system-design-primer/README-id.md

112 KiB
Raw Blame History

EnglishIndonesian日本語简体中文繁體中文 | العَرَبِيَّة‎বাংলাPortuguês do BrasilDeutschελληνικάעבריתItaliano韓國語فارسیPolskiрусский языкEspañolภาษาไทยTürkçetiếng ViệtFrançais | Add Translation

Dasar Rancangan Sistem


Motivasi

Belajar bagaimana merancang sistem skala besar.

Persiapan wawancara rancangan sistem.

Belajar bagaimana merancang sistem dalam skala besar

Belajar bagaimana merancang sistem terskalakan membantu menjadikan kita perekayasa yang lebih baik.

Perancangan sistem merupakan topik yang luas. Sumber daya mengenai prinsip-prinsip perancangan sistem banyak tersebar di berbagai situs di internet. Hal ini menyulitkan karena sumber daya tersebut tidak terkumpul di satu tempat.

Repositori ini menjadi tempat pengorganisasian koleksi-koleksi sumber daya yang dibutuhkan untuk belajar membangun sistem dalam sekala besar.

Belajar dari komunitas sumber terbuka

Proyek ini merupakan proyek sumber terbuka yang terus diperbarui.

Ayo kontribusi di sini!

Persiapan wawancara rancangan sistem

Selain wawancara pemrograman, perancangan sistem adalah salah satu komponen yang diwajibkan dari dari proses wawancara teknis di banyak perusahaan teknologi.

Latih pertanyaan-pertanyaan umum wawancara rancangan sistem dan bandingkan hasilmu dengan contoh solusi: diskusi, program, dan diagram.

Topik-topik tambahan untuk persiapan wawancara:

Kartu kilat Anki


Bungkusan kartu kilat Anki yang disediakan menggunakan perulangan berjeda untuk membantu menguasai konsep-konsep kunci rancangan sistem.

Cocok untuk digunakan ketika dalam perjalanan.

Sumber daya kode: Tantangan kode interaktif

Apakah Anda mencari sumber daya untuk membantu persiapan wawancara pemrograman?


Silakan periksa repositori Tantangan Pemrograman Interaktif yang berisi tambahan bungkusan Anki:

Kontribusi

Belajar dari komunitas.

Silakan kirim permintaan tarik (pull request) untuk membantu hal-hal berikut:

  • Membenarkan kesalahan
  • Memperbaiki bagian yang ada
  • Menambahkan bagian baru
  • Terjemahan

Konten yang masih memerlukan polesan ditempatkan di bagian dalam pengembangan

Tinjau kembali Pedomain Kontribusi.

Indeks topik rancangan sistem

Ringkasan dari berbagai topik rancangan sistem, termasuk kelebihan dan kekurangannya. Segala sesuatu dalam rancangan adalah hasil kompromi.

Setiap bagian berisi tautan ke sumber daya yang lebih dalam.


Panduan belajar

Topik yang disarankan untuk ditinjau ulang berdasarkan garis waktu wawancara (pendek, sedang, panjang).

Imgur

P: Apakah saya perlu mengetahui segala sesuatu yang ada di sini untuk wawancara?

J: Tidak. Anda tidak perlu tahu segala sesuatu yang ada di sini untuk persiapan wawancara.

Apa yang menjadi pertanyaan saat Anda wawancara bergantung pada hal-hal yang tidak tentu, contohnya:

  • Banyak pengalaman yang Anda miliki
  • Latar belakang teknis Anda
  • Posisi yang Anda lamar
  • Perusahaan tempat Anda wawancara
  • Keberuntungan

Kandidat yang berpengalaman umumnya diharapkan untuk tahu lebih mengenai rancangan sistem. Arsitek atau pemimpin tim mungkin diharapkan untuk tahu lebih banyak dibandingkan kontributor perorangan. Perusahan teknologi top kemungkinan besar mempunyai satu atau lebih sesi wawancara rancangan.

Mulai dari topik yang luas dan masuk lebih dalam ke beberapa area. Pengetahuan dasar berbagai topik-topik kunci rancangan sistem akan sangat membantu. Sesuaikan panduan berikut berdasarkan waktu, pengalaman, posisi yang dilamar, dan perusahan tempat Anda wawancara.

  • Garis waktu pendek - Bidik topik-topik rancangan sistem secara luas. Latih dengan cara menjawab beberapa pertanyaan wawancara.
  • Garis waktu sedang - Bidik topik-topik rancangan sistem secara luas dan perdalam dibeberapa bagian tertentu. Latih dengan cara menjawab banyak pertanyaan wawancara.
  • Garis waktu panjang - Bidik topik-topik rancangan sistem secara laus dan mendalam. Latih dengan cara menyelesaikan seluruh pertanyaan wawancara.
Short Medium Long
Baca sampai habis Indeks topik rancangan sistem untuk pemahaman secara luas bagaimana cara kerja suatu sistem 👍 👍 👍
Baca sampai habis beberapa artikel di Blog teknik perusahaan untuk perusahaan tempat Anda wawancara 👍 👍 👍
Baca sampai habis beberapa Arsitektur dunia nyata 👍 👍 👍
Ulas Pendekatan menjawab pertanyaan wawancara rancangan sistem 👍 👍 👍
Tinjau Pertanyaan wawancara rancangan sistem beserta solusinya Some Many Most
Teliti Pertanyaan wawancara rancangan berbasis objek beserta solusinya Some Many Most
Periksa Tambahan pertanyaan wawancara rancangan sistem Some Many Most

Pendekatan menjawab pertanyaan wawancara rancangan sistem

Cara menangani pertanyaan wawancara perancangan sistem.

Wawancara perancangan sistem adalah pembicaraan yang bersifat terbuka. Kita diharapkan untuk menuntun pembicaraan tersebut.

Kita dapat menggunakan langkah-langkah berikut untuk menuntun diskusi. Untuk memperkuat proses diskusi, ulas bagian Pertanyaan wawancara rancangan sistem beserta solusinya menggunakan langkah-langkah berikut.

Langkah 1: Uraikan kasus penggunaan, batasan, dan asumsi

Kumpulkan kebutuhan dan tentukan ruang lingkup permasalahan. Gunakan pertanyaan untuk memperjelas kasus penggunaan dan batasan. Diskusikan juga asumsi yang diambil.

  • Siapa pengguna sistem?
  • Bagaimana pengguna sistem akan menggunakan sistem tersebut?
  • Berapa banyak pengguna sistem?
  • Apa yang dilakukan oleh sistem?
  • Masukan dan keluaran apa yang ada pada sistem?
  • Berapa besar ekspektasi data yang perlu ditangani?
  • Berapa ekspektasi jumlah permintaan per detik?
  • Berapa ekspektasi rasio baca dan tulis?

Langkah 2: Buat rancangan tingkat tinggi

Jabarkan rancangan tingkat tinggi yang mencakup seluruh komponen penting.

  • Buat sketsa komponen utama dan hubungannya
  • Beri alasan untuk ide Anda

Langkah 3: Rancang komponen inti

Perinci setiap komponen inti. Sebagai contoh, jika Anda diminta merancang layanan penyingkat tautan, diskusikan hal-hal berikut:

  • Pembangkitan dan penyimpanan campuran (hash) dari tautan penuh
    • MD5 dan Base62
    • Tabrakan campuran (hash)
    • SQL atau NoSQL
    • Skema basis data
  • Penerjemahan tautan hasil pencampuran menjadi tautan penuh
  • API dan rancangan berbasis objek

Langkah 4: Skalakan rancangan

Kenali dan tangani kemacetan dalam batasan yang ada. Sebagai contoh, apakah diperlukan hal-hal berikut untuk menangani masalah skalabilitas?

  • Pembagi beban (Load balancer)
  • Penyekalaan mendatar (Horizontal scaling)
  • Penyinggahan (Caching)
  • Pemecahan basis data (Database sharding)

Diskusikan potensi solusi dan kompromi. Segala sesuatunya adalah hasil kompromi. Tangani kemacetan menggunakan prinsip-prinsip perancangan sistem terskala.

Kalkulasi belakang amplop

Anda mungkin diminta untuk mengestimasi dengan tangan. Aculah lampiran pada sumber daya berikut:

Sumber dan bacaan lanjutan

Periksa tautan-tautan berikut untuk lebih memahami apa yang diharapkan saat wawancara perancangan sistem:

Pertanyaan wawancara rancangan sistem beserta solusinya

Pertanyaan umum pada wawancara perancangan sistem beserta contoh diskusi, kode, dan diagram.

Solusi terhubung dengan konten di dalam folder solutions/.

