मेरी पिछली पोस्ट में, हमने रिलेशनल और नॉन-रिलेशनल डेटाबेस के बीच कुछ मूलभूत अंतर देखे हैं। इस पोस्ट में, आइए इन दोनों की मापनीयता के बारे में बात करते हैं।
मापनीयता
यह एक ऐसी प्रणाली की क्षमता है जो बहुत अधिक प्रदर्शन समस्याओं के बिना तेजी से आने वाले डेटा को आसानी से समायोजित कर सकती है। किसी भी प्रणाली के लिए अच्छी मापनीयता प्रदान करने के लिए यह मुख्य कारक है। दो प्रकार की स्केलिंग विधियां हैं जिन्हें लंबवत और क्षैतिज स्केलिंग के रूप में जाना जाता है।
ऊर्ध्वाधर स्केलिंग
सभी रिलेशनल डेटाबेस टूल वर्टिकल स्केलिंग को सपोर्ट करते हैं। यह अतिरिक्त CPU, मेमोरी और डिस्क स्पेस को जोड़कर सिस्टम की शक्ति को बढ़ाने की विधि है। तो तेजी से आने वाले डेटा की अनुमति देने के लिए, एकल उत्पादन सर्वर को स्केल अप करने के लिए अनुकूलित किया गया है। इस स्केलिंग तकनीक में, हमेशा एक ही उत्पादन सर्वर होता है जिसे सभी एप्लिकेशन और उपयोगकर्ताओं द्वारा जोड़ा जा सकता है। कुछ नोड्स के साथ एक क्लस्टर वातावरण बनाया जा सकता है और डेटा को सभी नोड्स में दोहराया जा सकता है।
एसीआईडी गुणों के कारण, सभी नोड्स में डेटा का एक ही सेट होना चाहिए और क्लस्टर में कई नोड्स होने पर डेटा सिंक्रनाइज़ेशन जटिल हो जाता है। यह रीड स्केलिंग के लिए बहुत अनुकूलित है। लंबवत स्केलिंग को स्केल-अप के रूप में भी जाना जाता है
इस स्केलिंग पद्धति का लाभ क्लस्टर में नोड्स में डेटा का कड़ा एकीकरण और इसकी स्थिरता है। सभी नोड्स में डेटा का एक ही सेट होगा और यदि उत्पादन सर्वर में कोई समस्या है, तो दूसरा नोड स्वचालित रूप से अनुप्रयोगों से जुड़ा होगा। इसलिए इस क्लस्टर को फ़ेल-ओवर क्लस्टर के रूप में जाना जाता है।
क्षैतिज स्केलिंग
सभी गैर-संबंधपरक डेटाबेस उपकरण क्षैतिज स्केलिंग का समर्थन करते हैं। तेजी से आने वाले डेटा की अनुमति देने के लिए नेटवर्क में अधिक कंप्यूटर जोड़ने की यह विधि है। डेटा वृद्धि की अनुमति देने के लिए क्लस्टर में अधिक नोड्स जोड़ना आसान है। डेटा को स्वचालित रूप से विभाजित किया जाता है और क्लस्टर में नोड्स में संसाधित किया जाता है। यह एक वितरित डेटा वातावरण है। Hadoop डिस्ट्रिब्यूटेड फाइल सिस्टम (HDFS) इसका एक उत्कृष्ट उदाहरण है। क्षैतिज स्केलिंग को स्केल-आउट के रूप में भी जाना जाता है।
इस स्केलिंग तकनीक का लाभ यह है कि चूंकि डेटा को विभाजित किया जाता है और नोड्स में दोहराया जाता है यदि कोई भी नोड ऑफ़लाइन हो जाता है, तो एप्लिकेशन में अभी भी अन्य नोड्स से डेटा हो सकता है और यह हर समय डेटा की उपलब्धता की गारंटी देता है। यह विधि उन मामलों के लिए बहुत उपयोगी है जहां नोड्स के डेटा के बीच किसी जॉइन की आवश्यकता नहीं होती है। यह डेटा को अलग करने और उन्हें विभिन्न भौगोलिक स्थानों में रखने में भी सहायक है।
जबकि इन दोनों स्केलिंग तकनीकों के फायदे और नुकसान हैं, एक अच्छा वातावरण इन दोनों को उत्कृष्ट स्केल-अप और स्केल-आउट के लिए मिला सकता है। हमारे पास एक ही सर्वर में एक स्केल-अप रीड एंड राइट डेटाबेस हो सकता है जिसके लिए एसीआईडी गुणों की आवश्यकता होती है और डेटा माइनिंग उद्देश्य के लिए कई नोड्स में एक स्केल-आउट वितरित ऐतिहासिक डेटा होता है।
