તમે ડેટાબેસ્સને કેવી રીતે સ્કેલ કરો છો?

Question

IT Interview Practice · Accepted Answer

ડેટાબેસ્સ સામાન્યતઃ સિસ્ટમ્સ વૃદ્ધિ પામે ત્યારે **બોટલનેક** બની જાય છે. તેમને સ્કેલ કરવામાં **replication** (વાંચન સ્કેલિંગ અને ઉપલબ્ધતા માટે કૉપીઝ), **sharding** (સર્વરો પર ડેટા વિભાજન), **caching**, અને યોગ્ય ડેટાબેસ પ્રકારો પસંદ કરવા જેવી તકનીકોનો સમાવેશ થાય છે.

## Replication — ડેટાની કૉપીઝ

```text
REPLICATION → maintain COPIES of the database across servers:
  → PRIMARY (writes) + REPLICAS (copies):
    - READ SCALING → direct reads to replicas (offload the primary) → handle more reads
    - AVAILABILITY → a replica can take over if the primary fails (failover)
  ⚠️ replication lag → replicas may be slightly behind (eventual consistency for reads)
→ great for READ-heavy workloads and availability (most apps are read-heavy)
```

## Sharding — ડેટાને વિભાજિત કરવું

```text
SHARDING → split (partition) data across MULTIPLE database servers (each holds a SUBSET):
  → distribute by a SHARD KEY (e.g. user ID) → each shard handles part of the data/load
  → scales WRITES and storage horizontally (beyond one server's capacity)
  ⚠️ complex: choosing a good shard key (even distribution), cross-shard queries are hard,
    rebalancing → significant complexity
→ for when data/write volume exceeds a single server (large scale)
```

## અન્ય સ્કેલિંગ તકનીકો

```text
✓ CACHING → cache query results / hot data (Redis) → big reduction in DB load (often the
  first and most impactful step)
✓ INDEXING & query optimization → make queries efficient (before scaling out)
✓ Read/write SPLITTING; connection pooling; denormalization (for read performance)
✓ Choose the right DATABASE (some scale horizontally more easily — NoSQL)
✓ Vertical scaling (bigger DB server) → simple first step, but limited
```

## શું મહત્ત્વ ધરાવે છે

ડેટાબેસ્સને સ્કેલ કરવાની રીત સમજવું મૂલ્યવાન છે કારણ કે **સિસ્ટમ્સ વૃદ્ધિ પામે ત્યારે ડેટાબેસ સામાન્યતઃ બોટલનેક હોય છે**, તેથી તેને સ્કેલ કરવું એક નિર્ણાયક, સામાન્ય system-design પડકાર છે, જે આ જ્ઞાનને મહત્ત્વપૂર્ણ બનાવે છે.

જેમ જેમ સિસ્ટમ્સ સ્કેલ કરે છે, ડેટાબેસ વારંવાર મર્યાદિત પરિબળ બની જાય છે (એક જ ડેટાબેસ માત્ર આટલું load અને ડેટા સંભાળી શકે છે), ડેટાબેસ સ્કેલિંગને એક મુખ્ય ચિંતાનો વિષય બનાવે છે.

**Replication** સમજવું — કૉપીઝ જાળવવું (writes માટે એક primary વતા replicas) **વાંચન સ્કેલિંગ** સક્ષમ કરવા માટે (replicas માટે વાંચનો નિર્દેશિત કરવું primary ને અનલોડ કરવા માટે, મૂલ્યવાન કારણ કે મોટાભાગના apps વાંચન-ભારે છે) અને **ઉપલબ્ધતા** (failure પર replica તે જગ્યા લેવું) — એક મૌલિક, વ્યાપકપણે વપરાતી તકનીક છે, replication lag (replica વાંચન માટે eventual consistency) ની સાવધાનીઓ સાથે.

**Sharding** સમજવું — એક shard key દ્વારા વિતરિત ડેટા બહુવિધ સર્વરો પર વિભાજિત કરવું (પ્રત્યેક સબસેટ ધરાવે છે) **writes અને storage** ને એક સર્વર આગળ આડું સ્કેલ કરવા માટે — ખૂબ મોટા પરિમાણ માટે આવશ્યક છે, તેની નોંધપાત્ર જટિલતા (સારા shard key પસંદ કરવું, મુશ્કેલ cross-shard queries, rebalancing) સાથે.

**અન્ય તકનીકો** સમજવું — **caching** (સામાન્યતઃ પહેલો અને સૌથી પ્રભાવશાળી પગલું, ડેટાબેસ load માં નાટ્યાત્મક ઘટાડો), **indexing અને query optimization** (complex hona શરૂ કરવા પહેલા queries કુશળ બનાવવું), read/write splitting, denormalization, આડું-scalable databases પસંદ કરવું, અને vertical scaling એક સરળ પ્રથમ પગલું તરીકે — સંપૂર્ણ toolkit પ્રદાન કરે છે, મહત્ત્વપૂર્ણ વ્યવહારિક જ્ઞાન સાથે કે caching અને optimization સામાન્યતઃ sharding ની જટિલતા પહેલા આવે છે.

ડેટાબેસ સામાન્યતઃ સ્કેલિંગ બોટલનેક છે અને તેને સ્કેલ કરવું (વાંચન/ઉપલબ્ધતા માટે replication દ્વારા, writes/storage માટે sharding દ્વારા, caching અને optimization દ્વારા) એક નિર્ણાયક, સામાન્ય પડકાર છે, અને આ તકનીકો અને તેમની trade-offs સમજવું scalable systems ડિજાઇન કરવા માટે મહત્ત્વપૂર્ણ છે, તેથી ડેટાબેસ્સને સ્કેલ કરવાની રીત સમજવું મૂલ્યવાન, વ્યવહારિક રીતે-મહત્ત્વપૂર્ણ system-design જ્ઞાન છે — એક નિર્ણાયક, સામાન્ય બોટલનેક સંબોધતું, વાસ્તવિક સિસ્ટમ્સ સ્કેલ કરવાનું કેન્દ્રીય, અને growing systems સુધી અનિવાર્યપણે જરૂર પડતી ડેટાબેસ સ્કેલિંગ હેન્ડલ કરવા માટે replication, sharding, caching, અને optimization સમજવાની જરૂર છે.

Replication — ડેટાની કૉપીઝ

Sharding — ડેટાને વિભાજિત કરવું

અન્ય સ્કેલિંગ તકનીકો

શું મહત્ત્વ ધરાવે છે

સંબંધિત પ્રશ્નો