Cloud scalability versus cloud elasticity

Cloud providers can offer both elastic and scalable solutions. While these two terms sound
identical, cloud scalability and elasticity are not the same.

Elasticity refers to a system’s ability to grow or shrink dynamically in response to changing

workload demands, like a sudden spike in web traffic. An elastic system automatically adapts to
match resources with demand as closely as possible, in real time. A business that experiences
variable and unpredictable workloads might seek an elastic solution in the public cloud.

A system’s scalability, as described above, refers to its ability to increase workload with existing
hardware resources. A scalable solution enables stable, longer-term growth in a pre-planned
manner, while an elastic solution addresses more immediate, variable shifts in demand. Elasticity
and scalability in cloud computing are both important features for a system, but the priority of
one over the other depends in part on whether your business has predictable or highly variable
workloads.

Why is cloud scalable?

A scalable cloud architecture is made possible through virtualization. Unlike physical machines
whose resources and performance are relatively set, virtual machines virtual machines (VMs) are
highly flexible and can be easily scaled up or down. They can be moved to a different server or
hosted on multiple servers at once; workloads and applications can be shifted to larger VMs as
needed.

Third-party cloud providers also have all the vast hardware and software resources already in
place to allow for rapid scaling that an individual business could not achieve cost-effectively on
its own.

Benefits of cloud scalability

The major cloud scalability benefits are driving cloud adoption for businesses large and small:

 Convenience: Often with just a few clicks, IT administrators can easily add
more VMs that are available without delay—and customized to the exact needs
of an organization. That saves precious time for IT staff. Instead of spending
hours and days setting up physical hardware, teams can focus on other tasks.
  Flexibility and speed: As business needs change and grow—including
unexpected spikes in demand—cloud scalability allows IT to respond quickly.
Today, even smaller businesses have access to high-powered resources that
used to be cost prohibitive. No longer are companies tied down by obsolete
equipment—they can update systems and increase power and storage with ease.
 Cost savings: Thanks to cloud scalability, businesses can avoid the upfront
costs of purchasing expensive equipment that could become outdated in a few
years. Through cloud providers, they pay for only what they use and minimize
waste.
 Disaster recovery: With scalable cloud computing, you can reduce disaster
recovery costs by eliminating the need for building and maintaining
secondary data centers.
When to use cloud scalability
Successful businesses employ scalable business models that allow them to grow quickly and
meet changing demands. It’s no different with their IT. Cloud scalability advantages help
businesses stay nimble and competitive.

Scalability is one of the driving reasons to migrate to the cloud. Whether traffic or workload
demands increase suddenly or grow gradually over time, a scalable cloud solution enables
organizations to respond appropriately and cost-effectively to increase storage and performance.

How to achieve cloud scalability?

Businesses have many options for how to set up a customized, scalable cloud solution via public
cloud, private cloudor hybrid cloud.

There are two basic types of scalability in cloud computing: vertical and horizontal scaling.

With vertical scaling, also known as “scaling up” or “scaling down,” you add or subtract power
to an existing cloud server upgrading memory (RAM), storage or processing power (CPU).
Usually this means that the scaling has an upper limit based on the capacity of the server or
machine being scaled; scaling beyond that often requires downtime.

To scale horizontally (scaling in or out), you add more resources like servers to your system to
spread out the workload across machines, which in turn increases performance and storage
capacity. Horizontal scaling is especially important for businesses with high availability services
requiring minimal downtime.
How do you determine optimal cloud
scalability?
Changing business requirements or surging demand often require changes to your scalable cloud
solution. But how much storage, memory and processing power do you really need? Will you
scale up or out?

To determine a right-sized solution, ongoing performance testing is essential. IT administrators

must continually measure factors such as response time, number of requests, CPU load and
memory usage. Scalability testing also measures an application’s performance and ability to
scale up or down depending on user requests.

Automation can also help optimize cloud scalability. You can determine thresholds for usage that
trigger automatic scaling so that there’s no effect on performance. You may also consider a third-
party configuration management service or tool to help manage your scaling
Why is cloud scalable?
Cloud scalability overcomes many of the limitations of
legacy data storage by providing a unifying data infrastructure
with several important advantages:
· Scale-efficient: Resources are allocated and reallocated
quickly and easily in response to changing demands.
· Self-healing: Automatic data replication stores redundant
mirrored copies of all data across different machines and
locations, so even if a disc fails, applications continue running.
· Load-balancing: Automatic load-balancing distributes
workloads throughout the system, improving the overall
reliability and availability of resources.
· Open access: Multiple specialized tools with different APIs
can access the same data at the same time.
· Versatility: Data can be stored as files, objects, event
streams, tables, and more—all within the same system.

