Patrones: Comparte-nada

Apuntes:

Comparte-nada

Plantea cómo hacer para no compartir nada, es decir para directamente no necesitar un punto de unión entre componentes.

Patrones: Comparte-nada

Procura que no exista un punto de unión entre componentes. Es muy potente a la hora de procesar información. Ya que como cada componente tiene su estado, BD privado y todo lo que necesite para el y solo para el. se puede optimizar ese proceso de forma que no tenemos que considerar casos de contingencia.

🤖🤖🤖
Cómo hacer para compartir recursos, hay que tener en cuenta que esto agrega complejidad al sistema.

Esta arquitectura es muy potente a la hora de procesar información, porque si cada componente tiene sus datos propios se puede garantizar que esos componentes son los únicos que tienen acceso a la información.

Esta arquitectura en efecto es muy puntual y diria que los casos de uso son minimos en comparación con los vistos anteriormente. Uno de los casos de uso es para computo cientifico en grandes batches, donde se hace analisis de grandes cantidades de información pero de manera separada

Este patrón es usado en Big Data, aquí un sencillo ejemplo: La arquitectura **Shared-Nothing** es un enfoque en el que los nodos de un sistema no comparten recursos, como memoria o almacenamiento, y trabajan de manera independiente. Esta arquitectura es común en sistemas distribuidos donde se necesita alta escalabilidad y paralelismo. En el contexto de **MapReduce**, una arquitectura de procesamiento distribuido, este patrón se adapta perfectamente ya que cada nodo realiza cálculos sobre una parte de los datos sin necesidad de compartir memoria con otros nodos. Aquí te doy un ejemplo de un proyecto que usa la arquitectura **Shared-Nothing** con el paradigma **MapReduce**. En este ejemplo, imaginemos un sistema de **procesamiento de grandes volúmenes de datos** como el recuento de palabras de grandes archivos de texto distribuidos en múltiples nodos, típico de un escenario de **Big Data**. ### Ejemplo de Proyecto con Arquitectura Shared-Nothing Usando MapReduce ### Escenario: El proyecto procesa un gran conjunto de archivos de texto para contar la frecuencia de cada palabra usando la arquitectura Shared-Nothing. El proceso se distribuye en varios nodos, donde cada nodo lee una parte del archivo, cuenta las palabras localmente y luego se agrupan (reduce) los resultados finales. /mapreduce-shared-nothing │ ├── /input # Carpeta de archivos de entrada │ ├── file1.txt │ ├── file2.txt │ └── fileN.txt │ ├── /mappers # Carpeta de mappers │ ├── mapper1.js # Nodo 1 (Mapper) │ ├── mapper2.js # Nodo 2 (Mapper) │ └── mapperN.js # Nodo N (Mapper) │ ├── /reducers # Carpeta de reducers │ ├── reducer.js # Reduce para agrupar resultados │ ├── /nodes # Scripts para iniciar nodos │ ├── node1.js # Nodo que ejecuta el mapper 1 │ ├── node2.js # Nodo que ejecuta el mapper 2 │ └── nodeN.js # Nodo que ejecuta el mapper N │ ├── /output # Carpeta para almacenar resultados finales │ ├── result.txt # Archivo con el recuento final de palabras │ ├── /config # Configuración del sistema distribuido │ └── nodeConfig.json # Configuración de nodos y archivos distribuidos │ ├── master.js # Controlador maestro del proceso MapReduce ├── mapreduce.js # Implementación básica de MapReduce ├── README.md # Documentación del proyecto └── package.json # Dependencias del proyecto Características Clave del Patrón **Shared-Nothing** con **MapReduce**: 1. **Independencia de Nodos:** * Cada nodo es responsable de su propio procesamiento y no depende de la memoria o almacenamiento compartido con otros nodos. Los nodos solo se comunican a través de los resultados intermedios (los mappers envían sus resultados al reducer). 2. **Escalabilidad Horizontal:** * El sistema puede escalar fácilmente agregando más nodos para procesar más archivos o más partes de un gran archivo. Debido a la arquitectura **Shared-Nothing**, no hay cuellos de botella causados por recursos compartidos. 3. **Alta Disponibilidad:** * Si un nodo falla, otros nodos no se ven afectados, y el trabajo de ese nodo puede ser reasignado a otro sin comprometer el procesamiento general. 4. **Optimización de Datos Localizados:** * El enfoque **MapReduce** permite distribuir los datos de entrada y su procesamiento de manera eficiente. En un entorno distribuido real, los datos pueden procesarse en nodos que están físicamente cerca de donde se almacenan los datos, reduciendo la latencia de red. Este patrón es ampliamente utilizado en aplicaciones de **Big Data**, como sistemas de procesamiento de grandes volúmenes de datos (Hadoop, por ejemplo), donde la escalabilidad y la eficiencia en el procesamiento distribuido son críticos.