想要獲得云端動態(tài)而靈活的規(guī)模擴(kuò)充性，并非只是把系統(tǒng)放到云上執(zhí)行就能得到預(yù)期效益，應(yīng)用程式執(zhí)行的方式，可能也必須有所調(diào)整
在前文中我們談到所謂的「規(guī)�？蓴U(kuò)充性（scalability）」，一個系統(tǒng)有沒有規(guī)�？蓴U(kuò)充性，我們看的并不是單一計(jì)算節(jié)點(diǎn)上跑多快，而是當(dāng)你增加計(jì)算資源（例如機(jī)器、頻寬）時，能否通過增加計(jì)算資源，來換取更大規(guī)模的處理能力。
當(dāng)在解決大型規(guī)模的計(jì)算問題時，人們關(guān)心能否通過增加伺服器、頻寬、儲存空間的方法，來服務(wù)更大規(guī)模的用量，更勝于在單一伺服器上可以執(zhí)行多快。
要得到規(guī)�？蓴U(kuò)充性，并不是一件容易的事情，但如果可以從平臺本身獲得支持，包括計(jì)算能力及資料存取等，對應(yīng)用程式來說，會簡單許多。而這也正是一些所謂「云端計(jì)算平臺」的作用所在。
另一方面，我們談到了「云端計(jì)算平臺」，并不是建構(gòu)在「云端計(jì)算平臺」上的應(yīng)用程式，就必然具備規(guī)�？蓴U(kuò)充性。
例如，對于應(yīng)用程式來說，它有可能是建構(gòu)在IaaS（Infrastructure as a Service）的層次之上，或者，也可能是在PaaS（Platform as a Service）層次上所發(fā)展的。
通常，建立在IaaS上的應(yīng)用程式，無法直接得到規(guī)模可擴(kuò)充性，平臺通�？梢蕴峁┑牟糠�，只是「依用量可隨時動態(tài)彈性配置的資源」。就像在AWS的EC2上運(yùn)行應(yīng)用程式，并不能保證應(yīng)用程式的規(guī)�？蓴U(kuò)充性，充其量，只能在你需要伺服器、頻寬、儲存空間時，EC2能夠盡可能地動態(tài)滿足你的需要。
所以說，并不是把應(yīng)用程式搬上了「云端」，就必然獲得了規(guī)�？蓴U(kuò)充性，當(dāng)你只是在 IaaS 平臺上開發(fā)時，是否具備規(guī)�？蓴U(kuò)充性，仍舊取決于你的系統(tǒng)架構(gòu)及特性。
不過，當(dāng)你是在PaaS上開發(fā)時，情況又有所不同。PaaS平臺本身，會處理掉許多和規(guī)�？蓴U(kuò)充性相關(guān)的問題，就像是在Google的App Engine上面，它所提供的資料存取操作，就不同于傳統(tǒng)的關(guān)聯(lián)式資料庫，而是以BigTable 為基礎(chǔ)的操作模式，這使得它有能力處理海量資料的存取。而立足在App Engine之上的應(yīng)用程式，自然而然，具備著更好的規(guī)�？蓴U(kuò)充性。
因此，在一個專門為了更大規(guī)模而設(shè)計(jì)的平臺上開發(fā)，對于想要得到規(guī)�？蓴U(kuò)充性的應(yīng)用程式開發(fā)者來說，可以省去不少的力氣。其中像 Hadoop 便是一個為了大規(guī)模計(jì)算而設(shè)計(jì)出來的平臺，其中，利用所謂MapReduce的計(jì)算方式，可以將計(jì)算量分散到各個能提供計(jì)算的機(jī)器之上，集合眾多機(jī)器之力，因而在更短的時間內(nèi)，解決想要解決的計(jì)算問題。而且，可以彈性投入所能配置的資源數(shù)量，投入的愈多，解決的愈快。例如，動用更多的伺服器，就能更快的解決計(jì)算問題。倘若預(yù)算不那么充分，也可以使用較少的機(jī)器，但耗費(fèi)較多的時間，而這正是規(guī)�？蓴U(kuò)充性的意義所在。
分散式計(jì)算的迷思
雖然說，分散式計(jì)算的目的之一，就是希望通過將計(jì)算量分散到多部、不同的機(jī)器上，來增加整體的計(jì)算能力，但是，并不是所有的應(yīng)用程式都可以輕易拆散到多部機(jī)器之上去運(yùn)行，而且更重要的是，并不是將應(yīng)用程式拆分到多部機(jī)器之上，就必然帶來整體計(jì)算量的提升。
舉例來說，倘若你將你的應(yīng)用程式拆成多份，并且同時傳輸至多部機(jī)器之上執(zhí)行，而這幾個程式之間需要溝通，也就是交換資料，它們之間甚至需要做同步（synchronization），以致于不同機(jī)器上的程式之間需要等待特定工作的完成，接著才能繼續(xù)執(zhí)行，那么，這樣的應(yīng)用程式就不見得具有規(guī)�？蓴U(kuò)充性，因?yàn)�，等待的環(huán)節(jié)，會造成規(guī)模無法隨著計(jì)算資源投入而跟著成長的因素。
