A real case study : boost scalability and performance with GridGain. Javaday 2009

GridGain

Aumentare scalabilità e performance con l'aiuto
del Open Source e della Grid Computing

Alfonso Focareta, Christian Mongillo

Pro-netics

alfonso.focareta@pronetics.it,christian.mongillo@pronetics.it – Pro-netics
Javaday Roma III Edizione – 24 gennaio 2009

Introduzione

● Enterprise Cms?
● ECMS: un caso di studio
● Problematiche e troubleshooting
● GridGain e i vantaggi della grid-computing


Enterprise CMS

● Differenze tra CMS e ECMS :
– Molti utenti (più redazioni ognuna con più utenti che
lavorano in maniera concorrente)
– Elevata quantità di contenuti (di archivio e
pubblicati)
– Alimentazione da fonti esterne (base dati esterne)
– Automazioni sulle pubblicazioni (schedulare orari
di pubblicazione e automazione)
– Utilizzo maggiore delle risorse hardware


Enterprise CMS

● Amministrazione intuitiva ed elastica (pronta
ad accogliere ogni tipologia di contenuti senza
modifiche)
● Uptime 365x24
● Elevato numero di utenti abituali con picchi
frequenti (molti utenti che in base ad un
particolare evento consultano una pagina)
● Meccanismi per il risparmio di banda (gestione
qualità img, crop e ridimensionamento
automatizzato)

ECMS un caso reale

Boxes (nome fittizio)
Tecnologie e framework utilizzati :
● JMS
● WICKET FRAMEWORK
● DOZER
● XSTREAM
● QUARTZ
● SPRING
● HIBERNATE
● GRIDGAIN (*)


ECMS un caso reale

Componenti (Moduli) di Boxes
● Client (amministrazione per la gestione dei contenuti)
● Feeder: componente automatizzato per l'importazione
di dati da fonti esterne (DB, rss ... )
● Publisher: componente che dall'analisi dei dati immessi
tramite il client, crea uno snapshot dei siti, e lancia la
generazione dei contenuti (xml / html ...)
● Dispatcher: invocato dal Publisher pubblica sui
webserver di frontend tramite JMS il contenuto generato
al fine di renderlo visibile agli utenti finali.

ECMS un caso reale


Performance di un ECMS

Le performance di un ECMS sono regolate dai
seguenti requisiti:
● Concorrenza di lavorazione (due utenti
lavorano allo stesso contenuto)
● Velocità di generazione e pubblicazione del
contenuto (tenendo presente gli automatismi
temporali e di “auto” pubblicazione)
● Alta scalabilità (aumentano i contenuti e i siti ma
non ram e cpu)

Performance di un ECMS

Boxes in numeri
● 2 : le macchine di BE
● 3 : anni di sviluppo del progetto
● 5 : sviluppatori impegnati nel progetto
● 6 : le macchine di FE
● 20 : fonti da cui ciclicamente Boxes attinge dati per la
pubblicazione
● 150 : utenti che attualmente utilizzano
l'amministrazione(client)
● 400.000 : picco di accessi contemporanei al sito.
● 600.000 : content attualmente salvati presenti in Boxes.

ECMS Troubleshooting

Problemi di scalabilità nell'architettura di Boxes
● Publisher : Dovendo per questioni di concorrenza
questo componente analizzare tutto il ramo dei
contenuti era esposto a una degradazione delle
performance inevitabile.
● Soluzioni possibili :
– scalare sull'hardware (soluzione non finale e costosa)
– forti modifiche software (refactoring lenti e costosi)
– grid computing (dividere i task di analisi tra più
installazioni del modulo publisher)

Dobbiamo scegliere cosa fare?
........il cliente aspetta
........il vostro capo aspetta
........la risposta è?


GridGain

● Open Source Grid Computing
● Creato e Supportato da GridGain Systems
(Community e Professional)
● Implementazione Map/Reduce
potente,semplice,divertente

http://www.gridgain.com/


GridGain

● Grid Computing
– Un modo per sfruttare gli ambienti multi-core per
ottenere scalabilità orizzontale.
● Map Reduce
– Paradigma classico nella grid computing per
implementare soluzioni scalabili.
– Modello di programmazione per processare grandi
set di dati
– Metodologia standard per la parallelizzazione di
processi di calcolo onerosi

GridGain

● Map Reduce:
– Splittare i nostri task in n “job” parallelizzabili
raggruppati per chiave.
– Mappare i nostri job in unità di processo raggruppate
per chiave.
– Merging dei risultati dei singoli processi di calcolo in
un risultato globale di task


