هینا گاندی، مهندس ارشد نرم افزار ، نزدیک به یک دهه تجربه از سوی رهبران صنعت مانند سیسکو، VMware و CloudHealth Technologies. در این مصاحبه ، HINA درس از مقیاس بندی سیستم های توزیع شده ، رهبری انتقال از یکپارچه به میکروسرویس و حرکت در تکامل رهبری مهندسی در دنیای ترکیبی را به اشتراک می گذارد. او همچنین مشکلات متداول در توسعه SaaS را برجسته می کند و آینده محاسبات ابری را که توسط AI شکل گرفته است ، بررسی می کند. برای نگاهی صادقانه به استراتژی ها و چالش های شکل دادن به نسل بعدی نوآوری ابر بخوانید.
مصاحبه های بیشتر را در اینجا کشف کنید: Srinivas Sandiri ، رهبر فناوری در تحول دیجیتال-تکامل AI در CX ، اتوماسیون در مقابل لمس انسان ، هوش مصنوعی اخلاقی ، تراز متقابل تیم و تهیه نسل بعدی
شغلی شما برخی از نوآورانه ترین شرکت های صنعت فناوری – Cisco ، VMware و CloudHealth Technologies را شامل می شود. چند لحظه مشخص که تخصص شما را در سیستم های توزیع شده و محاسبات ابری شکل داده است؟
من سفر خود را در سیستم های توزیع شده و محاسبات ابری در CloudHealth Technologies شروع کردم ، ابتدا به عنوان کارورز و بعداً به عنوان یک مهندس تمام وقت. من به عنوان یکی از مهندسین اولیه ، من نقش مهمی در طراحی و توسعه ویژگی های مدیریت هزینه Cloud Microsoft Azure بازی کردم که به یک محصول اصلی تبدیل شد و به گرفتن سهم بازار جدید کمک کرد. این تجربه به من در معرض قرار گرفتن در معرض سیستم های توزیع شده قرار گرفت و درک خود را از چگونگی ضروری بودن آنها برای در دسترس بودن و مقیاس پذیری زیاد در برنامه های مبتنی بر ابر تقویت کرد.
در زمان حضور در CloudHealth (که بعداً توسط VMware به دست آورد) ، من در بهینه سازی مشاغل مهم پردازش داده ها که برای گزارش های Cloud Insights استفاده می شود ، کار کردم. کار موجود یک تنگنا با عملکرد بزرگ بود-علی رغم اجرای نمونه EC2 بالاترین سطح AWS ، بیش از 24 ساعت طول کشید تا بر تجربه کاربر تأثیر منفی بگذارد. برای حل این مسئله ، من یک سیستم پردازش داده های توزیع شده را طراحی و پیاده سازی کردم که یک کار بزرگ را به چندین کار موازی تقسیم می کند ، عملکرد را به شدت 10 برابر بهبود می بخشد ، هزینه ها را کاهش می دهد و باعث می شود سیستم به طور قابل توجهی مقیاس پذیر شود. این پروژه تخصص من را در پردازش داده های توزیع شده و استراتژی های بهینه سازی ابر در دنیای واقعی عمیق تر کرد.
در VMware ، کار بر روی برنامه های در مقیاس بزرگ مهارت های من را بیشتر تصفیه کرد و مرحله ای را برای چالش بعدی من در سیسکو تعیین کرد. در آنجا ، من یک تحول پایان به پایان از یک برنامه یکپارچه را به یک میکروسرویس مبتنی بر ابر هدایت کردم. سیستم اصلی ، مسئول صادرات داده های آسیب پذیری مشتری از دارایی های پیش فرض و برنامه های نرم افزاری ، به دلیل مشکلات همسایه پر سر و صدا و مشاجره منابع ، با مشکلات شدید عملکردی روبرو شده است. من سیستم را با استفاده از خدمات AWS در یک معماری توزیع شده ، بهبود عملکرد 5 برابر ، کاهش هزینه ها ، و امکان تخصیص منابع در صورت تقاضا برای رسیدگی به کارآیی بار پیش بینی شده را مجدداً طراحی کردم.
در طول 9+ سال در صنعت ، من نه تنها تخصص خود را در سیستم های محاسبات ابری و توزیع شده عمیق تر کرده ام بلکه به طور فعال آن را برای حل مقیاس پذیری و چالش های عملکرد در برنامه های دنیای واقعی اعمال کرده ام.
