Produkt

Wie der Traffic-Simulator funktioniert

Der Simulator von RodGrid ist ein deterministisches Kapazitätsmodell mit veröffentlichten Annahmen — hier steht, wie das Modell funktioniert, samt Zahlen, und was es bewusst nicht ist.

Ein Simulator ist nur so ehrlich wie seine Annahmen, deshalb veröffentlicht der Traffic-Simulator von RodGrid seine eigenen: Das Modell ist deterministisch, seine Kapazitätszahlen sind im Produkt einsehbar, und dieser Beitrag erklärt, wie es funktioniert.

Eine Tabellenkalkulation über dem Graphen

Es ist keine KI im Spiel, und ein Server ist nicht nötig. Der Simulator ist ein deterministischer Steady-State-Rechner: Du gibst ihm eine Zahl für Anfragen pro Sekunde, und er schiebt diese Last in topologischer Reihenfolge durch das Diagramm und meldet Auslastung, Latenz und Fehlerrate pro Knoten sowie Summen für das ganze Grid. Lässt du ihn zweimal auf demselben Grid laufen, bekommst du dieselbe Antwort — und genau deshalb können Challenges fair dagegen bewerten.

Die Kapazität kommt vom Komponententyp

Jeder Knoten erhält ein Kapazitätsprofil, das sich nach seiner semantischen Rolle richtet — Load Balancer, Cache, Anwendungsdienst, relationale Datenbank, Queue, Modell-API und so weiter. Jedes Profil besteht aus ein paar Zahlen: tragfähige Anfragen pro Sekunde je Instanz, Basislatenz und eine Basis-Fehlerrate.

Die absoluten Zahlen sind bewusst runde Größenordnungs-Anker. Lehrreich sind die Verhältnisse — ein Cache fängt etwa das Zehnfache dessen ab, was eine relationale Datenbank schafft, kann also Leselast tragen, die die Datenbank überfluten würde, und bei guter Trefferquote kommen nur die Misses dort an. Die Tabelle „Modellannahmen“ im Produkt wird live aus derselben Registry erzeugt, die auch die Engine liest, sodass die veröffentlichten Zahlen nie von den tatsächlich verwendeten abweichen können.

Das Verhältnis, das Caching zum Pattern macht

Diagram components: Application Service, Redis, PostgreSQL.

Schalte den Simulator auf einem Grid wie diesem ein und erhöhe den Traffic: Der Cache nimmt Lesezugriffe mit ~10× der Kapazität der Datenbank auf, und die durchfallenden Misses muss die Datenbank tatsächlich überstehen.

Wie sich Last ausbreitet

  • Knoten werden nach Rolle in eine kleine Menge von Verhaltensweisen eingeteilt: Einstiegspunkte, Splitter (Load Balancer und Gateways), Caches, Speicher, asynchrone Kanäle (Queues/Streams), Dienste und externe Abhängigkeiten. Formen und Anmerkungsknoten sind inaktiv — sie werden einfach nicht simuliert.
  • Ein Knoten gibt nur weiter, was er tatsächlich bedienen kann: das Minimum aus dem, was ankommt, und seiner Kapazität mal Replikatanzahl. Jede Kante kann außerdem Aufrufe pro vorgelagerter Anfrage angeben, damit ein gelegentlicher Modellaufruf nicht fälschlich jede Anfrage erhält. Kein Phantom-Durchsatz hinter einem Engpass.
  • Traffic über der Kapazität eines Knotens bleibt unbeantwortet, und zwar vollständig, und zählt gegen die Verfügbarkeit — ohne erfundene Aufteilung in eingereihte, abgewiesene und fehlerhafte Anteile. Queues sind die Ausnahme: Was eine Queue oder die Consumer dahinter nicht aufnehmen können, ist ein wachsender Rückstau, kein Fehler.
  • Die Wartezeit in der Warteschlange eines Knotens folgt einer gängigen Mehrserver-Näherung (Sakasegawa), berechnet pro Replikat, wobei die Zahl der Server angibt, wie viele Anfragen ein Replikat gleichzeitig bedient. Diese Zahl entscheidet, wie stark die Auslastung wehtut. Mit der Standardvariabilität des Modells staut sich bei 90 % ein breiter Pool kaum, während ein Dienst, der eine Anfrage nach der anderen bedient, im Schnitt das Neunfache seiner Bedienzeit wartet, eine Anfrage also insgesamt zehn Bedienzeiten braucht. Bei 100 % oder mehr ist die Wartezeit unbegrenzt, und der Simulator sagt das, statt eine Zahl auszugeben.
  • Caches absorbieren ihre Trefferquote und leiten Misses plus Schreibzugriffe weiter; Splitter verteilen auf gleichwertige Ziele; asynchrone Kanäle entkoppeln die Latenzkette.

Replikate sind einfach eine Eigenschaft des Knotens — stell einen Dienst auf 4 Replikate, und seine Kapazität vervielfacht sich, genau wie erhofft; die bewusste Ausnahme sind Drittanbieter-Dienste: Die API eines anderen skaliert man nicht, indem man mehr davon zeichnet.

Was es bewusst nicht ist

  • Keine diskrete Ereignissimulation. Kein Warteschlangenmodell auf Anfrageebene, kein Jitter, keine Tail-Latenz-Verteilungen — bewusst eine Steady-State-Kapazitätsprüfung.
  • Kein Hersteller-Benchmark. Die Kapazitätszahlen sind repräsentative Anker zum Argumentieren, keine Angaben für einen bestimmten Instanztyp.
  • Keine Rechnung. Bereitgestellte Infrastruktur nutzt Größenordnungs-Spannen. Nutzungsabhängig abgerechnete Dienste ohne Standardpreis, darunter Modell-APIs und andere Drittanbieter-Dienste, sowie der nutzungsabhängige Anteil von Datenbanken und anderen Speichern zeigen „Nutzungsabhängig — nicht geschätzt“, bis du aktive Stunden und die jeweiligen Einheitspreise angibst, und solange einer davon so dasteht, zeigt das Panel keine Gesamtsumme. Komponenten, die keinen Anfrage-Traffic tragen, etwa Monitoring oder CI/CD, können trotzdem Kosten verursachen — Traffic-Modell und Kostenklassifizierung sind getrennt.
Tipp Am besten kalibrierst du deine Intuition, indem du ein Design kaputt machst: Schalte ein Stress-Preset scharf (Cache-Stampede ist ein Klassiker) und beobachte, welche Komponente zum Engpass wird und welche Annahme das erklärt.