クラウドコンピューティングの6つの関連技術

クラウド コンピューティングは、新しいビジネス配信モデルであると同時に、新しい IT インフラストラクチャ管理方法でもあります。新しいビジネスデリバリーモデルにより、ユーザーはネットワークを通じて最適化されたハードウェア、ソフトウェア、ネットワークリソースを最大限に活用し、これに基づいた革新的なビジネスサービスを提供します。新しい IT インフラストラクチャ管理方法により、IT 部門は膨大なリソースを統合された大きなリソースとして管理できるようになり、保守および管理の対応するスタッフを大幅に増やすことなく、IT 部門がリソースを増やすことをサポートします。クラウドコンピューティングに関連するテクノロジーは次のとおりです。

[[247345]]

仮想化

仮想化により、組織プロセスにおけるリソースとアプリケーションの効率と可用性が大幅に向上します。仮想化は、物理リソースを、最終的にユーザーに提示されるリソースから分離します。これは実際には、統一され適切に設計されたアーキテクチャを使用して、物理リソース上に複数の代替リソース (つまり、仮想リソース) を作成する代替プロセスです。代替リソースと物理リソースは同じインターフェースと機能を持ちます。ユーザーにとって、仮想リソースは物理リソースと同じ使用機能を持ちますが、価格、容量、調整可能性などの異なる属性を持つこともできます。

自動展開

クラウド コンピューティングの中心的な考え方は、自動化によってタスクを可能な限り簡素化し、ユーザーがセルフサービスを通じて必要なリソースと機能を迅速に取得できるようにすることです。デプロイメントはインフラストラクチャ管理の非常に重要な部分であり、オペレーティング システム、ミドルウェア、アプリケーションなどのさまざまなレベルのデプロイメントを含む多くの作業が必要です。自動展開によりプロセスを簡素化できます。ユーザーがアプリケーションを送信すると、自動展開プラットフォームがスケジュールと予約に基づいて対応する展開を自動的に完了します。したがって、ユーザーは完全な環境を構築するのにわずか十数分、あるいは数分しかかからず、作業効率が大幅に向上します。

アプリケーションスケール

クラウド コンピューティングは巨大なリソース プールを提供し、アプリケーションにはさまざまな負荷サイクルがあります。負荷に応じてアプリケーション リソースを動的にスケーリングすると、リソースの有効利用率が大幅に向上します。つまり、負荷が高いときにリソースを動的に拡張し、負荷が低いときに余分なリソースを解放します。これは、アプリケーションスケール拡張テクノロジが解決する問題です。このテクノロジーは、アプリケーションを基本単位として使用し、さまざまなアプリケーション アーキテクチャごとに異なるクラスター タイプを設定します。各クラスター タイプには特定の拡張方法があり、負荷の動的な変化を監視することで、アプリケーション クラスターのリソースを自動的に増減します。

分散ファイルシステム

分散ストレージの目的は、クラウド環境内の複数のサーバーのストレージ リソースを活用して、単一のサーバーでは満たせないストレージ ニーズを満たすことです。ストレージリソースを抽象的に表現し、統一的に管理することができ、データの読み取り、書き込み、操作のセキュリティ、信頼性などの要件を確保できることが特徴です。

クラウド コンピューティングにより、優れた分散ファイル システムとクラウド ストレージ サービスが生まれました。最も一般的なクラウド プラットフォームの分散ファイル システムは、Googie の GFS とオープン ソースの Hadoop です。これら 2 つのスケーラブルな分散ファイル システムは、フォールト トレランスとフォールト回復メカニズムを使用して、単一ノードの障害によって引き起こされるシステム障害を効果的に克服し、大規模なファイル ストレージを実現します。 Hadoop ファイル システムを例にとると、Hadoop ファイル システム (HDFS) は通常のハードウェア上で実行される分散ファイル システムです。既存の分散ファイルシステムと多くの類似点があります。ただし、他の分散ファイルシステムとの違いも明らかです。HDFS は耐障害性が非常に高いのです。低コストのハードウェアに導入できます。 HDFS は、アプリケーションに高スループットのデータ アクセスを提供します。大規模なデータセットを扱うアプリケーションに適しています。 HDFS は、ファイル データへのストリーミング アクセスを実現するために、いくつかの POSIX 要件を緩和します。

分散データベースと非構造化データストレージ

分散ファイルシステム上。大量の構造化データを保存するための一般的な分散ストレージ システムには、Google の BigTable、オープン ソースの HBase などがあります。これらのシステムは、非構造化データ (Web ページなど) を分散型の多次元の順序付きグラフとして保存できます。 HBase は、Apache の Hadoop プロジェクトのサブプロジェクトです。これは分散型の列指向オープンソース データベースです。一般的なリレーショナルデータベースとは異なり、非構造化データの保存に適したデータベースであり、行ベースではなく列ベースのモデルを採用しています。ユーザーはデータ行をテーブルに保存します。データ行にはオプションのキーと任意の数の列が含まれます。テーブルは緩く保存されるため、ユーザーは行に対してさまざまな列を定義できます。 HBase は主に、ビッグデータのランダム アクセスとリアルタイムの読み取りと書き込みに使用されます。

分散コンピューティング

クラウド プラットフォームに基づく最も一般的な分散コンピューティング モデルは、Map Reduce プログラミング モデルです。 Map Reduce は、大規模なタスクを多数のきめ細かいサブタスクに分割し、それらを複数のコンピューティング ノードに分散してスケジュールと計算を行うことで、クラウド プラットフォーム上で大量のデータを処理できるようになります。 「Map」と「Reduce」の主なアイデアは、関数型プログラミング言語から借用されています。現在のソフトウェア実装では、キーと値のペアのセットを新しいキーと値のペアのセットにマップするための Map 関数が指定され、マップされたキーと値のペアのそれぞれが同じキー グループを共有するようにするための同時 Reduce 関数が指定されています。

簡単に言えば、マッピング関数は、独立した要素の概念リストの各要素に対して指定された操作を実行します。実際、各要素は独立して操作され、新しい回答を保持するために新しいリストがここで作成されるため、元のリストは変更されません。つまり、Map 操作は高度に並列化できるため、高いパフォーマンス要件と並列コンピューティングのニーズがあるアプリケーションに非常に役立ちます。削減操作は、リストの要素を適切に結合することを指します。マップ関数ほど並列ではありませんが、簡略化では常に単純な答えが得られ、大規模な操作は比較的独立しているため、高度に並列化された環境でも簡略化関数は役立ちます。