Pertanyaan
Perancangan Pastebin.com (or Bit.ly) Solusi
Perancangan linimasa Twitter and pencarian (atau linimasa dan pencarian Facebook) Solusi
Perancangan perayap web Solusi
Perancangan Mint.com solusi
Perancangan struktur data untuk jejaring sosial Solusi
Perancangan gudang kunci-nilai (key-value) untuk mesin pencari Solusi
Perancangan peringkat penjualan Amazon berdasarkan fitur kategori Solusi
Perancangan sistem terskala untuk jutaan pengguna pada AWS Solusi
Tambahkan pertanyaan perancangan sistem Kontribusi

Perancangan Pastebin.com (or Bit.ly)

Lihat latihan dan solusi

Imgur

Perancangan linimasa Twitter and pencarian (atau linimasa dan pencarian Facebook)

Lihat latihan dan solusi

Imgur

Perancangan perayap web

Lihat latihan dan solusi

Imgur

Perancangan Mint.com

Lihat latihan dan solusi

Imgur

Perancangan struktur data untuk jejaring sosial

Lihat latihan dan solusi

Imgur

Perancangan gudang kunci-nilai (key-value) untuk mesin pencari

Lihat latihan dan solusi

Imgur

Perancangan peringkat penjualan Amazon berdasarkan fitur kategori

Lihat latihan dan solusi

Imgur

Perancangan sistem terskala untuk jutaan pengguna pada AWS

Lihat latihan dan solusi

Imgur

Pertanyaan wawancara rancangan berbasis objek beserta solusinya

Pertanyaan umum pada wawancara perancangan berbasis objek beserta diskusi, code, dan diagram.

Solusi terhubung dengan konten di dalam folder solutions/.

Catatan: Bagian ini dalam proses pengembangan

Pertanyaan
Perancangan peta campuran (hash map) Solusi
Perancangan singgahan yang paling jarang digunakan (LRU cache) Solusi
Perancangan pusat panggilan Solusi
Perancangan tumpukan kartu Solusi
Perancangan tempat parkir Solusi
Perancangan server obrolan Solusi
Perancangan larik melingkar (circular array) Kontribusi
Add an object-oriented design question Kontribusi

Topik perancangan sistem: Mulai dari sini

Baru mengenal perancangan sistem?

Pertama-tama, kita perlu memahami prinsip-prinsip umum, belajar apa saja prinsip-prinsip tersebut, bagaimana penggunaannya, dan kelebihan dan kekurangannya.

Langkah 1: Tonton kuliah video skalabilitas

Kuliah skalabilitas di Harvard

  • Topik yang dicakup:
    • Penyekalaan tegak lurus (vertical scaling)
    • Penyekalan mendatar (horizontal scaling)
    • Penyinggahan (caching)
    • Pembagian beban (load balancing)
    • Pereplikasian basis data (database replication)
    • Penyekatan basis data (database partitioning)

Langkah 2: Baca artikel skalabilitas

Skalabilitas untuk orang-orangan

Langkah selanjutnya

Selanjutnya kita akan melihat kompromi pada tingkat tinggi:

  • Kinerja vs skalabilitas
  • Latensi vs lewatan
  • Ketersediaan vs konsistensi

Perlu diingat bahwa segala sesuatunya adalah hasil kompromi.

Selanjutnya kita akan mempelajari lebih dalam topik-topik tertentu seperti DNS, CDNs, dan penyeimbang beban.

Kinerja vs skalabilitas

Sebuah layanan disebut terskala jika layanan tersebut menghasilkan peningkatan kinerja secara proposional terhadap pertambahan sumber daya. Secara umum, peningkatan kinerja berarti pertambahan unit kerja yang bisa diselesaikan. kemungkinan lainnya adalah kemampuan menangani unit kerja ukurannya yang lebih besar, contohnya ketika himpunan data berkembang.1

Cara lain melihat kinerja vs skalabilitas:

  • Jika layanan terkena masalah kinerja, sistem terasa lambat oleh pengguna tunggal.
  • Jika layanan terkena masalah skalabilitas, sistem terasa cepat oleh pengguna tunggal tetapi menjadi lambat ketika di bawah tekanan.

Sumber dan bacaan lanjutan

Latensi vs lewatan

Latensi adalah waktu yang diperlukan untuk melakukan suatu aksi atau mendapatkan hasil.

Lewatan adalah jumlah aksi atau hasil yang didapatkan per satuan waktu.

Secara umum, kita menargetkan lewatan yang maksimal dengan latensi yang dapat diterima.

Sumber dan bacaan lanjutan

Ketersediaan vs konsistensi

Teorema CAP


Sumber: tinjauan kembali teorema CAP

Dalam sistem komputer terdistribusi, kita hanya dapat mendukung dua dari jaminan berikut:

  • Konsistensi (Consistency) - Setiap operasi baca menerima tulisan terbaru atau error
  • Ketersediaan (Availability) - Setiap permintaan mendapat tanggapan, tanpa jaminan tanggapan tersebut berisi informasi terbaru
  • Toleransi Penyekatan (Partition Tolerance) - Sistem tetap bekerja meskipun terjadi penyekatan yang berubah-ubah karena kegagalan jaringan

Jaringan tidak dapat diandalkan sehingga kita perlu mendukung toleransi penyekatan. Kita perlu memilih kompromi perangkat lunak antara konsistensi dan ketersediaan.

CP - konsistensi dan toleransi penyekatan

Menunggu tanggapan dari mesin yang tersekat mungkin akan gagal karena kehabisan waktu. CP adalah kompromi yang baik jika bisnis mempunyai kebutuhan baca dan tulis yang bersifat atom.

AP - ketersediaan dan toleransi penyekatan

Tanggapan berisi data terakhir yang tersedia pada sebuah mesin dimana data tersebut mungkin bukan data terbaru. Tulisan bakal memerlukan beberapa saat untuk tersebar ke mesin lain ketika masalah penyekatan selesai.

AP adalah kompromi yang baik jika kebutuhan bisnis mengijinkan untuk konsistensi yang mungkin terjadi atau ketika sistem perlu tetap bekerja walaupun ada kesalahan pihak luar.

Sumber dan bacaan lanjutan

Pola konsistensi

Dengan adanya salinan ganda data, kita dihadapkan dengan pilihan cara untuk menyinkronkan salinan tersebut. Salinan data perlu disinkronkan sehingga pengguna memiliki pandangan yang konsisten terhadap data. Ingat kembali definisi konsistensi dari teorema CAP - Setiap operasi baca menerima tulisan terbaru atau gagal.

Konsistensi lemah

Setelah operasi tulis, operasi baca belum tentu melihat hasil operasi tulis. Pendekatan usaha terbaik perlu diambil.

Pendekatan ini bisa dilihat pada sistem contohnya Memcached. Konsistensi lemah bekerja dengan baik pada sistem kasus penggunaan waktu nyata contohnya VoIP, obrolan video, dan permainan banyak pemain waktu nyata. Sebagai contoh, jika kita dalam panggilan telpon dan kehilangan sinyal untuk beberapa detik, kita tidak akan mendengar pembicaraan yang terjadi ketika koneksi terputus.

Konsistensi yang mungkin terjadi (eventual consistency)

Setelah operasi tulis, operasi baca akan melihat pada waktu yang akan datang (biasanya dalam mili seconds). Data direplikasi secara asinkron.

Pendekatan ini terlihat di sistem contohnya DNS dan email. Konsistensi yang mungkin terjadi bekerja dengan baik di sistem yang sangat tersedia.

Konsisten kuat

Setelah operasi tulis, operasi baca akan langsung melihatnya. Data direplikasi secara sinkron.

Pendekatan ini terlihat pada sistem pemberkasan dan RDBMS. Konsistensi kuat bekerja dengan baik di sistem yang membutuhkan transaksi.

Sumber dan bacaan tambahan

Pola ketersediaan

Ada dua pola utama untuk mendukung ketersediaan tinggi: fail-over dan replikasi.

Fail-over

Aktif-pasif

Dengan mekanisme fail-over aktif-pasif, denyut nadi dikirim antara server aktif dan pasif dalam keadaan siaga. Jika pengiriman denyut nadi terinterupsi, server pasif akan mengambil alih alamat IP yang aktif dan meneruskan layanan.

Lamanya waktu penghentian ditentukan berdasarkan kondisi server pasif apakah dalam status siaga 'panas' atau siaga 'dingin'. Hanya server yang aktif yang melayani permintaan.

Fail-over aktif-pasif disebut juga dengan istilah failover master-slave.

Aktif-aktif

Dalam aktif-aktif, kedua server mengelola layanan secara berbarengan, menyebarkan beban kerja diantara mereka.

Jika server terhubung langsung ke internet, DNS perlu mengetahui IP publik kedua server. Jika server terhubung ke jaringan internal, logik pada aplikasi perlu mengetahui alamat IP kedua server.

Failover aktif-aktif disebut juga dengan istilah failover master-master.

Kerugian: failover

  • Fail-over meningkatkan jumlah perangkat keras yang dibutuhkan dan kompleksitas.
  • Ada potensi kehilangan data ketika sistem aktif gagal pada ada data terbaru yang sudah berhasil ditulis di server aktif tetapi belum direplikasi ke server pasif.

Replikasi

Master-slave and master-master

Topik ini dibahas lebih lanjut di bagian Basis data:

Ketersediaan dalam angka

Ketersediaan seringnya dinyatakan berdasarkan waktu nyala (atau waktu padam) sebagai persentasi dari waktu ketersediaan layanan. Ketersediaan umumnya diukur di dalam angka 9s. Sebuah layanan dengan tingkat ketersediaan 99.99% digambarkan sebagai layanan yang memiliki empat 9.

