Arsitektur Lambda: Perbedaan antara revisi

'''Arsitektur Lambda''' adalah cara untuk mengolah [[data]] dalam jumlah besar dengan menggunakan dua metode, yaitu pemrosesan ''batch'' (kelompok data) dan pemrosesan ''stream'' (aliran data). Pendekatan ini bertujuan untuk menyeimbangkan kecepatan, kapasitas, dan ketahanan sistem. Pemrosesan ''batch'' digunakan untuk memberikan gambaran data yang lengkap dan akurat, sementara pemrosesan ''stream'' digunakan untuk menangani data secara langsung dan ''real-time''. Kedua hasil ini kemudian digabungkan sebelum ditampilkan. Arsitektur Lambda berkembang seiring dengan meningkatnya jumlah data besar, kebutuhan analisis waktu nyata, dan usaha untuk mengurangi waktu pemrosesan. Arsitektur Lambda mengandalkan model data yang menggunakan sumber data yang hanya dapat ditambahkan, bukan diubah. Model ini berfungsi sebagai sistem pencatatan yang menyerap dan memproses peristiwa dengan stempel waktu, di mana peristiwa baru ditambahkan ke data yang sudah ada tanpa menggantikan data yang lama. Status sistem ditentukan berdasarkan urutan data sesuai dengan waktu alami peristiwa-peristiwa tersebut terjadi.<ref>{{Cite web|title=Nathan Marz on Storm, Immutability in the Lambda Architecture, Clojure|url=https://www.infoq.com/interviews/marz-lambda-architecture/|website=InfoQ|language=en|access-date=2024-11-21}}</ref>

Metamarkets, yang menyediakan analisis untuk perusahaan periklanan terprogram, menggunakan versi arsitektur Lambda dengan Druid untuk menyimpan dan menampilkan data yang berasal dari aliran data dan data yang diproses dalam ''batch''. [[Yahoo!|Yahoo]] juga menggunakan pendekatan serupa untuk menganalisis data periklanannya. Sementara itu, proyek [[Netflix]] Suro memiliki jalur pemrosesan data yang terpisah, meskipun tidak sepenuhnya mengikuti arsitektur Lambda. Jalur ini dirancang untuk tujuan yang berbeda dan tidak selalu memberikan tampilan yang sama. Namun, prinsip dasarnya adalah menyediakan data peristiwa ''real-time'' untuk kueri dengan latensi rendah, sementara data secara keseluruhan juga diproses melalui jalur ''batch''. Proses ''batch'' ini digunakan untuk aplikasi yang tidak terlalu sensitif terhadap waktu dan membutuhkan pemrosesan yang lebih besar.<ref name=":1">{{Cite web|last=Blog|first=Netflix Technology|date=20142017-0604-1718|title=InteractiveAnnouncing Analytics in Human TimeSuro|url=https://wwwnetflixtechblog.slideshare.net/slideshowcom/interactiveannouncing-analyticssuro-inbackbone-humanof-time/35987384netflixs-data-pipeline-5c660ca917b6|website=SlideShareMedium|language=en|access-date=2024-11-25}}</ref>