بسیاری از سازمان ها با انتقال از یکپارچه به معماری های میکروسرویس مبارزه می کنند. آیا می توانید ما را از طریق تحول در دنیای واقعی که رهبری کرده اید ، بزرگترین موانعی که با آن روبرو هستید و چگونه موفقیت را اندازه گیری کردید ، طی کنید؟
در 9+ سال تجربه من ، دو مورد از تأثیرگذارترین پروژه هایی که از یکپارچه به میکروسرویس منتقل شده اند در VMware و Cisco بودند. در هر دو مورد ، برنامه های یکپارچه با مشکلات شدید عملکردی روبرو بودند که زمان پردازش شغل بیش از 24 ساعت است و منجر به قطع خدمات و تأثیر منفی بر تجربه کاربر می شود. برای پرداختن به این چالش ها ، انتقال به میکروسرویس ها ضروری بود ، زیرا به ما امکان می داد تا مشاغل بزرگ و محکم را به خدمات کوچکتر و مستقل تقسیم کنیم که پردازش موازی ، مقیاس پذیری بهتر و جداسازی گسل را فعال می کند.
یکی از بزرگترین موانع در این تحول ، طراحی معماری بود که نه تنها عملکرد را بهبود بخشید بلکه از نظر مقرون به صرفه نیز باقی مانده است. این امر نیاز به انتخاب دقیق فن آوری ها و اصول طراحی سیستم ، از جمله پردازش ناهمزمان ، معماری رویداد محور و یک رویکرد پایگاه داده در هر سرویس برای کاهش تأخیر و بهینه سازی استفاده از منابع دارد. یکی دیگر از چالش های مهم تضمین سازگاری و یکپارچگی داده ها بود ، زیرا هرگونه اختلاف بین یکپارچه قدیمی و سیستم جدید مبتنی بر میکروسرویس می تواند نگرانی های مشتریان را ایجاد کند. برای کاهش این خطر ، اعتبار سنجی داده های گسترده 1: 1 انجام شد ، هر دو سیستم را به صورت موازی و مقایسه نتایج قبل از انتقال کامل انجام داد. علاوه بر این ، آزمایش عملکرد نقش مهمی در این فرآیند داشت ، زیرا برای اطمینان از عملکرد هر یک از مؤلفه های سرویس جدید بهینه لازم بود. این شامل تأیید اینكه پایگاه داده انتخاب شده می تواند به طور مؤثر عملیات خواندن و نوشتن در مقیاس بزرگ را انجام دهد و مکانیسم های مقیاس خودکار به صورت پویا منابع را بر اساس نوسان بار کاری اختصاص داده اند.
پس از استقرار این پروژه به تولید ، اندازه گیری موفقیت بسیار مهم شد. مهمترین معیارها شامل بهبود عملکرد ، راندمان هزینه ، مقیاس پذیری و تحمل گسل بود. در مقایسه با سیستم یکپارچه قدیمی ، زمان پردازش از بیش از 24 ساعت به چند دقیقه کاهش یافته است ، استفاده از منابع ابری بهبود یافته و در نتیجه تقریباً 30 ٪ صرفه جویی در هزینه و سیستم جدید درخواست های همزمان تری را بدون تخریب عملکرد انجام می دهد. علاوه بر این ، مکانیسم های جداسازی گسل تضمین می کنند که خرابی در یک سرویس باعث قطع سیستم در سطح سیستم نمی شود ، به طور قابل توجهی قابلیت اطمینان کلی را بهبود می بخشد. این تحولات نه تنها باعث افزایش کارآیی سیستم می شود بلکه با فعال کردن سریعتر پردازش داده ها ، مقیاس پذیری یکپارچه و کاهش هزینه های عملیاتی منجر به تجربه بهتر مشتری می شود.
از آنجا که محاسبات ابری همچنان در حال تحول است ، بزرگترین فرصت ها و چالش ها را برای شرکت هایی که به دنبال مقیاس سیستم های توزیع شده خود هستند ، از کجا می بینید؟
محاسبات ابری به سرعت در سالهای اخیر تکامل یافته و منجر به افزایش اتخاذ معماری های بدون سرور در سراسر صنعت می شود. بسترهای نرم افزاری مانند AWS Lambda و عملکردهای Google Cloud به حداقل رساندن سربار عملیاتی ضمن افزایش راندمان هزینه کمک می کنند. بسیاری از سازمان ها همچنین در حال پذیرایی از مدل های ابر ترکیبی هستند و به بار کار اجازه می دهند هم در محل و هم در ابر اجرا شوند تا عملکرد و هزینه را متعادل کنند. با این حال ، این فرزندخواندگی در حال رشد مسئولیت اضافه شده را به ویژه در مدیریت هزینه ، جایی که هزینه ها می توانند به دلیل استفاده بیش از حد مورد توجه ، سوء استفاده نادرست یا استفاده از منابع ناکارآمد افزایش یابد ، افزایش یابد. علاوه بر این ، خطرات امنیتی ممکن است از درگاه های شبکه باز یا غلط های نادرست که می تواند داده های حساس را در معرض دید قرار دهد ، ایجاد شود.