Ketersediaan 99.9% - tiga 9

Durasi Waktu padam yang terterima
Waktu padam per tahun 8h 45min 57s
Waktu padam per bulan 43m 49.7s
Waktu padam per minggu 10m 4.8s
Waktu padam per hari 1m 26.4s

Ketersediaan 99.99% - empat 9

Durasi Waktu padam yang terterima
Waktu padam per tahun 52min 35.7s
Waktu padam per bulan 4m 23s
Waktu padam per minggu 1m 5s
Waktu padam per hari 8.6s

Ketersediaan sejajar vs berurutan

Jika suatu layanan terdiri dari beberapa komponen yang rentan mengalami kegagalan, ketersediaan layanan secara keseluruhan tergantung apakah komponen tersebut sejajar atau berurutan.

Berurutan

Ketersedian secara keseluruhan berkurang ketika dua komponen dengan tingkat ketersediaan kurang dari 100% bekerja berurutan:

Ketersedian (Total) = Ketersediaan (Foo) * Ketersedian (Bar)

Jika Foo dan Bar keduanya masing-masing memiliki 99.9% tingkat ketersediaan, maka total tingkat ketersediaan keduanya berurutan menjadi 99.8%.

Sejajar

Ketersediaan secara keseluruhan meningkat ketika dua komponen dengan tingkat tersediaan kurang dari 100% bekerja sejajar:

Ketersediaan (Total) = 1 - (1 - Ketersediaan (Foo)) * (1 - Ketersediaan (Bar))

Jika Foo dan Bar keduanya masing-masing memiliki tingkat ketersediaan sebesar 99.9%, maka total tingkat ketersediaan sejajar keduanya adalah 99.9999%.

Domain name system


Sumber: presentasi keamanan DNS

Domain Name System (DNS) menerjemahkan nama suatu domain seperti www.example.com menjadi alamaat IP.

DNS bersifat hierarki, dengan beberapa server berkuasa di level puncak. Router atau ISP yang kita gunakan menyediakan informasi mengenai server DNS yang dihubungi ketika melakukan pencarian. Server DNS tingkat lebih rendah menyinggahkan pemetaan yang mungkin tidak mutakhir karena penundaan perambatan DNS. Hasil DNS bisa juga disinggahkan oleh peramban atau sistem operasi selama periode tertentu yang ditentukan oleh masa berlaku DNS.

  • NS record (name server) - Menentukan server DNS untuk domain/subdomain tersebut.
  • MX record (mail exchange) - Menentukan server email untuk penerimaan pesan.
  • A record (address) - Mengarahkan sebuah nama ke alamat IP.
  • CNAME (canonical) - Mengarahkan sebuah nama ke nama lain. Nama lain tersebut bisa berupa CNAME atau A (Contohnya example.com diarahkan ke www.example.com).

Layanan seperti CloudFlare dan Route 53 menyediakan layanan DNS terkelola. Beberapa layanan DNS mampu mengarahkan lalu lintas melalui berbagai metode:

  • Weighted round robin
    • Mencegah lalu lintas bergerak menuju server yang sedang dalam pemeliharaan
    • Menyeimbangkan antara berbagai ukuran gugusan
    • Pengujian A/B
  • Berdasarkan latensi
  • Berdasarkan geolokasi

Kekurangan: DNS

  • Pengaksesan server DNS menambahkan sedikit penundaan, walaupun sudah diperingan menggunakan singgahan seperti penjelasan di atas.
  • Pengelolaan server DNS bisa jadi rumit dan umumnya dikelola oleh pemerintah, penyedia jasa internet, dan perusahaan besar.
  • Layanan DNS belakangan ini mengalami serangan DDoS, preventing users from accessing websites such as Twitter without knowing Twitter's IP address(es).

Sumber dan bacaan lanjutan

Content delivery network


Sumber: Mengapa menggunakan CDN

Content delivery network (CDN) adalah jaringan server proksi yang tersebar secara global, menyuguhkan konten dari lokasi terdekat ke pengguna. Umumnya, berkas statis seperti HTML/CSS/JS, foto, dan video disuguhkan oleh CDN, meskipun beberapa CDN seperti Amazon CloudFront mendukung konten dinamis. Resolusi DNS situs akan memberitahu pengguna server mana yang dihubungi.

Penyuguhan konten melalui CDN bisa meningkatkan kinerja secara signifikan melalui dua cara:

  • Pengguna menerima konten dari pusat data terdekat ke mereka
  • Server kita tidak perlu melayani permintaan yang dipenuhi oleh CDN

CDN setor

CDN setor menerima konten baru kapanpun perubahan terjadi di server kita. Kita bertanggungjawab penuh untuk menyediakan konten, mengunggah langsung ke CDN dan menulis ulang alamat URL supaya mengarah ke CDN. Kita dapat mengkonfigurasi kapan konten kedaluarsa dan kapan konten diperbarui. Konten diunggah hanya ketika ada konten baru atau konten berubah untuk meminimalkan lalu lintas dan memaksimalkan penyimpanan.

Situs dengan lalu lintas kecil atau situs dengan konten yang tidak sering diperbarui bekerja baik dengan CDN setor. Konten ditempatkan pada CDN sekali, daripada ditarik ulang secara berkala.

CDN tarik

CDN tarik mengambil konten baru dari server kita ketika ada user pertama yang meminta konten tersebut. Kita menyimpan konten di server kita dan menulis ulang URL supaya mengarah ke CDN. Mekanisme ini menghasilkan permintaan yang lebih lambat sampai konten singgah di CDN.

Masa berlaku menentukan berapa lama konten akan singgah. CDN tarik meminimalkan ruang penyimpanan pada CDN, tetapi bisa menciptakan lalu lintas yang berlebihan jika berkas kedaluarsa dan ditarik sebelum berkas tersebut diubah.

Situs dengan lalu lintas padat bekerja baik dengan CDN tarik, sebagaimana lalu lintas tersebar secara merata dengan konten yang baru diminta saja yang tersimpan di CDN.

Kekurangan: CDN

  • Biaya CDN bisa signifikan tergantung kepadatan lalu lintas, meskipun perlu ditimbang biaya tambahan yang akan ditanggung tanpa CDN.
  • Konten mungkin kedaluarsa jika konten diupdate sebelum masa berlaku habis.
  • CDN mengharuskan perubahan alamat URL sehingga konten statis mengarah ke CDN.

Sumber dan bacaan lanjutan

Penyeimbang beban


Sumber: Pola perancangan sistem terskala

Penyeimbang beban membagikan permintaan klien yang masuk ke sumber daya komputasi seperti server aplikasi dan basis data. Dalam setiap kasus, penyeimbang beban mengembalikan tanggapan dari sumber daya komputasi ke klien yang sesuai. Penyeimbang beban efektif dalam hal:

  • Mencegah permintaan dilayani oleh server yang tidak sehat
  • Mencegah sumber daya kelebihan beban
  • Membantu menghilangkan titik kegagalan

Penyeimbang beban bisa diimplementasikan menggunakan perangkat keras (mahal) atau dengan perangkat lunak seperti HAProxy.

Yang termasuk dalam manfaat tambahan:

  • Terminasi SSL - Mendekripsi permintaan yang datang dan mengenkripsi tanggapan server sehingga server bagian belakang tidak perlu melakukan operasi yang berpotensi mahal ini
  • Persistensi sesi - Mengeluarkan kuki dan mengarahkan permintaan klien yang spesifik ke server yang sama jika aplikasi web tidak melakukan pelacakan sesi

Untuk menjaga dari kegagalan, biasa dilakukan pendirian penyeimbang beban berganda, baik itu mode aktif-pasif atau aktif-aktif.

Penyeimbang beban dapat mengarahkan lalu linta berdasarkan berbagai metrik termasuk:

Penyeimbangan beban lapisan ke-4

Penyeimbang beban lapisan ke-4 menggunakan informasi pada lapisan transportasi untuk menentukan bagaimana cara mendistribusikan permintaan. Umumnya, proses ini melibatkan asal alamat ip, tujuan alamat ip dan porta pada tajuk (header), tetapi bukan isi paket. Penyeimbang beban lapisan ke-4 meneruskan paket jaringan dari dan ke server hulu dengan melakukan translasi alamat jaringan.

Penyeimbang beban lapisan ke-7

Penyeimbang beban lapisan ke-7 menggunakan informasi pada lapisan aplikasi untuk menentukan cara mendistribusikan permintaan. Informasi yang dapat dilibat adalah tajuk, pesan, dan kuki. Penyeimbang beban lapisan ke-7 mengakhiri lalu lintas jaringan, membaca pesan, membuat keputusan penyeimbangan beban, kemudian membuka koneksi ke server terpilih. Sebagai contoh, penyeimbang beban lapisan ke-7 bisa mengarahkan lalu lintas video menuju server yang menginangi video tersebut sembari mengarahkan lalu lintas tagihan pengguna yang lebih sensitif ke server yang keamanannya sudah diperketat. Layer 7 load balancers look at the application layer to decide how to distribute requests.

Dengan mengorbankan fleksibilitas, penyeimbang beban lapisan ke-4 memerlukan waktu dan sumber daya komputasi yang lebih sedikit dibandingkan dengan penyeimbang beban lapisan ke-7, walaupun dampak kinerjanya bisa sangat minim pada perangkat keras komoditas modern.

