Sistemas Distribuidos

Go to Index

Hay muchos diferentes tipos de sistemas distribuidos.

RDBMS

Un RDBMS es un sistema/servicio que permite crear, actualizar y administrar bases de datos relacionales y la información contenida en las mismas.

Utilizan el Modelo Relacional, que significa que la información se guarda como un conjunto de relaciones representadas por tablas. La tabla tiene filas (registros) y columnas (atributos), cada fila tiene una primary key, y las relaciones se dan por las foreign key.

Un schema es la implementación física del modelo de datos y permite definir tipos de datos, que incluye constraints para los mismos, además de posibles optimizaciones de guardado, y también índices para optimizar la búsqueda.

También contiene Transacciones ACID, que son operaciones que cumplen:

• Atomicidad –> Cada transacción es todo o nada
• Consistencia –> Toda la información escrita es válida según las restricciones presentes
• Aislamiento –> Ninguna transacción es afectada por otra
• Durabilidad –> Una vez que se escribió la información, es permanente

Utiliza SQL (Structured Query Language), un lenguaje de dominio específico para manejar y consultar la información contenida. El SQL está basado en el álgebra relacional, y consiste de 3 sub-lenguajes, DDL (Data Definition Language, crear/alterar tablas), DML (Data Manipulation Language, insertar/modificar datos) y DCL (Data Control Language).

Problemas

Los RDBMS tienen algunos problemas intrínsecos a la tecnología:

• Son demasiado rígidos para nuevos escenarios
• No aplica más la idea “1 tool fits all”
• No es ideal para datos no estructurados
• Dificil de escalar si hay millones de registros
• Las estructuras están optimizadas para lecturas, no tanto para escrituras

OLAP

Conceptualmente se genera un “cubo” con la información dividida a partir de la granularidad de las operaciones que se quieren hacer.

Tienen diferentes acciones que se pueden hacer, como:

• Drill Down –> Agregar
• Roll Up –> Desagregar
• Slice –> Fijar una dimensión
• Dice –> Fijar más de una dimensión
• Pivot –> Rotar la selección de dimensiones

Hay que poder llevar los datos desde el RDBMS a la OLAP, para eso se usan operaciones de ETL, Obtención/Extracción (E), Transformación (T), y Carga (L). Estos procesos se hacen en forma batch periódicamente, toman mucho tiempo en procesar y las consultas son bastante rígidas.

Big Data

Se define a partir de las 3 Vs:

1. Volumen –> Cantidad de datos crece de manera geométrica
2. Variedad –> Aparecen nuevos tipos de datos, son no/semi estructurados
3. Velocidad –> Aumenta la velocidad con la que los datos se generan

Problemas

La máquina por definición no puede procesar los datos de Big Data, y surgen problemas:

• Adquisición –> Hay que soportar tanto el volumen y la velocidad, y habría que usar buffers para evitar problemas de procesamiento.
• Procesamiento –> El procesamiento debería ser dentro de un tiempo que resulta útil para la organización, particionando los datos se podría resolver.
• Guardado –> Hay que utilizar estrategias de guardado acordes a los datos y necesidades de respuesta.
• Vista –> Tener formas de mostrar la información de manera que sea útil para los usuarios del sistema.

Sistemas Distribuidos

Los sistemas distribuidos conviene escalarlos horizontalmente antes que verticalmente, se busca mantener las transaparencias, es decir, trabajar con un sistema distribuido sin saber que está distribuido.

Almacenamiento Distribuido

Busca resolver el guardado de información que no entra toda en 1 solo nodo.

Particionado

Lo más conveniente es dividir la información entre los diferentes nodos. Si la partición es buena algunas ventajas son que, permite realizar escrituras más rápidas y eficientes, y acelerar las lecturas. Aunque sigue teniendo ciertas desventajas, como la coordinación del cluster y que los datos pueden quedar mal particionados si se utiliza una técnica incorrecta.

Replicación

Tener 1 copia de cada partición en el sistema es peligroso, si se cae un nodo se puede perder/corromper la información. Deberían haber más de 1 copia de cada partición.

Consistencia

Al tener particionado y replicación, hay que tomar una decisión en torno a cuando considero al dato escrito y cuando se lo puede leer:

• Al momento de escribir en la partición inicial
• Cuando hay al menos 1 réplica escrita + la partición
• Cuando todas las réplicas están escritas

Hay 2 factores que indican la preferencia en consistencia:

• Consistencia en Escritura –> Indica cuántas copias deben indicar que tienen la escritura antes de que se informe como exitosa
• Consistencia en Lectura –> Indica cuántas particiones deben responder con el mismo valor para que se devuelva el valor

Hay diferentes modelos de consistencia que nacen:

• Consistencia Estricto –> Toda escritura está disponible inmediatamente después de operar
• Consistencia Eventual –> Luego de la escritura, puede pasar un tiempo hasta que se reflejan los cambios

Elasticidad

Capacidad del cluster de modificar la cantidad de nodos sin que el cluster quede offline.

Tolerancia a Fallos

Si algún nodo se cae, las particiones (principales y backup) se reasignan. Esto requiere coordinación, generalmente de un nodo master o nodo coordinador.