What are the benefits of cloud

scalability?
A scale-efficient system—one with true scalability—scales both
up and down in terms of the number and variety of data,
applications, machines, and locations involved. True cloud
scalability is:
· Flexible: Performs a variety of functions using different tools
and applications, all on the same system.
· Changeable: Adapts to shifting demands and requirements
without having to rearchitect, whether that means expanding
capability or pulling back down.
· Reliable: Continues working uninterrupted through hardware
failures or spikes in traffic.
· Efficient: Allows one IT team to support multiple projects and
systems with the same underlying data structure.
· Simple: Streamlines workloads and architecture for higher
performance and a cost-effective, future-proof system.
Related Topics
Cloud Computing
Cloud Infrastructure
Private Cloud
Public Cloud

When should you use cloud

scalability?
Large-scale systems invite complications, and large
organizations have a clear tendency to spawn multiple
independent systems designed for different purposes in
different places. People naturally focus on the problems in front
of them, which is how multiple problems evolve multiple,
unconnected solutions. Enterprise systems grow unnecessarily
complex and cumbersome, with siloed data and wasted
resources.
As your organization expands to include multiple systems in
multiple locations, and as it begins to generate greater volumes
and varieties of data, it pays to step back and evaluate your IT
infrastructure to ensure that you have a system that’s effective
and cost-efficient for your current needs, but also capable of
adapting to changes.
The next change might mean scaling up in size, but it could also
mean introducing new business processes or new technologies
like machine learning or AI. A scale-efficient system can adapt
to these changes seamlessly, without downtime and without
having to fundamentally rearchitect.

How do you achieve cloud

scalability?
Data is the common thread running through every enterprise
process. It’s the unifying, organizing principle that ties
everything together. Making a common, uniform data layer the
backbone of a scalable system integrates and simplifies
operations from edge to cloud.
Building a system with true scalability—one that’s not just able
to hold more data, but able to support a wide variety of different
data types, applications, locations, hardware, and users—
begins with a comprehensive data strategy that goes beyond
individual projects to reach across your organization.
Eliminating data silos makes your data available for use by
multiple groups, and ensuring that data can be re-used helps
eliminate data waste.
The next step is to adopt a unifying data infrastructure that’s
not only efficient for your immediate needs, but flexible to allow
you to grow and adapt to changes, whether it’s adding new
products, expanding to new locations, upgrading or replacing
hardware, or introducing new tools and processes. A unified
data architecture like HPE Ezmeral Data Fabric provides a
common data layer across multiple applications and across
your organization.
What is the importance of cloud
scalability in modern IT
infrastructure?
Cloud scalability holds paramount importance. It can be
achieved through virtualization and enables businesses to scale
resources and performance according to their needs. The key
reasons explaining cloud scalability's importance in modern IT
infrastructure are:
Cloud stability facilitates businesses to scale their resources up
depending on demand and accommodate dynamic workloads.
Also, it scales down the resources during low-demand hours to
optimize resource utilization. The dynamic scaling of resources
enables organizations to prevent additional costs and only pay
for the resources they use.
Scalable cloud environments offer high performance by
adjusting the resources during peak hours and increased
workloads, ensuring all-time availability and minimal service
disruption. Cloud service providers have data centers across
different regions, allowing organizations to deploy their
applications and services nearer to their target audience. This
ensures quick response times, low latency access, and a better
user experience. Also, it speeds up the development of new
products and services, lowering their time to market, enabling
businesses to innovate quickly, and reducing development
cycles.
Scalability in the cloud ensures quick disaster recovery and
business continuity. For example, cloud providers offer
distributed data centers and automated backups and implement
replication techniques to ensure data redundancy and
resilience. During unpredictable times such as system failure or
disaster, businesses can scale up resources in other regions to
reduce disruption and sustain operations. The ability to scale
resources on demand enables organizations to analyze and
process data to gain meaningful insights and make decisions.

What is scalability in the cloud?

Scalability in the cloud computing allows businesses to scale
their computing resources up and down based on the
requirement ensuring low infrastructure disruption.
 Scalability and elasticity in cloud: Scalability can be
defined as the cloud's ability to manage workloads by
increasing or decreasing resources per the demand. It is of
two types - horizontal and vertical. Vertical scalability
includes adding more power to the current resources, and
horizontal scalability means adding more resources to
divide the load.
Cloud Elasticity is the next step of scalability and allows the
cloud environment to scale resources up and down
automatically depending on the demand. It ensures on-demand
resource allocation, delivering high performance and improving
cost efficiency.
 Horizontal and vertical scalability: Horizontal scalability
involves adding similar resources to manage the workload.
For instance, if an application runs on a dedicated server,
the workload increases. Horizontal scalability helps to add
more servers to distribute the additional load. Processes
such as load balancing, distributed computing, and
clustering are used to achieve horizontal scalability.
Vertical scalability increases the capacity of resources by
optimizing their performance. For example, if a virtual machine
needs more computing power, scalability facilitates adding
external CPU storage or memory to that specific machine.
 Key factors affecting cloud scalability:
 - The cloud architecture must have provisions to divide
workloads across different forces to manage traffic spikes and
scale resources as needed.
- Automated service provisioning and workload management
handle dynamic demands and ensure optimal utilization of
resources.
- With real-time monitoring, it is possible to track loopholes,
patterns of resource utilization, and any other scalability issues.
- Choosing cloud service providers that provide reliable
infrastructure, flexible resource allocation, and distributed data
centers is essential.