Penyekalaan horizontal

Penyeimbang beban bisa juga membantu penyekalaan horizontal untuk meningkatkan kinerja dan ketersediaan. Penyekalaan keluar menggunakan mesin komoditas lebih efisien dari segi biaya dan menghasilkan ketersediaan yang lebih tinggi dibandingkan dengan penyekalaan ke atas server. Penyekalaan ke atas sebuah server individu menggunakan perangkat keras yang lebih mahal disebut dengan penyekalaan vertikal. Mencari pekerja yang bekerja pada perangkat lunak komoditas juga lebih mudah dibandingkan mencari pekerja untuk sistem firma terspesialisasi.

Kekurangan: Penyekalaan horizontal

  • Penyekalaan secara horizontal meningkatkan kompleksitas dan melibatkan pengklonaan server
    • Server seharusnya nirkeadaan: server seharusnya tidak mengandung data apapun yang berhubungan dengan pengguna seperti sesi dan profil pengguna
    • Sesi dapat disimpan pada penyimpanan data terpusat seperti basis data (SQL, NoSQL) atau singgahan persisten (Redis, Memcached)
  • Server hilir seperti singgahan dan basis data perlu menangani lebih banyak koneksi secara simultan ketika terjadi penyekalaan keluar server hulu

Kekurangan: penyeimbang beban

  • Penyeimbang beban bisa menjadi titik macet kinerja jika penyeimbang beban tidak memiliki sumber daya yang cukup atau tidak dikonfigurasi dengan benar.
  • Menambahkan penyeimbang beban untuk menghilangkan titik kegagalan akan meningkatkan kompleksitas.
  • Penyeimbang beban tunggal adalah titik kegagalan. Konfigurasi penyeimbang beban ganda membuat sistem lebih kompleks lagi.

Sumber dan bacaan lanjutan

Proksi terbalik (server web)


Sumber: Wikipedia

Proksi terbalik adalah server web yang memusatkan layanan-layanan internal dan menyediakan antarmuka terpadu ke publik. Permintaan dari klien diteruskan ke salah satu server yang mampu memenuhi permintaan tersebut sebelum proksi terbalik mengembalikan tanggapan server tersebut ke klien.

Benefit tambahan yang termasuk di dalamnya:

  • Meningkatkan keamanan - Menyembunyikan informasi mengenai server bagian belakang, memasukan alamat IP ke dalam daftar hitam, dan membatasi jumlah koneksi per klien
  • Meningkatkan skalabilitas dan fleksibilitas - Klien hanya melihat alamat IP proksi terbalik sehingga memungkinkan kita untuk menyekalakan server atau mengganti konfigurasi
  • Terminasi SSL - Mendekripsi permintaan yang datang dan mengenkripsi tanggapan server sehingga server bagian belakang tidak perlu melakukan operasi yang berpotensi mahal ini
  • Kompresi - Memampatkan tanggapan server
  • Singgahan - Mengembalikan tanggapan berdasarkan permintaan yang ada disinggahan
  • Konten statis - Melayani konten statis secara langsung
    • HTML/CSS/JS
    • Foto
    • Video
    • Dan lainnya

Penyeimbang beban vs proksi terbalik

  • Penggelaran penyeimbang beban berguna ketika kita mempunyai beberapa server. Seringkali, penyeimbang beban mengarahkan lalu lintas ke sekumpulan server yang melayani fungsi yang sama.
  • Proksi terbalik bisa berguna bahkan untuk satu server web atau satu server aplikasi sehingga membuka manfaat yang dijelaskan pada bagian sebelumnya.
  • Solusi seperti NGINX dan HAProxy mendukung pemproxyan terbalik dan penyeimbangan beban lapisan ke-7.

Kekurangan: proksi terbalik

  • Menambahkan proksi terbalik meningkatkan kompleksitas.
  • Proksi terbalik tunggal adalah titik kegagalan. Pengkonfigurasian proksi terbalik ganda (Contohnya failover) meningkatkan kompleksitas lagi.

Sumber dan bacaan lanjutan

Lapisan aplikasi


Sumber: Pengantar pengarsitekan sistem secara terskala

Pemisahan antara lapisan web dengan lapisan aplikasi (dikenal juga dengan istilah lapisan platform) memungkinkan kita untuk menyekala dan mengkonfigurasi kedua lapisan secara independen. Penambahan API baru menghasilkan penambahan server aplikasi tanpa perlu penambahan server web. Prinsip tanggung jawab tunggal menganjurkan untuk layanan yang kecil dan mandiri yang bekerja secara bersama. Tim kecil dengan layanan kecil bisa merencanakan pertumbuhan yang cepat secara lebih agresif.

Pekerja pada lapisan aplikasi membantu mengaktifkan asinkronisme.

Layanan mikro (Microservices)

Sehubungan dengan diskusi ini adalah microservices dimana dapat digambarkan sebagai sekumpulan layanan yang kecil, modular, dan dapat digelar secara independen. Setiap layanan menjalankan proses yang unik dan berkomunikasi melalui mekanisme ringan dan sudah terdefinisi dengan baik untuk melayani tujuan bisnis.1

Contohnya, Pinterest bisa memiliki layanan mikro: profil pengguna, pengikut, umpan, pencarian, pengunggahan foto, dan lain.

Penemuan layanan (Service Discovery)

Sistem seperti Consul, Etcd, dan Zookeeper bisa membantu layanan untuk saling menemukan dengan cara melacak nama yang terdaftar, alamat, dan porta. Pemeriksaan kesehatan membantu menguji integritas layanan dan seringkali dilakukan menggunakan titik akhir HTTP. Baik Consul dan Etcd keduanya memiliki gudang kunci-nilai bawaan yang berguna untuk menyimpan nilai konfigurasi dan data bersama lainnya.

Kekurangan: lapisan aplikasi

  • Penambahan lapisan aplikasi dengan layanan hubungan renggang memerlukan pendekatan yang berbeda dari sudut pandang arsitektur, operasi, dan proses dibandingkan dengan sistem monolitik.
  • Layanan mikro bisa meningkatkan kompleksitas dalam aspek penggelaran dan operasi.

Sumber dan bacaan lanjutan

Basis data


Sumber: Penyekalaan untuk 10 juta pengguna pertama

Sistem pengelolaan basis data relasional (Relational database management system / RDBMS)

Basis data relasional seperti SQL merupakan sekumpulan butir data yang diorganisasi ke dalam tabel.

*ACID adalah sekumpulan property dari transaksi basis data relasional

  • Atomicity - Seluruh operasi dalam transaksi berhasil seluruhnya atau gagal semuanya
  • Consistency - Transaksi apa pun akan membawa basis data dari satu keadaan ke keadaan lain
  • Isolation - Menjalankan transaksi secara bersamaan memiliki hasil yang sama seolah-olah transaksi dijalankan secara berurutan
  • Durability - Sekali transaksi telah dilakukan, transaksi akan bertahan

Ada banyak teknik untuk menyekala basis data relasional: replikasi master-slave, replikasi master-master, federasi, sharding, denormalization, dan penyetelan SQL.

Replikasi master-slave

Master melayani operasi baca dan tulis, mereplikasi tulisan ke slave lainnya dimana slave hanya melayani operasi baca. Slave bisa juga mereplikasi data ke slave lainnya membentuk mode seperti pohon. Jika master luring, sistem tetap bisa beroperasi dalam mode hanya baca sampai salah satu slave dipromosikan menjadi master atau master yang baru diadakan.


Sumber: Skalabilitas, Ketersediaan, Kestabilan, Pola-pola

Kekurangan: replikasi master-slave
  • Logik tambahan diperlukan untuk mempromosikan sebuah slave menjadi master.
  • Lihat Kekurangan: replikasi untuk hal yang berhubungan dengan master-slave dan master-master.

Replikasi master-master

Kedua master melayani operasi baca dan tulis dan berkoordinasi satu sama lain untuk operasi tulis. Jika salah satu master mati, sistem tetap bisa beroperasi untuk baca dan tulis.


Sumber: Skalabilitas, Ketersediaan, Kestabilan, Pola-pola

Kekurangan: master-master replication
  • Kita akan memerlukan penyeimbang beban atau membuat perubahan pada logik aplikasi untuk menentukan kemana operasi tulis diarahkan.
  • Kebanyakan sistem master-master memiliki konsistensi yang longgar (melanggar prinsip ACID) atau mengalami peningkatan jeda operasi tulis karena ada sinkronisasi.
  • Resolusi konflik lebih berperan karena lebih banyak simpul yang ditambahkan dan peningkatan latensi.
  • Lihat Kekurangan: replikasi untuk hal yang berhubungan dengan master-slave dan master-master.
Kekurangan: replikasi
  • Ada potensi kehilangan data jika master gagal sebelum data yang baru tertulis direplikasi ke simpul yang lain.
  • Tulisan diputar ulang pada replika baca. Jika ada banyak tulisan, replika baca bisa macet ketika menulis ulang tulisan dan tidak mampu melakukan banyak operasi baca.
  • Semakin banyak slave baca, semakin banyak pula yang perlu direplikasi sehingga meningkatkan jeda replikasi.
  • Pada beberapa sistem, menulis ke master bisa menghidupkan beberapa ulir (thread) untuk menulis secara paralel, sedangkan replika baca hanya mendukung menulis secara berurutan menggunakan satu ulir.
  • Replikasi meningkatkan kebutuhan perangkat keras dan tambahan kompleksitas.
Sumber dan bacaan lanjuta: replikasi

Federation


Sumber: Penyekalaan untuk 10 juta pengguna pertama

Federasi (atau penyekatan fungsional) membagi basis data berdasarkan fungsi. Sebagai contoh, alih-alih basis data tunggal yang monolitik, kita bisa memiliki tiga basis data: forum, pengguna, dan produk. Federasi mengurangi lalu lintas baca dan tulis ke setiap basis data dan oleh karena itu mengurangi jeda replikasi. Basis data yang lebih kecil memungkinkan lebih banyak data yang bisa dimuat di dalam memori sehingga meningkatkan popularitas singgahan dikarenakan kualitas lokalitasnya. Tanpa master terpusat tunggal yang menyambungkan tulisan sehingga kita bisa melakukan operasi tulis secara paralel yang berdampak meningkatnya lewatan.