這說明了，即使試著將計(jì)算拆分成為多份，并且置于多部機(jī)器上執(zhí)行，也不見得可以獲得多倍的效能改進(jìn)，很可能因?yàn)橛?jì)算模式的特性所限，而僅能獲得少數(shù)的效能成長，而且隨著規(guī)模愈大，成長的比例愈低。因此，如何拆分計(jì)算工作，使得它們被散布到多部不同的機(jī)器后，可以得到對應(yīng)的計(jì)算規(guī)模提升，就成了這件事情的核心議題。
通過分而治之的方式，將大問題拆開許多個小問題，個個擊破，降低解決問題的難度
像Hadoop的MapReduce，就是一種拆分計(jì)算工作的方式。想要通過拆分工作來解決計(jì)算問題，傳統(tǒng)的「分而治之（Divide and Conquer）」其實(shí)，就是一種可行的方式。所謂的「分而治之」，就是將一個大問題，拆解成多個小問題，而分別解決這些小問題的答案之后，再將這些答案通過某種方式合并起來，就可以得到大問題的答案。這種方式常�？梢赃f回為之，也就是拆成比較小的問題之后，還可以接著再繼續(xù)拆解，直到拆解至適合解決問題的規(guī)模為止。
如果，我們可以運(yùn)用「分而治之」的方式來解決問題，就很容易得到規(guī)�？蓴U(kuò)充性，因?yàn)�，我們可以將原始的問題拆解成若干個較小規(guī)模的問題，然后把這些問題分別置放在不同的機(jī)器上解決，因?yàn)榻鉀Q這些小問題的計(jì)算是互相獨(dú)立的、它們之間也不需要溝通，所以，當(dāng)可運(yùn)用的機(jī)器數(shù)量變多時，就可以將問題的規(guī)模拆解的更小，使得在單一機(jī)器上解決它們的速度更快，更使得整體解決它們的時間可以縮短。而 MapReduce 正是此種「分而治之」的解題計(jì)算模式，當(dāng)你運(yùn)用MapReduce時，便得以此種方式來思考解決問題的方法。
函數(shù)式程式設(shè)計(jì)開始流行
在另一方面來看，你可能也會發(fā)現(xiàn)到，所謂「函數(shù)式（functional）」的程式設(shè)計(jì)方式，在這種「分而治之」的分散式計(jì)算模式里，開始受歡迎了起來。函數(shù)式的程式語言已經(jīng)有幾十年的歷史，早期像 Lisp 的程式語言，主要是應(yīng)用在人工智慧的領(lǐng)域。但是，為什么在這個應(yīng)用領(lǐng)域里，反而流行起來了？
函數(shù)式的程式語言有一些特性，包括程式中是沒有狀態(tài)（stateless），而且每次函式之值被評估（或說被執(zhí)行）時，是沒有副作用的（side effect ）。
所謂的副作用，代表的是函式被執(zhí)行時，除了它主要應(yīng)該達(dá)成的作用之外，還有一些其他附屬的效果，此即其副作用。主要的作用，就像是函式的回傳值，而副作用，則像是除了回傳函式之值以外，還同時改變?nèi)蜃償?shù)的值。你可以想像，函式的回傳值，除了被其輸入?yún)?shù)所影響之外，還同時被其他的狀態(tài)，像是全域變數(shù)所影響時，會產(chǎn)生許多意想不到的結(jié)果。
但是如果我們從數(shù)學(xué)上的函數(shù)的角度來看，f（x） 之值，完全取決于 x ，沒任何 f（） 內(nèi)部的狀態(tài)或是外部的狀態(tài)足以在 x 相同時，造成 f（x） 之值不同。而所謂的函數(shù)式程式設(shè)計(jì)方式，便是在特性上有著此種取向，因此，它沒有狀態(tài)、也沒有副作用。
這種特性之所以能對分散式計(jì)算帶來好處，我想是因?yàn)樵谟羞@樣的特性之后，計(jì)算工作會更容易分配到不同的機(jī)器上去計(jì)算。正如數(shù)學(xué)的函數(shù)一樣，只要給定相同的輸入值，就一定會算出相同的輸出值。計(jì)算工作之間的相依性降低了，不論在那部機(jī)器上算、在什么時間點(diǎn)算，都不會影響到計(jì)算的結(jié)果。因此，當(dāng)以「分而治之」的原則來拆解計(jì)算工作，以進(jìn)行分散式的計(jì)算時，更容易拆解工作、更容易合成計(jì)算結(jié)果，以成為最后的結(jié)果。
通過一個更高階的云端計(jì)算平臺，以及計(jì)算模式，其實(shí)，可以讓程式設(shè)計(jì)者更容易的取得規(guī)�？蓴U(kuò)充性。而從現(xiàn)在的趨勢來看，函數(shù)式的設(shè)計(jì)方式，應(yīng)該還會再流行好一陣子。