How to design for scalability in the

cloud?
It is essential to focus on the below considerations while
designing cloud scalability.
Architecture considerations for scalability:
 Distributed system: A distributed system architecture is
essential to obtain scalability in a cloud. Dividing the
workloads amongst servers hinders potential obstructions
and failures and facilitates parallel processing. To leverage
the power of modular and loosely coupled components, the
SOA (service-oriented architecture) enables the scaling of
individual resources. Also, microservices break down the
applications into independent services and enable
individual scaling.
 Load balancing: The load balancing algorithms
disseminate incoming requests across accessible
resources by adjusting traffic volumes. For businesses with
global outreach, global load balancing ensures that
incoming requests are transferred to the nearest available
 resources to lower latency and offer a seamless user
experience.
 Fault tolerance and redundancy: Data and service
replication reduces failures and ensures a quick recovery
(if a failure occurs) to minimize downtime and ensure
continuity. Automated failovers enable switching to
redundant resources automatically.
What are scalability patterns and
techniques?
Scalability patterns and techniques enable businesses to fulfill
the ever-increasing demand for applications to ensure optimal
performance.
 Scale-up and scale-out: Scale-up refers to amplifying the
capacity of individual resources, for instance, adding
storage and memory to manage workloads. While scale-
out means adding more resources, such as instances or
servers, to segregate the workload across different
resources with the help of load-balancing techniques.
 Stateless and stateful architectures: In stateless
architecture, the client’s requests are independent and
self-sufficient and don't depend on earlier requests. The
session-related information isn’t stored on the server. All
the requests are distributed across different servers,
eliminating the need for a shared session state.
In stateful architecture, the session-related information is stored
on the server, necessitating synchronization and network
coordination. The stateful architecture is mandatory for
applications that depend on session data and ensures
scalability and fault tolerance.
 Caching and content delivery networks
(CDNs): Caching stores data in locations nearer to the
client location. Businesses can minimize the load on the
 backend and enhance performance by caching static
content.
The CDNs are distributed server networks that cache and
deliver content to users depending on their location. Some of
the benefits of CDNs include enhancing scalability, optimizing
content delivery, lowering network congestion, and streamlining
the user experience.