Kekurangan: federasi
  • Federasi tidak efektif jika skema kita memerlukan fungsi atau tabel dalam jumlah yang sangat besar.
  • Kita perlu memperbarui logik aplikasi untuk menentukan basis data mana untuk operasi baca dan tulis.
  • Menggabungkan data dari dua basis data menjadi lebih kompleks ketika menggunakan hubungan server.
  • Federasi meningkatkan jumlah perangkat keras dan kompleksitas.
Sumber dan bacaan lanjutan: federasi

Pecahan (Sharding)


Sumber: Skalabilitas, Ketersediaan, Kestabilan, Pola-pola

Pecahan (sharding) mendistribusikan data ke berbagai basis data yang berbeda dimana setiap basis data hanya dapat mengelola subset data. Ambil basis data pengguna sebagai contoh. Ketika jumlah pengguna bertambah maka lebih banyak pecahan yang ditambahkan ke dalam gugusan.

Serupa dengan manfaat dari (federasi)[#federasi], pecahan mengurangi lalu lintas baca dan tulis, mengurangi replikasi, dan meningkatkan popularitas singgahan. Ukuran indeks juga berkurang yang secara umum meningkatkan kinerja dengan kueri yang lebih cepat. Jika salah satu pecahan mati, pecahan yang lain masih beroperasi, meski kita ingin menambahkan beberapa bentuk replikasi untuk mencegah kehilangan data. Seperti federasi, tidak ada master terpusat tunggal yang menyambungkan tulisan sehingga kita bisa melakukan operasi tulis secara paralel yang berdampak meningkatnya lewatan.

Cara umum memecah sebuah tabel pengguna adalah salah satunya dengan memanfaat inisial nama belakang pengguna atau geolokasi pengguna.

Kekurangan: pecahan
  • Kita perlu memperbarui logik aplikasi untuk bekerja dengan pecahan yang dapat menyebabkan kueri yang lebih kompleks.
  • Distribusi data bisa menjadi tidak seimbang di dalam pecahan. Contohnya, sekumpulan pengguna dengan kuasa penuh pada suatu pecahan bisa menghasilkan beban berlebih dibandingkan pecahan lain.
    • Penyeimbangan ulang menambah kompleksitas. Pecahan yang berfungsi berdasarkan consistent hashing bisa mengurangi jumlah data yang dikirim.
  • Menggabungkan data dari berbagai pecahan menjadi lebih kompleks.
  • Pecahan memerlukan lebih banyak perangkat keras dan menambah kompleksitas.
Sumber dan bacaan tambahan: pecahan

Denormalisasi (Denormalization)

Denormalisasi mencoba memperbaiki kinerja operasi baca dengan mengorbankan operasi tulis. Salinan data yang berlebihan ditulis di beberapa tabel untuk menghindari operasi penggabungan yang mahal. Beberapa RDBMS seperti PostgreSQL dan Oracle mendukung materialized views yang menangani penyimpanan informasi yang berlebih dan memastikan salinan tersebut konsisten.

Ketika data menjadi terdistribusi dengan teknik seperti federasi dan pecahan, pengelolaan penggabungan data lintas pusat data meningkatkan kompleksitas lebih tinggi lagi. Denormalisasi bisa jadi menghindari kebutuhan penggabungan yang bersifat kompleks.

Pada kebanyakan sistem, operasi baca bisa jauh mengalahkan operasi tulis dengan rasio 100:1 bahkan 1000:1. Operasi baca yang memerlukan penggabungan basis data yang kompleks bisa menjadi sangat mahal biayanya dan menghabiskan banyak waktu untuk operasi disk.

Kekurangan: denormalisasi
  • Data punya salinan.
  • Batasan bisa membantu salinan informasi yang berlebihan untuk tetap sinkron yang berdampak pada meningkatnya kompleksitas rancangan basis data.
  • Basis data denormalisasi dengan beban operasi tulis berat mungkin kinerjanya akan lebih buruk dibandingkan basis data ternormalisasi.
Sumber dan bacaan lanjutan: denormalisasi

Penyetelan SQL (SQL tuning)

Penyetelah SQL merupakan topik yang luas dan banyak buku yang sudah dituliskan sebagai referensi.

Tolok ukur dan profil penting untuk menyimulasi dan menemukan kemacetan.

  • Tolok ukur - Menyimulasi situasi beban tinggi dengan alat seperti ab.
  • Profil - Memungkinkan alat seperti slow query log membantu melacak masalah kinerja.

Pembuatan tolok ukur dan profil bisa mengarahkan kita kepada optimisasi berikut.

Perketat skema
  • MySQL menulis data ke disk pada blok yang berdekatan untuk mempercepat akses.
  • Gunakan CHAR dari pada VARCHAR untuk bidang dengan panjang tetap.
    • CHAR memungkinkan akses acak yang cepat secara efektif sedangkan pada VARCHAR kita harus menemukan ujung sebuah string sebelum pindah ke string selanjutnya.
  • Gunakan TEXT untuk teks dalam blok besar seperti tulisan blog. TEXT juga memungkinkan untuk pencarian biner. Penggunaan TEXT menghasilkan penyimpanan penunjuk pada disk yang berguna untuk menemukan blok teks selanjutnya.
  • Gunakan INT untuk menyimpan jumlah besar sampai dengan 2^32 atau 4 miliar.
  • Gunakan DECIMAL untuk mata uang sehingga terhindar dari kesalahan representasi floating point.
  • Hindari menyimpan BLOBS berukuran besar, simpan lokasi dimana objek tersebut berada.
  • VARCHAR(255) adalah jumlah karakter terbesar yang bisa dihitung dalam angka 8 bit, seringkali memaksimalkan penggunaan byte pada beberapa RDBMS.
  • Atur batasan NOT NULL ditempat yang relevan untuk meningkatkan kinerja pencarian.
Gunakan indeks yang baik
  • Kolom yang kita kueri (SELECT, GROUP BY, ORDER BY, JOIN) menjadi lebih cepat dengan indeks.
  • Indeks umumnya digambarkan sebagai penyeimbang diri B-tree yang menjaga data terurut dan memungkinkan pencarian, akses berurut, penambahan, dan penghapusan dalam waktu yang logaritmik.
  • Penempatan pada indeks memungkinkan data disimpan pada memori sehingga membutuhkan ruang lebih.
  • Operasi tulis bisa menjadi lebih lambat karena indeks juga perlu diperbarui.
  • Ketika memuat data dalam jumlah besar, mungkin akan lebih cepat ketika indeks dinonaktifkan, muat data, kemudian bangun kembali indeks.
Hindari penggabungan mahal
Partisi table
  • Pisahkan tabel dengan menempatkan titik panas di tabel yang berbeda untuk membantu tabel tetap dalam memori.
Setel singgahan kueri
Sumber dan bacaan lanjutan: Peyetelan SQL

NoSQL

NoSQL adalah sekumpulan butir data yang diwakili pada gudang kunci-nilai, gudang dokumen, gudang kolom lebar, atau basis data graf. Data di denormalisasi dan penggabungan umumnya dilakukan pada kode aplikasi. Kebanyakan gudang NoSQL tidak memiliki transaksi ACID dan memilih konsistensi yang mungkin terjadi.

BASE seringkali digunakan untuk menggambarkan property basis data NoSQL. Sebagai perbandingan dengan teorema CAP, BASE memilih ketersediaan dibandingkan konsistensi.

  • Basically available - Sistem menjamin ketersediaan.
  • Soft state - Keadaan sistem bisa berubah seiring waktu, bahkan tanpa ada masukan.
  • Eventual consistency - Sistem akan menjadi konsisten selama periode waktu tertentu mengingat bahwa sistem tidak menerima masukan selama periode tersebut.

Sebagai tambahan dalam pemilihan antara SQL atau NoSQL, pemahaman akan tipe basis data NoSQL yang sesuai dengan kasus penggunan kita menjadi penting. Kita akan bahas gudang tanda-kunci, gudang dokumen, gudang kolom lebar, dan basis data graf di bagian selanjutnya.

Gudang kunci-nilai

Abstraksi: tabel hash

Gudang kunci-nilai umumnya memungkinkan operasi baca dan tulis dengan kompleksitas waktu O(1) dan umumnya didukung oleh memori atau SSD. Gudang data mampu mengelola kunci menurut urutan leksikografis yang memungkinkan pengambilan rentang kunci yang efisien. Gudang kunci-nilai mengizinkan penyimpanan meta data beserta dengan nilai.

