Mise à l'échelle du Volume de Données

Ce document couvre les scénarios de mise à l'échelle du volume de données, où la taille totale du dataset dépasse la capacité d'un seul nœud.

Tenant Scaling

Si le cas d'usage est multi-locataire, ce qui signifie que chaque utilisateur n'a accès qu'à un sous-ensemble des données, et que nous n'avons jamais besoin d'interroger l'ensemble des données, nous pouvons utiliser des patterns de multi-tenancy pour la mise à l'échelle.

La façon recommandée est d'utiliser des workloads multi-locataires avec partitionnement de payload, des indexes par locataire, et une multi-tenancy en niveaux.

En savoir plus Tenant Scaling

Sliding Time Window

Certains cas d'usage reposent sur une fenêtre de temps glissante, où seules les données les plus récentes sont pertinentes. Par exemple un index pour les posts sur les réseaux sociaux, où seules les 6 derniers mois de données nécessitent une recherche rapide.

En savoir plus Sliding Time Window

Global Search

La plupart des cas d'usage généraux nécessitent une recherche globale sur l'ensemble des données. Dans ces situations, nous pourrions avoir besoin de revenir à la mise à l'échelle verticale, puis à la mise à l'échelle horizontale lorsque nous atteignons les limites de la mise à l'échelle verticale.

Vertical Scaling

Quand les données ne tiennent pas dans un seul nœud, la première approche est de mettre à l'échelle le nœud lui-même — plus de RAM, meilleur disque, quantization, mmap. Épuisez les options verticales avant de passer à l'horizontal, car la mise à l'échelle horizontale ajoute une complexité opérationnelle permanente.

En savoir plus Vertical Scaling

Horizontal Scaling

Quand un seul nœud ne peut pas contenir les données même avec quantization et mmap, distribuez les données sur plusieurs nœuds via sharding.

En savoir plus Horizontal Scaling