What are the data management

strategies for scalable cloud
applications?
The following data management strategies for cloud application
work efficiently to ensure effective data distribution, high
availability, performance, and fault tolerance.
 Sharding and partitioning: Sharding refers to partitioning
a database horizontally by dividing data across nodes or
shards. Every shard includes a data subset, and every
node manages a specific shard. This strategy ensures
parallel processing, enhancing performance and enabling
effective data distribution. Sharding is used for large
volumes of data and high write/read throughput needs.
Partitioning refers to dividing a database table into small
manageable chunks depending on specific criteria, for example,
list, hash, or range. All the partitions are stored individually on a
separate storage device. It reduces contention and enhances
query performance to boost scalability.
 Replication and consistency: Replication create multiple
copies of data across different nodes offering high
availability. Data can be accessed from the replicated
nodes in node or region failure events. There are two types
of replications - synchronous and asynchronous - which
vary on parameters such as latency and durability.
Businesses must choose the suitable consistency model
depending on the application's requirement. It involves two
techniques - eventual consistency and firm consistency.
Eventual consistency works for temporary inconsistencies
across replicas. On the other hand, strong consistency ensures
immediate consistency.
 Database scalability options: Vertical scalability scales
up resources in a single database service, enhancing
memory, storage, and CPU. It handles high workloads on a
single server. The horizontal scalability includes adding
database nodes, servers, or instances to distribute
workload during high-traffic hours.
What are the tools and technologies
for cloud scalability?
The tools and technologies for cloud scalability offer flexibility,
resource automation, and optimization, allowing businesses to
scale applications.
 Virtualization and containerization: Virtualization refers
to creating virtual instances of resources such as servers,
networks, and operating systems on a dedicated machine.
It ensures efficient resource utilization by running multiple
virtual machines on the dedicated server. It allocates
resources dynamically to virtual machines depending on
the demand and provides isolation between applications.
Containerization allows packing applications and their
dependencies into lightweight, easily transported containers. It
offers an isolated runtime environment that ensures easy
deployment across different computing.
 Orchestration tools: Kubernetes is an open-source
container orchestration tool that helps you to control
containerized applications. It offers advanced features
 such as automatic load balancing and horizontal scanning
of containers depending on resource utilization.
Kubernetes makes it simple to manage complex
application architectures, thereby facilitating scalability.
 Auto-scaling and load-balancing services: Auto-scaling
manipulates resources allocated to an application
depending on specified metrics or policies. They scale
resources up or down to fulfill varying demands, ensuring
resource optimization and high performance during peak
hours. Load balancing manages the incoming network
traffic across different servers to avoid workload and
ensure optimal resource utilization.
 Serverless computing: Serverless computing facilitates
code execution without managing services. It isolates the
fundamental infrastructure and scales the execution
environment depending on the incoming requests. It
ensures granular scalability by allocating resources
dynamically.
What are the best practices for
achieving cloud scalability?
By implementing the best practices for cloud scalability,
enterprises can achieve resilience, flexibility, and efficiency to
scale their applications. Some of the practices are:
 Planning for scalability from the start: Include the
important considerations (flexibility, horizontal scalability,
and fault tolerance) for scalability during the design phase.
The applications must have a modular and decoupled
architecture to enable granular resource allocation.
 Performance monitoring and optimization: Analyze and
monitor the performance metrics and key indicators to find
loopholes or issues. Next, optimize the application's
performance by improving database queries, tuning
 application configurations, and incorporating caching
strategies.
 Scaling based on demand and usage patterns: Auto-
scaling allocates resources dynamically depending on the
need. Predictive scaling is another option that helps you
leverage autoscaling with the help of historical data.
 Continuous integration and deployment (CI/CD) for
scalability: The CI/CD approach helps to integrate
features and enhancements, facilitating quicker iterations
and improvements.
What are the challenges and
limitations of cloud scalability?
Enterprises must overcome the challenges and limitations
associated with cloud scalability to ensure success.
 Cost implications of scaling in the cloud: Provisioning
extra resources to handle the workloads may result in high
costs, predominantly when resources are over or under-
provisioned. Transferring data across different servers can
increase costs, especially during horizontal scaling.
 Potential performance bottlenecks: Scaling across
geographical locations may result in longer response
times, which impact network latency and user experience.
Use CDNs, or edge computing, to reduce network latency.
It is challenging to scale with applications with complex
dependencies or processing. Analyze the application
architecture and address all the loopholes in the early
phases.
 Security and data privacy considerations: Safeguard
the privacy of sensitive information by using secure
communication protocols and encryption while scaling.
Also, it is vital to ensure compliance with privacy, storage,
and access regulations.
HPE and cloud scalability
The HPE GreenLake edge-to-cloud platform represents one of
the industry’s most comprehensive on-premises offerings for
secure, scalable cloud services. HPE GreenLake empowers
businesses to transform and modernize their workloads for
cloud operation, optimize and protect applications from edge to
cloud, and provide ready access to all forms of data, regardless
of its origin or location.
HPE GreenLake Lighthouse makes multiple cloud services
available on demand, without configuration complexity. Its
secure, cloud-native infrastructure eliminates the need to order
and wait for new configurations. Optimized cloud services can
be up and running from any location in minutes.
HPE Ezmeral Data Fabric is a highly scalable, entirely
software-defined solution that provides data storage, data
management, and data motion—whether at the edge, on-
premises, or in the cloud. It’s hardware-agnostic, allowing
tremendous flexibility in terms of what systems can make use of
it; And it stores data in different forms—as files, objects, event
streams, and tables—all part of the same system, under the
same management and security. That unifying advantage
endows the system with true scalability.
 ‫مزایای مقیاس پذیری ابر چیست؟‬

‫یک سیستم کارامد مقیاس ‪ -‬یکی با مقیاس پذیری واقعی ‪ -‬مقیاس هر دو باال و پایین از نظر تعداد و تنوع داده ها‪ ،‬برنامه های‬
‫کاربردی‪ ،‬ماشین االت و مکان های درگیر‪ .‬مقیاس پذیری واقعی ابر این است‪:‬‬

‫· انعطاف پذیر‪ :‬عملکردهای مختلفی را با استفاده از ابزارها و برنامه های مختلف انجام می دهد‪ ،‬همه در یک سیستم‪.‬‬

‫·قابل تغییر‪ :‬سازگاری با تغییر خواسته ها و الزامات بدون نیاز به بازسازی‪ ،‬چه به معنای گسترش توانایی و یا عقب نشینی باشد‪.‬‬

‫· قابل اعتماد‪ :‬ادامه کار بدون وقفه از طریق شکست سخت افزار و یا سنبله در ترافیک‪.‬‬

‫· کارامد‪ :‬به یک تیم ‪ IT‬اجازه می دهد تا چندین پروژه و سیستم را با همان ساختار داده های اساسی پشتیبانی کند‪.‬‬

‫· ساده‪ :‬حجم کار و معماری را برای عملکرد باالتر و یک سیستم مقرون به صرفه و اثبات اینده ساده می کند‪.‬‬

‫چه زمانی باید از مقیاس پذیری ابر استفاده کنید؟‬

‫سیستم های در مقیاس بزرگ پیچیدگی هایی را ایجاد می کنند و سازمان های بزرگ تمایل واضحی به ایجاد چندین سیستم مستقل‬
‫طراحی شده برای اهداف مختلف در مکان های مختلف دارند‪ .‬مردم به طور طبیعی بر روی مشکالت پیش روی خود تمرکز می‬
‫کنند‪ ،‬که چگونه مشکالت متعدد راه حل های متعدد و غیر مرتبط را تکامل می دهند‪ .‬سیستم های سازمانی به طور غیر ضروری‬
‫پیچیده و دست و پا گیر رشد می کنند‪ ،‬با داده های سیلو شده و منابع هدر رفته‪.‬‬

