با استراتژی‌های مقیاس‌بندی خودکار برای تضمین عملکرد و دسترس‌پذیری بهینه سیستم در اپلیکیشن‌های جهانی آشنا شوید. نحوه پیاده‌سازی تکنیک‌های مؤثر برای مدیریت بار کاری متغیر و حفظ تجربه کاربری یکپارچه را بیاموزید.
مقیاس‌پذیری سیستم: استراتژی‌های مقیاس‌بندی خودکار برای اپلیکیشن‌های جهانی
در دنیای متصل امروزی، اپلیکیشن‌ها باید طوری طراحی شوند که بتوانند بارهای کاری متغیر را مدیریت کرده و عملکرد بهینه را برای کاربران در سراسر جهان تضمین کنند. مقیاس‌پذیری سیستم به توانایی یک سیستم برای مدیریت بار افزایش‌یافته، خواه ترافیک، حجم داده‌ها یا پیچیدگی، بدون به خطر انداختن عملکرد یا دسترس‌پذیری اشاره دارد. مقیاس‌بندی خودکار یک جزء حیاتی از مقیاس‌پذیری سیستم است که به‌طور خودکار منابع تخصیص‌داده‌شده به یک اپلیکیشن را بر اساس تقاضای لحظه‌ای تنظیم می‌کند. این مقاله به بررسی استراتژی‌های مقیاس‌بندی خودکار می‌پردازد که اپلیکیشن‌های جهانی را قادر می‌سازد تا تجربه‌ای یکپارچه و روان را بدون توجه به موقعیت جغرافیایی یا دوره‌های اوج مصرف ارائه دهند.
درک اهمیت مقیاس‌پذیری سیستم
مقیاس‌پذیری به دلایل متعددی برای اپلیکیشن‌های جهانی بسیار حیاتی است:
- پاسخ به نوسانات تقاضا: اپلیکیشن‌ها سطوح مختلفی از ترافیک را بر اساس زمان روز، موقعیت جغرافیایی، کمپین‌های بازاریابی و رویدادهای پیش‌بینی‌نشده تجربه می‌کنند. مقیاس‌پذیری سیستم‌ها را قادر می‌سازد تا با افزایش ناگهانی تقاضا بدون افت عملکرد مقابله کنند.
- تضمین دسترس‌پذیری بالا: یک سیستم مقیاس‌پذیر در برابر خرابی‌ها مقاوم‌تر است. با توزیع بار کاری بین چندین منبع، تأثیر یک نقطه شکست واحد به حداقل می‌رسد و دسترس‌پذیری مداوم برای کاربران در سراسر جهان تضمین می‌شود.
- بهینه‌سازی استفاده از منابع: مقیاس‌بندی خودکار تخصیص منابع را بر اساس تقاضا به‌صورت پویا تنظیم می‌کند و از تخصیص بیش از حد منابع در دوره‌های ترافیک کم و کمبود منابع در زمان اوج بار جلوگیری می‌کند. این امر منجر به صرفه‌جویی قابل توجهی در هزینه‌ها می‌شود.
- بهبود تجربه کاربری: سیستم‌های مقیاس‌پذیر تجربه‌ای ثابت و پاسخگو را برای کاربر، صرف‌نظر از بار روی سیستم، فراهم می‌کنند. این موضوع برای حفظ کاربران و ایجاد شهرت مثبت برای برند بسیار مهم است.
- پشتیبانی از گسترش جهانی: با گسترش اپلیکیشن شما به مناطق جدید، مقیاس‌پذیری تضمین می‌کند که زیرساخت می‌تواند پایگاه کاربری رو به رشد را بدون نیاز به تغییرات معماری قابل توجهی در خود جای دهد.