Map Reduce

1.Il task arriva al primo nodo, dove viene
splittato in tre job.il primo è
self-assigned e viene processato
localmente

2.il secondo job viene mandato al
secondo nodo dove viene processato

3.il terzo job viene mandato al terzo nodo
dove viene processato

4.il risultato del secondo job viene
collezionato dal task del primo nodo

5.Il risultato del terzo job viene
collezionato dal task del primo nodo

6.I risultati dei due job dai nodi remoti
vengono collezionati insieme a quello
ottenuto localmente, ridotti dal task e
racchiusi in un unico risultato


Utilizziamo il Map/Reduce

Il nostro task :
tagliare a fette un filone di pane da 25 metri per il
Nutella Javaday Party!!!



Soluzione :
Dividere il filone in 25 parti, assegnare ogni parte
ad un “tagliatore” (quelli in prima fila sono
perfetti). Quando tutti hanno tagliato il loro metro
di pane raggruppare le fette.



Il nostro task :
ordinare e raggruppare per colore un mazzo di
carte francesi per il Javaday Texas Hold'em
Tournament.



Soluzione :
Dividere le carte in 4 mazzetti assegnati a 4
giocatori (quelli in prima fila...di nuovo :-D) che le
raggruppano per colore. Aggregare i mazzetti di
ogni giocatore per colore e passare
all'ordinamento dei mazzetti.


GridGain Features

● Map/Reduce avanzato
● Architettura SPI
● Load Balancing
● Fault-Tolerance
● Zero Deployment Model
● Annotation-Based Grid-Enabling AOP
● JMX Management e Monitoring


GridGain Features

● Configurazione basata su SPI (Service Provider
Interface)
– Discovery SPI
– Topology SPI
– Checkpoint SPI
– Load Balancing SPI
– Collision SPI
– Failover SPI
– Metrics SPI

GridGain Map/Reduce

● Api a supporto dell'intera fase di map e reduce
– GridTask,GridJob,GridConfiguration,GridFactory
● Gestione asincrona della fase di reduce
● Configurazione checkpoint per task con lunghi
tempi di running


Checkpoint

a questo punto....
....conosciamo i punti deboli di Boxes....
....siamo “esperti” di grid computing....
....il cliente sta ancora aspettando....
....il capo sta ancora aspettando....
è il momento di....


Do the right thing!

INTEGRARE ....


Integrazione

● Individuiamo i processi sequenziali e ripetitivi del
modulo publisher
– Analisi sequenziale dei siti
– Pubblicazione sequenziale dei contenuti modificati
● Individuiamo l'entry point del nostro algoritmo
dove poter integrare GridGain (quale processo
sarà il nostro task?)
● Modifichiamo l'algoritmo del publisher :
introduciamo il Map/Reduce e trasformiamo i cicli
di calcolo in job paralleli

Integrazione

● Analizziamo e ottimizziamo la nostra griglia
– configuriamo la topologia della griglia e scegliamo
quali nodi effettueranno determinati job.
– “pesiamo” il deployment dei job in base alla “potenza
di calcolo” delle singole macchine. In Boxes esistono
siti con differente quantità di contenuti e con
differente necessità di velocità di pubblicazione
● siti leggeri -> raggrupati in un unico job su macchine meno
performanti
● siti pesanti -> splittati in un unico job sulle macchine più
performanti

I vantaggi dell'integrazione

● Performance immediate
– abbiamo parallelizzato tutti i processi che erano in una catena
sequenziale (ora i siti vengono analizzati con letture parallele)
● Affidabilità e scalabilità
– abbiamo distribuito il carico di lavoro fra i nodi della nostra
griglia (i processi più pesanti verrano presi in carico dalle
macchine più performanti)
● Facilità nell'upgrade
– usiamo una parte della griglia per garantire la disponibilità
dell'applicativo mentre aggiorniamo gli altri nodi.


Ottimizzazione graduale

● L'architettura di GridGain ci permette
l'ottimizzazione graduale dell'integrazione

● Ottimizzazione intuitiva grazie alla configurazione
delle SPI


Contatti

Grazie per l'attenzione!!!!
buona Grid Computing a tutti

alfonso.focareta@pronetics.it
christian.mongillo@pronetics.it

http://www.pro-netics.it

A real case study : boost scalability and performance with GridGain. Javaday 2009

More Related Content

Similar to A real case study : boost scalability and performance with GridGain. Javaday 2009

A real case study : boost scalability and performance with GridGain. Javaday 2009