‫همانطور که سازمان شما گسترش می یابد تا چندین سیستم را در مکان های مختلف شامل شود و همانطور که شروع به تولید حجم و‬
‫انواع داده های بیشتری می کند‪ ،‬باید به عقب برگردید و زیرساخت های فناوری اطالعات خود را ارزیابی کنید تا اطمینان حاصل‬
‫شود که شما یک سیستم موثر و مقرون به صرفه برای نیازهای فعلی خود دارید‪ ،‬اما همچنین قادر به سازگاری با تغییرات است‪.‬‬

‫تغییر بعدی ممکن است به معنای افزایش اندازه باشد‪ ،‬اما همچنین می تواند به معنای معرفی فرایندهای کسب و کار جدید یا فن اوری‬
‫های جدید مانند یادگیری ماشین یا هوش مصنوعی باشد‪ .‬یک سیستم کارامد مقیاس می تواند با این تغییرات یکپارچه‪ ،‬بدون خرابی و‬
‫بدون نیاز به بازسازی اساسی سازگار شود‪.‬‬

‫چگونه به مقیاس پذیری ابر دست یابیم؟‬

 ‫داده ها یک موضوع مشترک است که از طریق هر فرایند سازمانی اجرا می شود‪ .‬این اصل متحد کننده و سازماندهی است که همه‬
‫چیز را به هم متصل می کند‪ .‬ساخت یک الیه داده مشترک و یکنواخت ستون فقرات یک سیستم مقیاس پذیر‪ ،‬عملیات را از لبه به ابر‬
‫ادغام و ساده می کند‪.‬‬

‫ساخت یک سیستم با مقیاس پذیری واقعی ‪ -‬که نه تنها قادر به نگه داشتن داده های بیشتر است‪ ،‬بلکه قادر به پشتیبانی از طیف گسترده‬
‫ای از انواع مختلف داده ها‪ ،‬برنامه ها‪ ،‬مکان ها‪ ،‬سخت افزار و کاربران است ‪ -‬با یک استراتژی جامع داده اغاز می شود که فراتر‬
‫از پروژه های فردی برای رسیدن به سازمان شما است‪ .‬حذف سیلوهای داده‪ ،‬داده های شما را برای استفاده توسط گروه های مختلف‬
‫در دسترس قرار می دهد و اطمینان از اینکه داده ها می توانند دوباره مورد استفاده قرار گیرند‪ ،‬به از بین بردن زباله های داده کمک‬
‫می کند‪.‬‬

‫گام بعدی اتخاذ یک زیرساخت داده متحد کننده است که نه تنها برای نیازهای فوری شما کارامد است‪ ،‬بلکه انعطاف پذیر است تا به‬
‫شما اجازه دهد تا رشد کنید و با تغییرات سازگار شوید‪ ،‬چه اضافه کردن محصوالت جدید‪ ،‬گسترش به مکان های جدید‪ ،‬ارتقاء یا‬
‫جایگزینی سخت افزار یا معرفی ابزار و فرایندهای جدید‪ .‬یک معماری داده یکپارچه مانند ‪ HPE Ezmeral Data Fabric‬یک الیه‬
‫داده مشترک را در چندین برنامه و در سراسر سازمان شما فراهم می کند‪.‬‬

‫اهمیت مقیاس پذیری ابر در زیرساخت های فناوری اطالعات مدرن چیست؟‬

‫مقیاس پذیری ابر از اهمیت باالیی برخوردار است‪ .‬این می تواند از طریق مجازی سازی به دست اید و کسب و کارها را قادر می‬
‫سازد تا منابع و عملکرد را با توجه به نیازهای خود مقیاس کنند‪ .‬دالیل اصلی توضیح اهمیت مقیاس پذیری ابر در زیرساخت های‬
‫فناوری اطالعات مدرن عبارتند از‪:‬‬

‫ثبات ابر‪ ،‬کسب و کارها را قادر می کند تا منابع خود را بسته به تقاضا افزایش دهند و حجم کار پویا را در خود جای دهند‪ .‬همچنین‪،‬‬
‫منابع را در ساعات کم تقاضا برای بهینه سازی استفاده از منابع کاهش می دهد‪ .‬مقیاس بندی پویای منابع سازمان ها را قادر می‬
‫سازد تا از هزینه های اضافی جلوگیری کنند و فقط برای منابعی که استفاده می کنند پرداخت کنند‪.‬‬

‫محیط های ابری مقیاس پذیر با تنظیم منابع در ساعات اوج و افزایش حجم کار‪ ،‬اطمینان از در دسترس بودن تمام وقت و حداقل‬
‫اختالل در خدمات‪ ،‬عملکرد باالیی را ارائه می دهند‪ .‬ارائه دهندگان خدمات ابری دارای مراکز داده در مناطق مختلف هستند که به‬
‫سازمان ها اجازه می دهد برنامه ها و خدمات خود را نزدیک به مخاطبان هدف خود مستقر کنند‪.‬‬