مقیاس‌بندی خودکار چیست؟
مقیاس‌بندی خودکار فرآیند افزودن یا حذف خودکار منابعی مانند ماشین‌های مجازی، کانتینرها یا نمونه‌های پایگاه داده بر اساس معیارها و آستانه‌های از پیش تعریف‌شده است. این امکان را به سیستم‌ها می‌دهد تا به‌صورت پویا با بارهای کاری متغیر سازگار شوند و عملکرد بهینه و بهره‌وری هزینه را تضمین کنند. مقیاس‌بندی خودکار معمولاً با استفاده از پلتفرم‌های ابری مانند AWS، Azure و Google Cloud پیاده‌سازی می‌شود که مجموعه‌ای از ابزارها و خدمات را برای خودکارسازی مدیریت منابع ارائه می‌دهند.
انواع مقیاس‌بندی خودکار
عمدتاً دو نوع مقیاس‌بندی خودکار وجود دارد:
- مقیاس‌بندی افقی: این روش شامل افزودن نمونه‌های بیشتری از یک منبع (مثلاً افزودن سرورهای وب بیشتر) برای مدیریت بار افزایش‌یافته است. مقیاس‌بندی افقی عموماً برای اپلیکیشن‌های وب و معماری‌های میکروسرویس ترجیح داده می‌شود.
- مقیاس‌بندی عمودی: این روش شامل افزایش منابع یک نمونه واحد (مثلاً ارتقای CPU یا حافظه یک ماشین مجازی) است. مقیاس‌بندی عمودی اغلب با حداکثر ظرفیت یک نمونه واحد محدود می‌شود و می‌تواند منجر به قطعی سرویس در حین ارتقا شود.
برای اپلیکیشن‌های جهانی، مقیاس‌بندی افقی عموماً رویکرد ترجیحی است زیرا انعطاف‌پذیری، مقاومت و پتانسیل مقیاس‌پذیری بیشتری را ارائه می‌دهد. این روش امکان توزیع بار کاری را در چندین نمونه پراکنده جغرافیایی فراهم می‌کند و تأخیر را به حداقل رسانده و دسترس‌پذیری بالا را تضمین می‌کند.
استراتژی‌های مقیاس‌بندی خودکار
چندین استراتژی مقیاس‌بندی خودکار وجود دارد که هر یک مزایا و معایب خاص خود را دارند. بهترین استراتژی به ویژگی‌های خاص اپلیکیشن شما و الگوهای بار کاری که انتظار دارید با آن مواجه شوید، بستگی دارد.
۱. مقیاس‌بندی واکنشی (مبتنی بر آستانه)
مقیاس‌بندی واکنشی رایج‌ترین نوع مقیاس‌بندی خودکار است که تنظیمات منابع را بر اساس آستانه‌های از پیش تعریف‌شده فعال می‌کند. برای مثال، ممکن است مقیاس‌بندی خودکار را طوری پیکربندی کنید که وقتی استفاده از CPU سرورهای موجود از ۷۰٪ فراتر رفت، سرورهای وب بیشتری اضافه کند و زمانی که استفاده از CPU به زیر ۳۰٪ رسید، سرورها را حذف کند.
ملاحظات کلیدی:
- معیارها: معیارهای رایج برای مقیاس‌بندی واکنشی شامل استفاده از CPU، استفاده از حافظه، ترافیک شبکه و تأخیر درخواست است.
- آستانه‌ها: تنظیم آستانه‌های مناسب بسیار مهم است. آستانه‌های بیش از حد تهاجمی می‌توانند منجر به رویدادهای مقیاس‌بندی غیرضروری شوند، در حالی که آستانه‌های بیش از حد محافظه‌کارانه می‌توانند منجر به افت عملکرد در زمان اوج بار شوند.
- دوره آرام‌سازی (Cooldown): دوره آرام‌سازی تأخیری بین رویدادهای مقیاس‌بندی است که از نوسان سیستم بین افزودن و حذف منابع به دلیل نوسانات کوتاه‌مدت جلوگیری می‌کند.
- مثال: یک وب‌سایت تجارت الکترونیک ممکن است از مقیاس‌بندی واکنشی برای افزودن خودکار سرورهای وب بیشتر در طول رویدادهای تبلیغاتی یا تعطیلات که انتظار می‌رود ترافیک افزایش یابد، استفاده کند.