Gudang kunci-nilai menyediakan kinerja tinggi dan sering kali digunakan untuk model data sederhana atau data yang berubah dengan cepat seperti lapisan singgah dalam memori. Karena Gudan kunci-nilai hanya menawarkan kumpulan operasi yang terbatas, kompleksitas dipindahkan ke lapisan aplikasi jika operasi tambahan diperlukan.

Gudang kunci-nilai menjadi dasar bagi sistem yang lebih kompleks seperti gudang dokumen, dan di beberapa kasus graf database.

Sumber dan bacaan lanjutan: gudang kunci-nilai

Gudang dokumen (document store)

Abstraksi: gudang kunci-nilai dimana dokumen disimpan sebagai nilai

Gudang dokumen terpusat pada dokumen (XML, JSON, biner, dan lainnya) dimana dokumen menyimapan semua informasi untuk objek tertentu. Gudang dokumen menyediakan API atau bahasa kueri untuk mengkueri berdasarkan struktur internal dari dokumen itu sendiri. Menjadi catatan bahwa banyak gudang kunci-nilai menyertakan fitur untuk bekerja dengan metadata suatu nilai sehingga mengaburkan batasan antara kedua jenis gudang.

Berdasarkan implementasi yang mendasarinya, dokumen diorganisasi berdasarkan koleksi, tag, metdata, atau direktori. Meskipun dokumen bisa diorganisasi atau dikelompokan bersama, dokumen bisa memiliki bidang yang berbeda satu sama lain.

Beberapa gudang dokumen seperti MongoDB dan CouchDB menyediakan bahasa seperti SQL untuk melakukan kueri yang kompleks. DynamoDB mendukung kunci-nilai dan dokumen.

Gudang dokumen menyediakan fleksibilitas tinggi dan sering kali digunakan untuk bekerja dengan data yang sesekali berubah.

Sumber dan bacaan lanjutan: gudang dokumen

Gudang kolom lebar (Wide column store)


Sumber: SQL & NoSQL, sejarah singkat

Abstraksi: peta bersarang ColumnFamily<RowKey, Columns<ColKey, Value, Timestamp>>

Dasar unit data dari gudang kolom lebar adalah kolom (pasangan nama/nilai). Kolom bisa digabung ke dalam keluarga kolom (sejalan dengan tabel SQL). Keluarga kolom super menggabungkan keluarga kolom. Kita bisa mengakses setiap kolom secara independen menggunakan kunci baris. Kolom dengan kunci baris yang sama membentuk baris. Setiap nilai mengandung cap waktu untuk kebutuh pemersian dan resolusi konflik.

Google mengenalkan Bigtable sebagai gudang kolom lebar pertama. Rancangan Bigtable mempengaruhi HBase yang sering digunakan pada ekosistem Hadoop dan Cassandra dari Facebook. Gudang seperti BigTable, HBase, dan Cassandra memelihara kunci dengan urutan leksikografi yang memungkinkan pengambilan rentang kunci secara selektif.

Gudang kolom lebar menawarkan ketersediaan dan skalabilitas tinggi. Mereka sering kali digunakan untuk penyimpanan himpunan data yang sangat besar.

Sumber dan bacaan lanjutan: gudang kolom lebar

Basis data Graf (graph database)


Sumber: Basis data graf

Abstraksi: graf

Di dalam basis data graf, setiap simpul adalah catatan dan setiap busur adalah hubuungan antar dua simpul. Basis data graf dioptimisasi untuk mengambarkan hubungan kompleks dengan banyak kunci asing atau hubungan banyak-ke-banyak.

Basis data graf menawarkan kinerja tinggi untuk model data dengan hubungan kompleks seperti jejaring sosial. Basis data ini relatif baru dan belum banyak digunakan secara luas. Hal ini menyebabkan lebih sulit menemukan alat pengembangan dan sumber daya. Banyak graf hanya bisa diakses menggunakan API REST

Sumber dan bacaan lanjutan: graph

Sumber dan bacaan lanjutan: NoSQL

SQL atau NoSQL


Sumber: Transisi dari RDBMS ke NoSQL

Alasan memilih SQL:

  • Data terstruktur
  • Ketat skema
  • Data bersifat relasional
  • Kebutuhan penggabungan yang kompleks
  • Transaksi
  • Pola penyekalaan jelas
  • Lebih mapan: pengembang, komunitas, kode, alat-alat, dan lainnya
  • Pencarian menggunakan indek sangat cepat

Alasan memilih NoSQL:

  • Data semi terstruktur
  • Skema fleksible dan dinamis
  • Data bersifat tidak relasional
  • Tidak perlu penggabungan yang kompleks
  • Menyimpan banyak TB (bahkan PB) data
  • Beban kerja yang sangat intens akan data
  • Lewatan sangat tinggi untuk keluaran masukan per detik

Contoh data yang cocok untuk NoSQL:

  • Mengkonsumsi secara cepat data clickstream dan log
  • Papan peringkat atau data penilaian
  • Data sementara seperti keranjang belanja
  • Tabel yang sering diakses (tabel 'panas')
  • Tabel metadata/pencarian
Sumber dan bacaan lanjutan: SQL atau NoSQL

Singgahan


Source: Scalable system design patterns

Caching improves page load times and can reduce the load on your servers and databases. In this model, the dispatcher will first lookup if the request has been made before and try to find the previous result to return, in order to save the actual execution.

Databases often benefit from a uniform distribution of reads and writes across its partitions. Popular items can skew the distribution, causing bottlenecks. Putting a cache in front of a database can help absorb uneven loads and spikes in traffic.

Client caching

Caches can be located on the client side (OS or browser), server side, or in a distinct cache layer.

CDN caching

CDNs are considered a type of cache.

Web server caching

Reverse proxies and caches such as Varnish can serve static and dynamic content directly. Web servers can also cache requests, returning responses without having to contact application servers.

Database caching

Your database usually includes some level of caching in a default configuration, optimized for a generic use case. Tweaking these settings for specific usage patterns can further boost performance.

Application caching

In-memory caches such as Memcached and Redis are key-value stores between your application and your data storage. Since the data is held in RAM, it is much faster than typical databases where data is stored on disk. RAM is more limited than disk, so cache invalidation algorithms such as least recently used (LRU) can help invalidate 'cold' entries and keep 'hot' data in RAM.

Redis has the following additional features:

  • Persistence option
  • Built-in data structures such as sorted sets and lists

There are multiple levels you can cache that fall into two general categories: database queries and objects:

  • Row level
  • Query-level
  • Fully-formed serializable objects
  • Fully-rendered HTML

Generally, you should try to avoid file-based caching, as it makes cloning and auto-scaling more difficult.

Caching at the database query level

Whenever you query the database, hash the query as a key and store the result to the cache. This approach suffers from expiration issues:

  • Hard to delete a cached result with complex queries
  • If one piece of data changes such as a table cell, you need to delete all cached queries that might include the changed cell

Caching at the object level

See your data as an object, similar to what you do with your application code. Have your application assemble the dataset from the database into a class instance or a data structure(s):

  • Remove the object from cache if its underlying data has changed
  • Allows for asynchronous processing: workers assemble objects by consuming the latest cached object

Suggestions of what to cache:

  • User sessions
  • Fully rendered web pages
  • Activity streams
  • User graph data

When to update the cache

Since you can only store a limited amount of data in cache, you'll need to determine which cache update strategy works best for your use case.

Cache-aside


Source: From cache to in-memory data grid

The application is responsible for reading and writing from storage. The cache does not interact with storage directly. The application does the following:

  • Look for entry in cache, resulting in a cache miss
  • Load entry from the database
  • Add entry to cache
  • Return entry
def get_user(self, user_id):
    user = cache.get("user.{0}", user_id)
    if user is None:
        user = db.query("SELECT * FROM users WHERE user_id = {0}", user_id)
        if user is not None:
            key = "user.{0}".format(user_id)
            cache.set(key, json.dumps(user))
    return user

Memcached is generally used in this manner.

Subsequent reads of data added to cache are fast. Cache-aside is also referred to as lazy loading. Only requested data is cached, which avoids filling up the cache with data that isn't requested.

Disadvantage(s): cache-aside
  • Each cache miss results in three trips, which can cause a noticeable delay.
  • Data can become stale if it is updated in the database. This issue is mitigated by setting a time-to-live (TTL) which forces an update of the cache entry, or by using write-through.
  • When a node fails, it is replaced by a new, empty node, increasing latency.

Write-through


Source: Scalability, availability, stability, patterns

The application uses the cache as the main data store, reading and writing data to it, while the cache is responsible for reading and writing to the database:

  • Application adds/updates entry in cache
  • Cache synchronously writes entry to data store
  • Return

Application code:

set_user(12345, {"foo":"bar"})

Cache code:

def set_user(user_id, values):
    user = db.query("UPDATE Users WHERE id = {0}", user_id, values)
    cache.set(user_id, user)

Write-through is a slow overall operation due to the write operation, but subsequent reads of just written data are fast. Users are generally more tolerant of latency when updating data than reading data. Data in the cache is not stale.

Disadvantage(s): write through
  • When a new node is created due to failure or scaling, the new node will not cache entries until the entry is updated in the database. Cache-aside in conjunction with write through can mitigate this issue.
  • Most data written might never be read, which can be minimized with a TTL.