‫تجربه کاربر‪ .‬همچنین‪ ،‬توسعه محصوالت و خدمات جدید را تسریع می کند‪ ،‬زمان خود را به بازار کاهش می دهد‪ ،‬کسب و کارها را‬
‫قادر می سازد تا به سرعت نواوری کنند و چرخه های توسعه را کاهش دهند‪.‬‬

‫مقیاس پذیری در ابر‪ ،‬بازیابی سریع فاجعه و تداوم کسب و کار را تضمین می کند‪ .‬به عنوان مثال‪ ،‬ارائه دهندگان ابر مراکز داده‬
‫توزیع شده و پشتیبان گیری خودکار را ارائه می دهند و تکنیک های تکرار را برای اطمینان از افزونگی و انعطاف پذیری داده ها‬
‫اجرا می کنند‪ .‬در زمان های غیر قابل پیش بینی مانند خرابی سیستم یا فاجعه‪ ،‬کسب و کارها می توانند منابع را در مناطق دیگر‬
‫برای کاهش اختالل و حفظ عملیات افزایش دهند‪.‬‬

‫توانایی مقیاس منابع بر اساس تقاضا‪ ،‬سازمان ها را قادر می سازد تا داده ها را تجزیه و تحلیل و پردازش کنند تا بینش معنی دار و‬
‫تصمیم گیری را به دست اورند‪.‬‬

‫مقیاس پذیری در ابر چیست؟‬

‫مقیاس پذیری در محاسبات ابری به کسب و کارها اجازه می دهد تا منابع محاسباتی خود را بر اساس نیاز به اطمینان از اختالل‬
‫زیرساخت کم‪ ،‬باال و پایین کنند‪.‬‬

‫مقیاس پذیری و انعطاف پذیری در ابر‪ :‬مقیاس پذیری را می توان به عنوان توانایی ابر برای مدیریت حجم کار با افزایش یا کاهش‬
‫منابع در هر تقاضا تعریف کرد‪ .‬این دو نوع است ‪ -‬افقی و عمودی‪ .‬مقیاس پذیری عمودی شامل اضافه کردن قدرت بیشتر به منابع‬
‫فعلی است و مقیاس پذیری افقی به معنای اضافه کردن منابع بیشتر برای تقسیم بار است‪.‬‬
 ‫انعطاف پذیری ابر مرحله بعدی مقیاس پذیری است و به محیط ابر اجازه می دهد تا منابع را به طور خودکار بسته به تقاضا افزایش‬
‫و کاهش دهد‪ .‬این تضمین تخصیص منابع بر روی تقاضا‪ ،‬ارائه عملکرد باال و بهبود بهره وری هزینه‪.‬‬

‫مقیاس پذیری افقی و عمودی‪ :‬مقیاس پذیری افقی شامل اضافه کردن منابع مشابه برای مدیریت حجم کار است‪ .‬به عنوان مثال‪ ،‬اگر‬
‫یک برنامه بر روی یک سرور اختصاصی اجرا شود‪ ،‬حجم کار افزایش می یابد‪ .‬مقیاس پذیری افقی کمک می کند تا سرورهای‬
‫بیشتری را برای توزیع بار اضافی اضافه کنید‪ .‬فرایندهایی مانند تعادل بار‪ ،‬محاسبات توزیع شده و خوشه بندی برای دستیابی به‬
‫مقیاس پذیری افقی استفاده می شود‪.‬‬

‫مقیاس پذیری عمودی ظرفیت منابع را با بهینه سازی عملکرد انها افزایش می دهد‪ .‬به عنوان مثال‪ ،‬اگر یک ماشین مجازی نیاز به‬
‫قدرت محاسباتی بیشتری داشته باشد‪ ،‬مقیاس پذیری اضافه کردن ذخیره سازی ‪ CPU‬خارجی یا حافظه به ان ماشین خاص را تسهیل‬
‫می کند‪.‬‬

‫عوامل کلیدی موثر بر مقیاس پذیری ابر‪:‬‬

‫معماری ابر باید مقرراتی برای تقسیم حجم کار در نیروهای مختلف برای مدیریت ترافیک و مقیاس منابع در صورت نیاز داشته‬
‫باشد‪.‬‬

‫‪ -‬ارائه خدمات خودکار و مدیریت حجم کار رسیدگی به خواسته های پویا و اطمینان از استفاده بهینه از منابع‪.‬‬

‫با نظارت در زمان واقعی‪ ،‬می توان نقاط ضعف‪ ،‬الگوهای استفاده از منابع و هر گونه مسائل مقیاس پذیری دیگر را ردیابی کرد‪.‬‬

‫انتخاب ارائه دهندگان خدمات ابری که زیرساخت های قابل اعتماد‪ ،‬تخصیص منابع انعطاف پذیر و مراکز داده توزیع شده را فراهم‬
‫می کنند‪ ،‬ضروری است‪.‬‬