مزایا: پیاده‌سازی ساده، مؤثر برای مدیریت نوسانات قابل پیش‌بینی بار کاری.
معایب: ممکن است در پاسخ به افزایش ناگهانی ترافیک کند باشد، ممکن است برای اپلیکیشن‌هایی با بارهای کاری بسیار متغیر بهینه نباشد.
۲. مقیاس‌بندی پیش‌بینانه (مبتنی بر برنامه زمانی)
مقیاس‌بندی پیش‌بینانه، که به آن مقیاس‌بندی مبتنی بر برنامه زمانی نیز گفته می‌شود، شامل تنظیم خودکار منابع بر اساس الگوهای بار کاری پیش‌بینی‌شده است. این روش به‌ویژه برای اپلیکیشن‌هایی با الگوهای ترافیکی قابل پیش‌بینی، مانند آن‌هایی که در ساعات خاصی از روز یا روزهای هفته اوج استفاده را تجربه می‌کنند، مفید است.
ملاحظات کلیدی:
- تحلیل بار کاری: مقیاس‌بندی پیش‌بینانه نیازمند درک کاملی از الگوهای بار کاری اپلیکیشن شما است. داده‌های تاریخی می‌توانند برای شناسایی روندهای تکرارشونده و پیش‌بینی تقاضای آینده استفاده شوند.
- تعریف برنامه زمانی: برنامه‌های زمانی مشخص می‌کنند که چه زمانی منابع باید اضافه یا حذف شوند. این برنامه‌ها می‌توانند بر اساس زمان روز، روز هفته یا تاریخ‌های خاص باشند.
- تنظیم پویا: در حالی که مقیاس‌بندی پیش‌بینانه بر اساس داده‌های تاریخی است، نظارت بر عملکرد و تنظیم برنامه‌های زمانی در صورت لزوم برای در نظر گرفتن تغییرات غیرمنتظره در بار کاری، مهم است.
- مثال: یک وب‌سایت خبری ممکن است از مقیاس‌بندی پیش‌بینانه برای افزایش خودکار تعداد سرورهای وب در صبح که معمولاً تعداد خوانندگان در بالاترین حد خود است، استفاده کند.
مزایا: رویکرد پیشگیرانه، می‌تواند از افت عملکرد در زمان اوج بارهای قابل پیش‌بینی جلوگیری کند، نیاز به مقیاس‌بندی واکنشی را کاهش می‌دهد.
معایب: نیازمند پیش‌بینی دقیق بار کاری است، ممکن است برای اپلیکیشن‌هایی با الگوهای ترافیکی غیرقابل پیش‌بینی مؤثر نباشد.
۳. مقیاس‌بندی پیشگیرانه (مبتنی بر هوش مصنوعی)
مقیاس‌بندی پیشگیرانه از الگوریتم‌های یادگیری ماشین برای پیش‌بینی نیازهای منابع آینده بر اساس داده‌های لحظه‌ای و روندهای تاریخی استفاده می‌کند. این پیشرفته‌ترین شکل مقیاس‌بندی خودکار است که پتانسیل بهینه‌سازی تخصیص منابع و به حداقل رساندن گلوگاه‌های عملکرد را ارائه می‌دهد.
ملاحظات کلیدی:
- جمع‌آوری داده‌ها: مقیاس‌بندی پیشگیرانه نیازمند جریان مداوم داده از منابع مختلف، از جمله معیارهای سیستم، لاگ‌های اپلیکیشن و داده‌های رفتار کاربر است.
- مدل‌های یادگیری ماشین: مدل‌های یادگیری ماشین برای شناسایی الگوها و پیش‌بینی نیازهای منابع آینده آموزش داده می‌شوند. این مدل‌ها باید برای حفظ دقت به‌طور منظم به‌روز شوند.
- تنظیم لحظه‌ای: سیستم به‌طور مداوم عملکرد را نظارت می‌کند و تخصیص منابع را در لحظه بر اساس پیش‌بینی‌های مدل‌های یادگیری ماشین تنظیم می‌کند.
