Станислав Лукьянов — коммиттер Apache Ignite — с нуля разбирает, как устроены in-memory data grid: распределенные мапы, шардирование и ребалансировка, репликация и консистентность, SQL, коллокация, server-side compute, off-heap-хранение, Garbage Collector и JIT-компиляция. Сравнивает Apache Ignite с Redis, Hazelcast, Coherence и распределенными SQL-базами, объясняет, когда сложность такой технологии оправдана, и обсуждает ее будущее в стриминге, памяти агентов и LLM KV-кэшах.
Главы: - Вступление: Ignite - Как Apache Ignite стал технологическим феноменом - Что такое in-memory data grid - Серверная обработка и бесконечная мапа - От Java HashMap к распределенному хранилищу - Как разложить огромную мапу по машинам - Эластичное шардирование: consistent и rendezvous hashing - High availability начинается с репликации данных - CAP-теорема: консистентность или доступность при разделении - Подтверждение записи: от PrimarySync до Raft - За пределами key-value: документы и SQL - Decision support без превращения в OLAP - Зачем SQL понадобился поверх хеш-мап - Распределенный SQL, частичные результаты и шафлинг - Коллокация: связанные данные должны лежать вместе - Джойн, который наглядно объясняет коллокацию - Collocated compute: переносим бизнес-логику к данным - Динамический деплой кода, лямбды и санбоксы - Почему русскоязычные инженеры полюбили дата-гриды - Garbage Collector встречает low-latency нагрузки - От распределенных объектов к off-heap storage - Три причины перехода на off-heap - Делает ли современный ZGC off-heap ненужным - JIT-компиляция: Java против движков баз данных - Когда не стоит выбирать распределенное хранилище - Где дата-гриды оправдывают свою сложность - Кризис идентичности in-memory data grid - Могут ли дата-гриды пригодиться AI-агентам - KV-кэши и распределенный AI-инференс - Напутствие: изучайте системы, потом выбирайте инструмент
-- Сайт подкаста: https://apkhmv.xyz Почта автора: apkhmv@gmail.com