‫چگونه برای مقیاس پذیری در ابر طراحی کنیم؟‬

‫ضروری است که در هنگام طراحی مقیاس پذیری ابر‪ ،‬بر مالحظات زیر تمرکز کنید‪.‬‬

‫مالحظات معماری برای مقیاس پذیری‪:‬‬

‫سیستم توزیع شده‪ :‬معماری سیستم توزیع شده برای به دست اوردن مقیاس پذیری در یک ابر ضروری است‪ .‬تقسیم حجم کار بین‬
‫سرورها مانع از موانع و خرابی های بالقوه می شود و پردازش موازی را تسهیل می کند‪.‬‬

‫برای استفاده از قدرت اجزای مدوالر و ازادانه همراه‪( SOA ،‬معماری سرویس گرا) مقیاس بندی منابع فردی را امکان پذیر می کند‪.‬‬
‫همچنین‪ ،‬میکروسرویس ها برنامه ها را به خدمات مستقل تقسیم می کنند و مقیاس بندی فردی را فعال می کنند‪:Load Balancing .‬‬
‫الگوریتم های ‪ Load Balancing‬درخواست های ورودی را در میان منابع قابل دسترسی با تنظیم حجم ترافیک منتشر می کنند‪ .‬برای‬
‫کسب و کارهایی که دارای دسترسی جهانی هستند‪ ،‬تعادل بار جهانی تضمین می کند که درخواست های ورودی به نزدیکترین منابع‬
‫موجود منتقل می شوند تا تاخیر کمتری داشته باشند و یک تجربه کاربر یکپارچه ارائه دهند‪.‬‬

‫تحمل خطا و افزونگی‪ :‬تکرار داده ها و خدمات باعث کاهش خرابی ها و تضمین بهبود سریع (در صورت شکست) برای به حداقل‬
‫رساندن خرابی و اطمینان از تداوم می شود‪ .‬خرابی های خودکار امکان تغییر به منابع اضافی را به طور خودکار فعال می کند‪.‬‬

‫الگوها و تکنیک های مقیاس پذیری چیست؟‬

 ‫الگوها و تکنیک های مقیاس پذیری‪ ،‬کسب و کارها را قادر می سازد تا تقاضای روزافزون برای برنامه های کاربردی را برای‬
‫اطمینان از عملکرد مطلوب براورده کنند‪.‬‬

‫مقیاس باال و مقیاس‪ :‬مقیاس باال به تقویت ظرفیت منابع فردی اشاره دارد‪ ،‬به عنوان مثال‪ ،‬اضافه کردن ذخیره سازی و حافظه برای‬
‫مدیریت حجم کار‪ .‬در حالی که مقیاس به معنای اضافه کردن منابع بیشتر‪ ،‬مانند موارد یا سرورها‪ ،‬برای جداسازی حجم کار در منابع‬
‫مختلف با کمک تکنیک های متعادل کننده بار است‪.‬‬

‫معماری های بدون تابعیت و دولتی‪ :‬در معماری بدون تابعیت‪ ،‬درخواست های مشتری مستقل و خودکفا هستند و به درخواست های‬
‫قبلی وابسته نیستند‪ .‬اطالعات مربوط به جلسه در سرور ذخیره نمی شود‪ .‬تمام درخواست ها در سرورهای مختلف توزیع می شوند و‬
‫نیاز به یک حالت جلسه مشترک را از بین می برد‪.‬‬

‫استراتژی های مدیریت داده ها برای برنامه های کاربردی ابر مقیاس پذیر چیست؟‬

‫استراتژی های مدیریت داده های زیر برای برنامه های ابری به طور موثر برای اطمینان از توزیع موثر داده ها‪ ،‬در دسترس بودن‬
‫باال‪ ،‬عملکرد و تحمل خطا کار می کنند‪.‬‬

‫‪ Sharding‬و پارتیشن بندی‪ Sharding :‬به پارتیشن بندی یک پایگاه داده به صورت افقی با تقسیم داده ها در گره ها یا خرده ریزها‬
‫اشاره دارد‪ .‬هر شارد شامل یک زیر مجموعه داده است و هر گره یک خرده خاص را مدیریت می کند‪ .‬این استراتژی پردازش‬
‫موازی‪ ،‬افزایش عملکرد و توزیع موثر داده ها را تضمین می کند‪ Sharding .‬برای حجم زیادی از داده ها و نیازهای عملیاتی‬
‫نوشتن ‪ /‬خواندن باال استفاده می شود‪.‬‬

‫تکرار و سازگاری‪ :‬تکثیر چندین نسخه از داده ها را در گره های مختلف ایجاد می کند که دسترسی باالیی را ارائه می دهند‪ .‬داده ها‬
‫را می توان از گره های تکرار شده در رویدادهای شکست گره یا منطقه دسترسی پیدا کرد‪ .‬دو نوع تکرار وجود دارد ‪ -‬همزمان و‬
‫ناهمزمان ‪ -‬که در پارامترهایی مانند تاخیر و دوام متفاوت است‪ .‬گزینه های مقیاس پذیری پایگاه داده‪ :‬مقیاس پذیری عمودی منابع را‬
‫در یک سرویس پایگاه داده واحد افزایش می دهد و حافظه‪ ،‬ذخیره سازی و ‪ CPU‬را افزایش می دهد‪ .‬این دسته حجم کار باال بر روی‬
‫یک سرور واحد‪ .‬مقیاس پذیری افقی شامل اضافه کردن گره های پایگاه داده‪ ،‬سرورها یا موارد برای توزیع حجم کار در ساعات‬
‫ترافیک باال است‪.‬‬