- مثال: یک پلتفرم پخش ویدئو ممکن است از مقیاس‌بندی پیشگیرانه برای پیش‌بینی اینکه کدام ویدئوها در ساعات آینده محبوب‌تر خواهند بود و تخصیص منابع بر اساس آن استفاده کند.
مزایا: بسیار سازگار، می‌تواند تخصیص منابع را بهینه کرده و گلوگاه‌های عملکرد را به حداقل برساند، مناسب برای اپلیکیشن‌هایی با بارهای کاری پیچیده و غیرقابل پیش‌بینی.
معایب: پیاده‌سازی پیچیده، نیازمند سرمایه‌گذاری قابل توجه در جمع‌آوری داده‌ها و زیرساخت یادگیری ماشین، دقت به کیفیت داده‌ها و اثربخشی مدل‌ها بستگی دارد.
۴. مقیاس‌بندی جغرافیایی (مبتنی بر موقعیت)
مقیاس‌بندی جغرافیایی شامل استقرار و مقیاس‌بندی منابع بر اساس موقعیت جغرافیایی کاربران است. این استراتژی برای اپلیکیشن‌های جهانی که هدفشان به حداقل رساندن تأخیر و ارائه تجربه کاربری محلی‌سازی‌شده است، بسیار حیاتی است.
ملاحظات کلیدی:
- شبکه‌های تحویل محتوا (CDN): CDNها محتوای استاتیک (مانند تصاویر، ویدئوها، فایل‌های CSS) را در مکان‌های پراکنده جغرافیایی ذخیره می‌کنند و تأخیر را برای کاربران در مناطق مختلف کاهش می‌دهند.
- استقرارهای چند-منطقه‌ای: استقرار سرورهای اپلیکیشن و پایگاه‌های داده در چندین منطقه به شما امکان می‌دهد تا به کاربران از نزدیک‌ترین مکان خدمت‌رسانی کنید و تأخیر را به حداقل رسانده و عملکرد را بهبود بخشید.
- توازن بار جهانی: توازن‌دهنده‌های بار جهانی ترافیک را بر اساس موقعیت کاربر، دسترس‌پذیری سرور و عوامل دیگر در چندین منطقه توزیع می‌کنند.
- تکثیر داده‌ها: تکثیر داده‌ها در چندین منطقه، دسترس‌پذیری داده‌ها را تضمین می‌کند و تأخیر را برای کاربران در مناطق مختلف به حداقل می‌رساند.
- مثال: یک پلتفرم رسانه اجتماعی ممکن است سرورهای اپلیکیشن را در آمریکای شمالی، اروپا و آسیا مستقر کند تا به کاربران از نزدیک‌ترین مکان خدمت‌رسانی کند.
مزایا: تأخیر را به حداقل می‌رساند، تجربه کاربری را بهبود می‌بخشد، دسترس‌پذیری بالا را در مناطق مختلف تضمین می‌کند.
معایب: پیاده‌سازی پیچیده، نیازمند سرمایه‌گذاری قابل توجه در زیرساخت و تکثیر داده‌ها.
پیاده‌سازی مقیاس‌بندی خودکار: راهنمای گام به گام
پیاده‌سازی مقیاس‌بندی خودکار شامل چندین مرحله کلیدی است:
- الزامات خود را تعریف کنید: شاخص‌های کلیدی عملکرد (KPI) را که می‌خواهید بهینه کنید (مانند زمان پاسخ، توان عملیاتی، نرخ خطا) شناسایی کنید. سطح عملکرد و دسترس‌پذیری مورد نظر برای اپلیکیشن خود را تعیین کنید.
- پلتفرم ابری خود را انتخاب کنید: یک پلتفرم ابری را انتخاب کنید که ابزارها و خدمات مقیاس‌بندی خودکار لازم را فراهم کند. AWS، Azure و Google Cloud همگی قابلیت‌های جامع مقیاس‌بندی خودکار را ارائه می‌دهند.
