skaalaantuvuus

Skaalaantuvuus tarkoittaa järjestelmän, ohjelmiston tai algoritmin kykyä hyödyntää lisättyjä resursseja siten, että suorituskyky tai kapasiteetti paranee. Keskeistä on, miten hyvin työmäärä voidaan jakaa rinnakkain ja kuinka paljon viive tai kustannukset kasvavat tiedonsiirissä ja synkronoinnissa.

Skaalausta tarkastellaan usein kahdella päätyypillä: vahva skaalaus (strong scaling) ja heikko skaalaus (weak scaling). Vahva skaalaus tarkoittaa tilannetta, jossa saman ongelman koko pysyy vakiona ja lisätyt prosessorit lyhentävät aikaa lineaarisesti. Heikko skaalaus tarkoittaa, että ongelman koko kasvaa prosessorimäärän mukana siten, että vasteaika pysyy likimäärin vakiona.

Mittarit ja konsepteja ovat muun muassa nopeusparannus S(n) = T1 / Tn ja tehokkuus E(n) = S(n)/n. Lineaarinen skaalaus on S(n) ≈ n ja E(n) ≈ 1. Silloin ollaan lähellä ideaalista suorituskyvyn kasvua. On myös teoreettisia rajoitteita: Amdahlin laki rajaa nopeusparannuksen mahdollisuuksia sen mukaan, kuinka suuri osa tehtävästä voidaan rinnakkaistaa. Gustafsonin laki puolestaan korostaa, että oikealla ongelman koon skaalaamisella rinnakkaislaskennan hyödyt voivat kasvaa, jolloin skaalaus pysyy hyvänä suuremmissa tehtävissä.

Pullonkauloja skaaloituvuudessa ovat kommunikaatio- ja synkronointikustannukset, muistiväylän rajoitteet sekä I/O. Näiden tekijöiden kasvaessa skaalaus heikkenee, vaikka teoreettinen rinnakkaistettavuus olisikin suuri.

Skaalaantuvuutta arvioidaan ja sovelletaan laajasti käytännön konteksteissa, kuten korkeapainoiseen laskentaan, pilvi-infrastruktuuriin, suurten datamassojen analysointiin, tietokantoihin ja tekoälysovelluksiin.