‫‪What are the tools and technologies‬‬

‫?‪for cloud scalability‬‬
‫ابزارها و فن اوری های مقیاس پذیری ابر چیست؟‬

‫ابزارها و فن اوری های مقیاس پذیری ابر انعطاف پذیری‪ ،‬اتوماسیون منابع و بهینه سازی را ارائه می دهند و به کسب و کارها‬
‫اجازه می دهد تا برنامه های کاربردی را مقیاس بندی کنند‪.‬‬

‫مجازی سازی و کانتینر سازی‪ :‬مجازی سازی به ایجاد نمونه های مجازی از منابع مانند سرورها‪ ،‬شبکه ها و سیستم عامل ها در یک‬
‫ماشین اختصاصی اشاره دارد‪ .‬این تضمین می کند استفاده از منابع کارامد با اجرای چندین ماشین مجازی در س‚‚رور اختصاص‚‚ی‪ .‬این‬
‫من‚‚ابع را ب‚‚ه ص‚‚ورت پوی‚‚ا ب‚‚ه ماش‚‚ین ه‚‚ای مج‚‚ازی بس‚‚ته ب‚‚ه تقاض‚‚ا اختص‚‚اص می ده‚‚د و ان‚‚زوا بین برنام‚‚ه ه‚‚ا را ف‚‚راهم می کن‚‚د ‪.‬‬
‫‪ Containerization‬اجازه می دهد تا برنامه های کاربردی بسته بندی و وابستگی های خود را ب‚‚ه ظ‚‚روف س‚‚بک وزن‪ ،‬ب‚‚ه راح‚‚تی‬
‫حمل و نقل‪ .‬این یک محیط زمان اجرا جدا شده را ارائه می دهد که استقرار اسان در محاسبات مختلف را تضمین می کند‪.‬‬

‫ابزار ارکستراسیون‪ Kubernetes :‬یک ابزار ارکستراسیون کانتینر منبع باز است که به شما کمک می کند تا برنامه ه‚‚ای ک‚‚انتینری‬
‫را کنترل کنید‪ .‬این ویژگی های پیشرفته مانند تعادل بار اتوماتیک و اسکن افقی ظروف بس‚‚ته ب‚‚ه اس‚‚تفاده از من‚‚ابع را ارائ‚‚ه می ده‚‚د‪.‬‬
‫‪ Kubernetes‬مدیریت معماری های پیچیده برنامه را اسان می کند و در نتیجه مقیاس پذیری را تسهیل می کند‪.‬‬
‫مقیاس بندی خودکار و خدمات متعادل کننده بار‪ :‬مقیاس بندی خودکار منابع اختصاص داده شده به یک برنامه را بس‚‚ته ب‚‚ه معیاره‚‚ا ی‚‚ا‬
‫سیاست های مشخص شده دستکاری می کند‪ .‬انها منابع را برای براورده کردن خواسته های مختلف‪ ،‬اطمینان از بهینه س‚‚ازی من‚‚ابع و‬
‫عملکرد باال در ساعات اوج‪ ،‬مقیاس بندی می کنند‪ Load Balancing .‬ترافیک شبکه ورودی را در سرورهای مختلف م‚‚دیریت می‬
‫کند تا از حجم کار و اطمینان از استفاده بهینه از منابع جلوگیری شود‪.‬‬

‫محاسبات ‪ :Serverless‬محاسبات ‪ Serverless‬اجرای کد را بدون مدیریت خدمات تسهیل می کند‪ .‬این زیرساخت های اساسی را جدا‬
‫می کند و محیط اجرا را بسته به درخواست های ورودی مقیاس می کند‪ .‬این مقیاس پذیری دانه ای را با تخص‚یص من‚ابع ب‚ه ص‚ورت‬
‫پویا تضمین می کند‪.‬‬

‫‪What are the best practices for‬‬

‫?‪achieving cloud scalability‬‬
‫بهترین شیوه ها برای دستیابی به مقیاس پذیری ابر چیست؟‬

‫با اجرای بهترین شیوه ها برای مقیاس پذیری ابر‪ ،‬شرکت ها می توانن‚د انعط‚اف پ‚ذیری‪ ،‬انعط‚اف پ‚ذیری و ک‚ارایی را ب‚رای مقی‚اس‬
‫برنامه های خود به دست اورند‪ .‬برخی از شیوه ها عبارتند از‪:‬‬

‫‪Planning for scalability from the start:‬‬

‫‪Performance monitoring and optimization:‬‬
‫‪Scaling based on demand and usage patterns:‬‬
‫‪Continuous integration and deployment (CI/CD) for‬‬
‫‪:scalability‬‬