Write-behind (write-back)


Source: Scalability, availability, stability, patterns

In write-behind, the application does the following:

  • Add/update entry in cache
  • Asynchronously write entry to the data store, improving write performance
Disadvantage(s): write-behind
  • There could be data loss if the cache goes down prior to its contents hitting the data store.
  • It is more complex to implement write-behind than it is to implement cache-aside or write-through.

Refresh-ahead


Source: From cache to in-memory data grid

You can configure the cache to automatically refresh any recently accessed cache entry prior to its expiration.

Refresh-ahead can result in reduced latency vs read-through if the cache can accurately predict which items are likely to be needed in the future.

Disadvantage(s): refresh-ahead
  • Not accurately predicting which items are likely to be needed in the future can result in reduced performance than without refresh-ahead.

Disadvantage(s): cache

  • Need to maintain consistency between caches and the source of truth such as the database through cache invalidation.
  • Cache invalidation is a difficult problem, there is additional complexity associated with when to update the cache.
  • Need to make application changes such as adding Redis or memcached.

Source(s) and further reading

Asinkronisme


Source: Intro to architecting systems for scale

Asynchronous workflows help reduce request times for expensive operations that would otherwise be performed in-line. They can also help by doing time-consuming work in advance, such as periodic aggregation of data.

Message queues

Message queues receive, hold, and deliver messages. If an operation is too slow to perform inline, you can use a message queue with the following workflow:

  • An application publishes a job to the queue, then notifies the user of job status
  • A worker picks up the job from the queue, processes it, then signals the job is complete

The user is not blocked and the job is processed in the background. During this time, the client might optionally do a small amount of processing to make it seem like the task has completed. For example, if posting a tweet, the tweet could be instantly posted to your timeline, but it could take some time before your tweet is actually delivered to all of your followers.

Redis is useful as a simple message broker but messages can be lost.

RabbitMQ is popular but requires you to adapt to the 'AMQP' protocol and manage your own nodes.

Amazon SQS is hosted but can have high latency and has the possibility of messages being delivered twice.

Task queues

Tasks queues receive tasks and their related data, runs them, then delivers their results. They can support scheduling and can be used to run computationally-intensive jobs in the background.

Celery has support for scheduling and primarily has python support.

Back pressure

If queues start to grow significantly, the queue size can become larger than memory, resulting in cache misses, disk reads, and even slower performance. Back pressure can help by limiting the queue size, thereby maintaining a high throughput rate and good response times for jobs already in the queue. Once the queue fills up, clients get a server busy or HTTP 503 status code to try again later. Clients can retry the request at a later time, perhaps with exponential backoff.

Disadvantage(s): asynchronism

  • Use cases such as inexpensive calculations and realtime workflows might be better suited for synchronous operations, as introducing queues can add delays and complexity.

Source(s) and further reading

Komunikasi


Source: OSI 7 layer model

Hypertext transfer protocol (HTTP)

HTTP is a method for encoding and transporting data between a client and a server. It is a request/response protocol: clients issue requests and servers issue responses with relevant content and completion status info about the request. HTTP is self-contained, allowing requests and responses to flow through many intermediate routers and servers that perform load balancing, caching, encryption, and compression.

A basic HTTP request consists of a verb (method) and a resource (endpoint). Below are common HTTP verbs:

Verb Description Idempotent* Safe Cacheable
GET Reads a resource Yes Yes Yes
POST Creates a resource or trigger a process that handles data No No Yes if response contains freshness info
PUT Creates or replace a resource Yes No No
PATCH Partially updates a resource No No Yes if response contains freshness info
DELETE Deletes a resource Yes No No

*Can be called many times without different outcomes.

HTTP is an application layer protocol relying on lower-level protocols such as TCP and UDP.

Source(s) and further reading: HTTP

Transmission control protocol (TCP)


Source: How to make a multiplayer game

TCP is a connection-oriented protocol over an IP network. Connection is established and terminated using a handshake. All packets sent are guaranteed to reach the destination in the original order and without corruption through:

If the sender does not receive a correct response, it will resend the packets. If there are multiple timeouts, the connection is dropped. TCP also implements flow control and congestion control. These guarantees cause delays and generally result in less efficient transmission than UDP.

To ensure high throughput, web servers can keep a large number of TCP connections open, resulting in high memory usage. It can be expensive to have a large number of open connections between web server threads and say, a memcached server. Connection pooling can help in addition to switching to UDP where applicable.

TCP is useful for applications that require high reliability but are less time critical. Some examples include web servers, database info, SMTP, FTP, and SSH.

Use TCP over UDP when:

  • You need all of the data to arrive intact
  • You want to automatically make a best estimate use of the network throughput

User datagram protocol (UDP)


Source: How to make a multiplayer game

UDP is connectionless. Datagrams (analogous to packets) are guaranteed only at the datagram level. Datagrams might reach their destination out of order or not at all. UDP does not support congestion control. Without the guarantees that TCP support, UDP is generally more efficient.

UDP can broadcast, sending datagrams to all devices on the subnet. This is useful with DHCP because the client has not yet received an IP address, thus preventing a way for TCP to stream without the IP address.

UDP is less reliable but works well in real time use cases such as VoIP, video chat, streaming, and realtime multiplayer games.

Use UDP over TCP when:

  • You need the lowest latency
  • Late data is worse than loss of data
  • You want to implement your own error correction

Source(s) and further reading: TCP and UDP

Remote procedure call (RPC)


Source: Crack the system design interview

In an RPC, a client causes a procedure to execute on a different address space, usually a remote server. The procedure is coded as if it were a local procedure call, abstracting away the details of how to communicate with the server from the client program. Remote calls are usually slower and less reliable than local calls so it is helpful to distinguish RPC calls from local calls. Popular RPC frameworks include Protobuf, Thrift, and Avro.

RPC is a request-response protocol:

  • Client program - Calls the client stub procedure. The parameters are pushed onto the stack like a local procedure call.
  • Client stub procedure - Marshals (packs) procedure id and arguments into a request message.
  • Client communication module - OS sends the message from the client to the server.
  • Server communication module - OS passes the incoming packets to the server stub procedure.
  • Server stub procedure - Unmarshalls the results, calls the server procedure matching the procedure id and passes the given arguments.
  • The server response repeats the steps above in reverse order.

Sample RPC calls:

GET /someoperation?data=anId

POST /anotheroperation
{
  "data":"anId";
  "anotherdata": "another value"
}

RPC is focused on exposing behaviors. RPCs are often used for performance reasons with internal communications, as you can hand-craft native calls to better fit your use cases.

Choose a native library (aka SDK) when:

  • You know your target platform.
  • You want to control how your "logic" is accessed.
  • You want to control how error control happens off your library.
  • Performance and end user experience is your primary concern.

HTTP APIs following REST tend to be used more often for public APIs.

Disadvantage(s): RPC

  • RPC clients become tightly coupled to the service implementation.
  • A new API must be defined for every new operation or use case.
  • It can be difficult to debug RPC.
  • You might not be able to leverage existing technologies out of the box. For example, it might require additional effort to ensure RPC calls are properly cached on caching servers such as Squid.

Representational state transfer (REST)

REST is an architectural style enforcing a client/server model where the client acts on a set of resources managed by the server. The server provides a representation of resources and actions that can either manipulate or get a new representation of resources. All communication must be stateless and cacheable.

There are four qualities of a RESTful interface:

  • Identify resources (URI in HTTP) - use the same URI regardless of any operation.
  • Change with representations (Verbs in HTTP) - use verbs, headers, and body.
  • Self-descriptive error message (status response in HTTP) - Use status codes, don't reinvent the wheel.
  • HATEOAS (HTML interface for HTTP) - your web service should be fully accessible in a browser.

Sample REST calls:

GET /someresources/anId

PUT /someresources/anId
{"anotherdata": "another value"}

REST is focused on exposing data. It minimizes the coupling between client/server and is often used for public HTTP APIs. REST uses a more generic and uniform method of exposing resources through URIs, representation through headers, and actions through verbs such as GET, POST, PUT, DELETE, and PATCH. Being stateless, REST is great for horizontal scaling and partitioning.

Disadvantage(s): REST

  • With REST being focused on exposing data, it might not be a good fit if resources are not naturally organized or accessed in a simple hierarchy. For example, returning all updated records from the past hour matching a particular set of events is not easily expressed as a path. With REST, it is likely to be implemented with a combination of URI path, query parameters, and possibly the request body.
  • REST typically relies on a few verbs (GET, POST, PUT, DELETE, and PATCH) which sometimes doesn't fit your use case. For example, moving expired documents to the archive folder might not cleanly fit within these verbs.
  • Fetching complicated resources with nested hierarchies requires multiple round trips between the client and server to render single views, e.g. fetching content of a blog entry and the comments on that entry. For mobile applications operating in variable network conditions, these multiple roundtrips are highly undesirable.
  • Over time, more fields might be added to an API response and older clients will receive all new data fields, even those that they do not need, as a result, it bloats the payload size and leads to larger latencies.