“آینده کار” در فناوری موضوعی داغ است. با تغییر فزاینده به سمت تیم های از راه دور و ترکیبی ، چگونه می بینید که رهبری مهندسی برای حفظ بهره وری ، نوآوری و پویایی تیم قوی در حال تحول است؟
کار هیبریدی به یک هنجار جدید تبدیل شده است و با ادامه رشد تیم های ترکیبی ، رهبری مهندسی باید از انعطاف پذیری استفاده کند – به اعضای تیم اجازه می دهد تا ضمن حفظ بهره وری و نوآوری ، برنامه های خود را مدیریت کنند. برای تیم های کاملاً از راه دور ، پرورش پویایی تیم قوی ضروری است. یک رویکرد میزبان اجتماعات مجازی غیررسمی ، مانند ساعات مبارک جمعه ، برای تشویق ارتباطات شخصی فراتر از بحث های مرتبط با کار است. علاوه بر این ، رهبری می تواند خارج از کشور را سازماندهی کند ، اعضای تیم از راه دور را برای هماهنگی در نقشه راه محصول ، بررسی OKR های سالانه ، و در مکالمات عمیق تر در مورد بازخورد مشتری و مراحل بعدی استراتژیک سازماندهی کند.
کار شما شامل ساخت برنامه های مقیاس پذیر و با کارایی بالا است. بزرگترین اشتباهاتی که شرکت ها هنگام طراحی راه حل های مبتنی بر ابر SaaS مرتکب می شوند ، و چگونه می توانند از آنها جلوگیری کنند؟
من شرکت ها برنامه های مهندسی بیش از حد را برای قرار دادن موارد احتمالی استفاده در آینده مشاهده کرده ام که ممکن است هرگز تحقق پیدا نکند. این اغلب تحویل راه حل های مقیاس پذیر و با کارایی بالا را به تأخیر می اندازد و تیم ها را وادار می کند تا بیش از حد لازم به سیستم های کم تحرک موجود اعتماد کنند. یک رویکرد مؤثرتر این است که ابتدا بر حل چالش های عملکرد فعلی متمرکز شود ، سپس به طور تکراری راه حل برای پشتیبانی از نیازهای آینده را تکامل دهید.
شما در غول های مختلف فنی کار کرده اید – هرکدام با فرهنگ مهندسی و پشته فناوری خود. چگونه می توانید ضمن اطمینان از دید فنی طولانی مدت ، در محیط های مختلف سازگار و نوآوری کنید؟
در طول زمان خود در غول های مختلف فنی ، من به طور مداوم به اصول اصلی ساختن سیستم های مقیاس پذیر و کارآمد پایبند بوده ام. در حالی که هر شرکت با میراث یا معماری های ناکارآمد با چالش هایی روبرو است ، فشار به کشتی به سرعت اغلب منجر به محرومیت از این موضوعات می شود. من معتقدم که اعتصاب یک تعادل بسیار مهم است – نوآوری رانندگی برای رقابت در بازار ، در عین حال مدرن سازی و بهینه سازی سیستم های موجود برای اطمینان از قوی بودن و عملکرد آنها در مقیاس.
با نگاه به آینده ، چه چیزی شما را بیشتر از آینده سیستم های Cloud Computing و توزیع شده هیجان زده می کند؟ آیا روندها یا فناوری های نوظهور وجود دارد که به نظر شما طی پنج سال آینده صنعت را دوباره تعریف می کند؟
با ظهور هوش مصنوعی ، من معتقدم که روند اصلی بعدی ادغام هوش مصنوعی در سیستم های توزیع شده خواهد بود. ما شاهد اتخاذ گسترده رویکردهای AI محور برای مقیاس به صورت پویا ، نظارت بر سلامت سیستم در زمان واقعی ، اهرم الگوریتم های پیش بینی برای تعادل بار و تشخیص فعالیت غیر عادی یا مخرب در محیط های توزیع شده خواهیم بود.