Introducción a los Sistemas Distribuidos¶

Del Paralelismo a la Distribución¶

Hemos explorado la paralelización, que consiste en aprovechar la capacidad de un sistema individual para ejecutar múltiples tareas simultáneamente.

Los sistemas distribuidos llevan este concepto más allá: permiten que las tareas paralelas se ejecuten en diferentes sistemas conectados mediante una red, coordinando sus esfuerzos para resolver problemas complejos.

flowchart LR
    A["Máquina A"]
    B["Máquina B"]
    C["Máquina C"]
    D["Aplicación Distribuida"]
    E["Middleware (containerd, kubernetes)"]
    A --> D
    B --> D
    C --> D
    D -->|"Aplicación"| E

La esencia de los sistemas distribuidos radica en sincronizar un conjunto de tareas que se ejecutan en múltiples máquinas, integrando sus resultados parciales para obtener una solución completa.

Escalabilidad: Dos Enfoques Fundamentales¶

🔼 Escalabilidad Vertical¶

Concepto: Aumentar la capacidad de un único computador
Ejemplo: Agregar más RAM, procesadores más potentes, o discos más rápidos a un servidor existente

↔️ Escalabilidad Horizontal¶

Concepto: Agregar capacidad de cómputo mediante más servidores
Ejemplo: Un sitio web que maneja más tráfico añadiendo servidores web adicionales

Tolerancia a Fallos: Resiliencia en Acción¶

Un cluster de múltiples máquinas es inherentemente más resistente a errores que un único nodo de cómputo.

Ventaja clave: Al distribuir la ejecución de programas o tareas entre varios computadores, si uno falla, el sistema puede recuperarse fácilmente y continuar operando. En contraste, los sistemas con un solo servidor representan un punto único de fallo - si ese servidor falla, todo el software deja de funcionar.

Ejemplo práctico: Un servicio de streaming que sigue disponible incluso cuando algunos de sus servidores experimentan problemas técnicos.

Teorema CAP: El Trilema de los Sistemas Distribuidos¶

Este teorema fundamental establece que un sistema distribuido no puede garantizar simultáneamente las tres propiedades siguientes:

1. 🎯 Consistencia (Consistency)¶

Cada lectura recibe la escritura más reciente. Las respuestas se entregan en el orden de llegada.

Ejemplo: En un sistema bancario distribuido, todos los nodos muestran exactamente el mismo saldo después de una transacción.

2. ⚡ Disponibilidad (Availability)¶

Cada solicitud recibe una respuesta, sin garantizar que sea la más reciente.

Ejemplo: Una red social que siempre responde, incluso si muestra información ligeramente desactualizada.

3. 🛡️ Tolerancia a Particiones (Partition Tolerance)¶

El sistema continúa funcionando a pesar de fallos en la red.

Ejemplo: Un servicio de mensajería que sigue operando cuando hay problemas de conectividad entre sus centros de datos.

Escenarios del Teorema CAP:¶

Consistencia + Tolerancia a Particiones: Al fallar un nodo, algunas solicitudes pueden perderse y el cliente debe reenviarlas
Disponibilidad + Tolerancia a Particiones: Durante fallos, el sistema responde pero con posible información desactualizada
Consistencia + Disponibilidad: Solo funciona en redes perfectamente estables

Modelo BASE: Una Alternativa Práctica¶

Básicamente Disponible (Basically Available)¶

El sistema siempre responde, incluso durante condiciones de fallo

Estado Suave (Soft State)¶

El sistema puede cambiar incluso sin nuevas entradas externas
Ejemplo: Una caché distribuida que expira entradas automáticamente

Consistencia Eventual (Eventual Consistency)¶

Con el tiempo, el sistema alcanzará la consistencia
Ejemplo: Una aplicación de notas que eventualmente sincroniza todos los cambios entre dispositivos

Filosofía del modelo BASE: Priorizar la disponibilidad inmediata sobre la consistencia perfecta, confiando en que el sistema se estabilizará con el tiempo, incluso si temporalmente muestra información no completamente consistente durante la recuperación de fallos.