RPC and REST calls comparison

Operation RPC REST
Signup POST /signup POST /persons
Resign POST /resign
{
"personid": "1234"
}
DELETE /persons/1234
Read a person GET /readPerson?personid=1234 GET /persons/1234
Read a persons items list GET /readUsersItemsList?personid=1234 GET /persons/1234/items
Add an item to a persons items POST /addItemToUsersItemsList
{
"personid": "1234";
"itemid": "456"
}
POST /persons/1234/items
{
"itemid": "456"
}
Update an item POST /modifyItem
{
"itemid": "456";
"key": "value"
}
PUT /items/456
{
"key": "value"
}
Delete an item POST /removeItem
{
"itemid": "456"
}
DELETE /items/456

Source: Do you really know why you prefer REST over RPC

Source(s) and further reading: REST and RPC

Security

This section could use some updates. Consider contributing!

Security is a broad topic. Unless you have considerable experience, a security background, or are applying for a position that requires knowledge of security, you probably won't need to know more than the basics:

  • Encrypt in transit and at rest.
  • Sanitize all user inputs or any input parameters exposed to user to prevent XSS and SQL injection.
  • Use parameterized queries to prevent SQL injection.
  • Use the principle of least privilege.

Source(s) and further reading

Appendix

You'll sometimes be asked to do 'back-of-the-envelope' estimates. For example, you might need to determine how long it will take to generate 100 image thumbnails from disk or how much memory a data structure will take. The Powers of two table and Latency numbers every programmer should know are handy references.

Tabel Perpangkatan dua

Power           Exact Value         Approx Value        Bytes
---------------------------------------------------------------
7                             128
8                             256
10                           1024   1 thousand           1 KB
16                         65,536                       64 KB
20                      1,048,576   1 million            1 MB
30                  1,073,741,824   1 billion            1 GB
32                  4,294,967,296                        4 GB
40              1,099,511,627,776   1 trillion           1 TB

Source(s) and further reading

Nilai latensi yang perlu diketahui oleh setiap pemrogram]

Latency Comparison Numbers
--------------------------
L1 cache reference                           0.5 ns
Branch mispredict                            5   ns
L2 cache reference                           7   ns                      14x L1 cache
Mutex lock/unlock                           25   ns
Main memory reference                      100   ns                      20x L2 cache, 200x L1 cache
Compress 1K bytes with Zippy            10,000   ns       10 us
Send 1 KB bytes over 1 Gbps network     10,000   ns       10 us
Read 4 KB randomly from SSD*           150,000   ns      150 us          ~1GB/sec SSD
Read 1 MB sequentially from memory     250,000   ns      250 us
Round trip within same datacenter      500,000   ns      500 us
Read 1 MB sequentially from SSD*     1,000,000   ns    1,000 us    1 ms  ~1GB/sec SSD, 4X memory
Disk seek                           10,000,000   ns   10,000 us   10 ms  20x datacenter roundtrip
Read 1 MB sequentially from 1 Gbps  10,000,000   ns   10,000 us   10 ms  40x memory, 10X SSD
Read 1 MB sequentially from disk    30,000,000   ns   30,000 us   30 ms 120x memory, 30X SSD
Send packet CA->Netherlands->CA    150,000,000   ns  150,000 us  150 ms

Notes
-----
1 ns = 10^-9 seconds
1 us = 10^-6 seconds = 1,000 ns
1 ms = 10^-3 seconds = 1,000 us = 1,000,000 ns

Handy metrics based on numbers above:

  • Read sequentially from disk at 30 MB/s
  • Read sequentially from 1 Gbps Ethernet at 100 MB/s
  • Read sequentially from SSD at 1 GB/s
  • Read sequentially from main memory at 4 GB/s
  • 6-7 world-wide round trips per second
  • 2,000 round trips per second within a data center

Latency numbers visualized

Source(s) and further reading

Tambahan pertanyaan wawancara rancangan sistem

Common system design interview questions, with links to resources on how to solve each.

Question Reference(s)
Design a file sync service like Dropbox youtube.com
Design a search engine like Google queue.acm.org
stackexchange.com
ardendertat.com
stanford.edu
Design a scalable web crawler like Google quora.com
Design Google docs code.google.com
neil.fraser.name
Design a key-value store like Redis slideshare.net
Design a cache system like Memcached slideshare.net
Design a recommendation system like Amazon's hulu.com
ijcai13.org
Design a tinyurl system like Bitly n00tc0d3r.blogspot.com
Design a chat app like WhatsApp highscalability.com
Design a picture sharing system like Instagram highscalability.com
highscalability.com
Design the Facebook news feed function quora.com
quora.com
slideshare.net
Design the Facebook timeline function facebook.com
highscalability.com
Design the Facebook chat function erlang-factory.com
facebook.com
Design a graph search function like Facebook's facebook.com
facebook.com
facebook.com
Design a content delivery network like CloudFlare figshare.com
Design a trending topic system like Twitter's michael-noll.com
snikolov .wordpress.com
Design a random ID generation system blog.twitter.com
github.com
Return the top k requests during a time interval cs.ucsb.edu
wpi.edu
Design a system that serves data from multiple data centers highscalability.com
Design an online multiplayer card game indieflashblog.com
buildnewgames.com
Design a garbage collection system stuffwithstuff.com
washington.edu
Design an API rate limiter https://stripe.com/blog/
Add a system design question Contribute

Arsitektu dunia nyata

Articles on how real world systems are designed.


Source: Twitter timelines at scale

Don't focus on nitty gritty details for the following articles, instead:

  • Identify shared principles, common technologies, and patterns within these articles
  • Study what problems are solved by each component, where it works, where it doesn't
  • Review the lessons learned
Type System Reference(s)
Data processing MapReduce - Distributed data processing from Google research.google.com
Data processing Spark - Distributed data processing from Databricks slideshare.net
Data processing Storm - Distributed data processing from Twitter slideshare.net
Data store Bigtable - Distributed column-oriented database from Google harvard.edu
Data store HBase - Open source implementation of Bigtable slideshare.net
Data store Cassandra - Distributed column-oriented database from Facebook slideshare.net
Data store DynamoDB - Document-oriented database from Amazon harvard.edu
Data store MongoDB - Document-oriented database slideshare.net
Data store Spanner - Globally-distributed database from Google research.google.com
Data store Memcached - Distributed memory caching system slideshare.net
Data store Redis - Distributed memory caching system with persistence and value types slideshare.net
File system Google File System (GFS) - Distributed file system research.google.com
File system Hadoop File System (HDFS) - Open source implementation of GFS apache.org
Misc Chubby - Lock service for loosely-coupled distributed systems from Google research.google.com
Misc Dapper - Distributed systems tracing infrastructure research.google.com
Misc Kafka - Pub/sub message queue from LinkedIn slideshare.net
Misc Zookeeper - Centralized infrastructure and services enabling synchronization slideshare.net
Add an architecture Contribute

Company architectures

Company Reference(s)
Amazon Amazon architecture
Cinchcast Producing 1,500 hours of audio every day
DataSift Realtime datamining At 120,000 tweets per second
DropBox How we've scaled Dropbox
ESPN Operating At 100,000 duh nuh nuhs per second
Google Google architecture
Instagram 14 million users, terabytes of photos
What powers Instagram
Justin.tv Justin.Tv's live video broadcasting architecture
Facebook Scaling memcached at Facebook
TAO: Facebooks distributed data store for the social graph
Facebooks photo storage
How Facebook Live Streams To 800,000 Simultaneous Viewers
Flickr Flickr architecture
Mailbox From 0 to one million users in 6 weeks
Netflix A 360 Degree View Of The Entire Netflix Stack
Netflix: What Happens When You Press Play?
Pinterest From 0 To 10s of billions of page views a month
18 million visitors, 10x growth, 12 employees
Playfish 50 million monthly users and growing
PlentyOfFish PlentyOfFish architecture
Salesforce How they handle 1.3 billion transactions a day
Stack Overflow Stack Overflow architecture
TripAdvisor 40M visitors, 200M dynamic page views, 30TB data
Tumblr 15 billion page views a month
Twitter Making Twitter 10000 percent faster
Storing 250 million tweets a day using MySQL
150M active users, 300K QPS, a 22 MB/S firehose
Timelines at scale
Big and small data at Twitter
Operations at Twitter: scaling beyond 100 million users
How Twitter Handles 3,000 Images Per Second
Uber How Uber scales their real-time market platform
Lessons Learned From Scaling Uber To 2000 Engineers, 1000 Services, And 8000 Git Repositories
WhatsApp The WhatsApp architecture Facebook bought for $19 billion
YouTube YouTube scalability
YouTube architecture

Blog teknik perusahaan

Architectures for companies you are interviewing with.

Questions you encounter might be from the same domain.

Source(s) and further reading

Looking to add a blog? To avoid duplicating work, consider adding your company blog to the following repo:

Dalam pengembangan

Interested in adding a section or helping complete one in-progress? Contribute!

  • Distributed computing with MapReduce
  • Consistent hashing
  • Scatter gather
  • Contribute

Credits

Credits and sources are provided throughout this repo.

Special thanks to:

Contact info

Feel free to contact me to discuss any issues, questions, or comments.

My contact info can be found on my GitHub page.

License

I am providing code and resources in this repository to you under an open source license. Because this is my personal repository, the license you receive to my code and resources is from me and not my employer (Facebook).

Copyright 2017 Donne Martin

Creative Commons Attribution 4.0 International License (CC BY 4.0)

http://creativecommons.org/licenses/by/4.0/