൻ പ്രയാസമാണ്.

കണ്ടെത്തലുകൾ

വരും വർഷങ്ങളിൽ, Qwintry-ൽ ClickHouse വിപുലമായി ഉപയോഗിക്കാൻ ഞങ്ങൾ പദ്ധതിയിടുന്നു, കാരണം ഈ DBMS മികച്ച പ്രകടനം, കുറഞ്ഞ ഓവർഹെഡ്, സ്കേലബിളിറ്റി, ലാളിത്യം എന്നിവ നൽകുന്നു. ClickHouse കമ്മ്യൂണിറ്റി ചെറുതും ഇടത്തരവുമായ ഇൻസ്റ്റാളേഷനുകളിൽ ഇത് ഉപയോഗിക്കുന്നതിനുള്ള കൂടുതൽ മാർഗങ്ങൾ കൊണ്ടുവന്നുകഴിഞ്ഞാൽ അത് വേഗത്തിൽ വ്യാപിക്കുമെന്ന് എനിക്ക് ഉറപ്പുണ്ട്.

ചില പരസ്യങ്ങൾ 🙂

ഞങ്ങളോടൊപ്പം താമസിച്ചതിന് നന്ദി. ഞങ്ങളുടെ ലേഖനങ്ങൾ നിങ്ങൾക്ക് ഇഷ്ടമാണോ? കൂടുതൽ രസകരമായ ഉള്ളടക്കം കാണാൻ ആഗ്രഹിക്കുന്നുണ്ടോ? ഒരു ഓർഡർ നൽകി അല്ലെങ്കിൽ സുഹൃത്തുക്കൾക്ക് ശുപാർശ ചെയ്തുകൊണ്ട് ഞങ്ങളെ പിന്തുണയ്ക്കുക, $4.99 മുതൽ ഡെവലപ്പർമാർക്കുള്ള ക്ലൗഡ് VPS, എൻട്രി ലെവൽ സെർവറുകളുടെ ഒരു അദ്വിതീയ അനലോഗ്, നിങ്ങൾക്കായി ഞങ്ങൾ കണ്ടുപിടിച്ചതാണ്: VPS (KVM) E5-2697 v3 (6 കോറുകൾ) 10GB DDR4 480GB SSD 1Gbps-നെക്കുറിച്ചുള്ള മുഴുവൻ സത്യവും $19 മുതൽ അല്ലെങ്കിൽ എങ്ങനെ ഒരു സെർവർ പങ്കിടാം? (RAID1, RAID10 എന്നിവയ്‌ക്കൊപ്പം 24 കോറുകൾ വരെയും 40GB DDR4 വരെയും ലഭ്യമാണ്).

ആംസ്റ്റർഡാമിലെ Equinix Tier IV ഡാറ്റാ സെന്ററിൽ Dell R730xd 2 മടങ്ങ് വിലക്കുറവാണോ? ഇവിടെ മാത്രം 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TV $199 മുതൽ നെതർലാൻഡിൽ! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 മുതൽ! കുറിച്ച് വായിക്കുക ഇൻഫ്രാസ്ട്രക്ചർ കോർപ്പറേഷൻ എങ്ങനെ നിർമ്മിക്കാം. ഒരു പൈസയ്ക്ക് 730 യൂറോ വിലയുള്ള Dell R5xd E2650-4 v9000 സെർവറുകൾ ഉപയോഗിക്കുന്ന ക്ലാസ്?

അവലംബം: www.habr.com