- معماری خود را طراحی کنید: معماری اپلیکیشن خود را به گونه‌ای طراحی کنید که مقیاس‌پذیر و مقاوم باشد. از میکروسرویس‌ها، کانتینرها و سایر فناوری‌ها برای تسهیل مقیاس‌بندی افقی استفاده کنید.
- مانیتورینگ را پیکربندی کنید: مانیتورینگ جامع را برای جمع‌آوری داده‌ها در مورد عملکرد سیستم، سلامت اپلیکیشن و رفتار کاربر پیاده‌سازی کنید. از ابزارهایی مانند Prometheus، Grafana و Datadog برای تجسم و تحلیل داده‌ها استفاده کنید.
- سیاست‌های مقیاس‌بندی را تعریف کنید: سیاست‌های مقیاس‌بندی را تعریف کنید که مشخص می‌کنند چه زمانی منابع باید اضافه یا حذف شوند. استفاده از ترکیبی از استراتژی‌های مقیاس‌بندی واکنشی، پیش‌بینانه و پیشگیرانه را در نظر بگیرید.
- پیکربندی خود را آزمایش کنید: پیکربندی مقیاس‌بندی خودکار خود را به‌طور کامل آزمایش کنید تا اطمینان حاصل شود که تحت شرایط بار مختلف همانطور که انتظار می‌رود کار می‌کند. از ابزارهای تست بار برای شبیه‌سازی ترافیک اوج و شناسایی گلوگاه‌های بالقوه استفاده کنید.
- استقرار را خودکار کنید: استقرار منابع جدید را با استفاده از ابزارهای زیرساخت به عنوان کد (Infrastructure-as-Code) مانند Terraform یا CloudFormation خودکار کنید. این امر تضمین می‌کند که منابع به‌طور مداوم و کارآمد تأمین می‌شوند.
- نظارت و بهینه‌سازی کنید: به‌طور مداوم عملکرد پیکربندی مقیاس‌بندی خودکار خود را نظارت کرده و در صورت لزوم تنظیمات را انجام دهید. از داده‌ها برای شناسایی زمینه‌های بهبود و بهینه‌سازی تخصیص منابع استفاده کنید.
انتخاب ابزارها و فناوری‌های مناسب
چندین ابزار و فناوری می‌توانند برای پیاده‌سازی مقیاس‌بندی خودکار استفاده شوند:
- پلتفرم‌های ابری: AWS Auto Scaling، Azure Autoscale، Google Cloud Autoscaling
- ارکستراسیون کانتینر: Kubernetes، Docker Swarm، Apache Mesos
- توازن‌دهنده‌های بار: AWS Elastic Load Balancing، Azure Load Balancer، Google Cloud Load Balancing
- ابزارهای مانیتورینگ: Prometheus، Grafana، Datadog، New Relic
- زیرساخت به عنوان کد: Terraform، CloudFormation، Ansible
بهترین شیوه‌ها برای مقیاس‌بندی خودکار
برای اطمینان از مقیاس‌بندی خودکار مؤثر، این بهترین شیوه‌ها را دنبال کنید:
- نظارت بر معیارهای کلیدی: به‌طور مداوم بر معیارهای کلیدی نظارت کنید تا گلوگاه‌های عملکرد را شناسایی کرده و تخصیص منابع را بهینه کنید.
- تعیین آستانه‌های واقع‌بینانه: آستانه‌های واقع‌بینانه‌ای برای رویدادهای مقیاس‌بندی تعیین کنید تا از مقیاس‌بندی غیرضروری یا افت عملکرد جلوگیری شود.
- استفاده از دوره آرام‌سازی: از یک دوره آرام‌سازی برای جلوگیری از نوسان سیستم بین افزودن و حذف منابع استفاده کنید.
- پیکربندی خود را آزمایش کنید: پیکربندی مقیاس‌بندی خودکار خود را تحت شرایط بار مختلف به‌طور کامل آزمایش کنید.
- استقرار را خودکار کنید: استقرار منابع جدید را برای تضمین ثبات و کارایی خودکار کنید.
- بهینه‌سازی استفاده از منابع: استفاده از منابع را برای به حداقل رساندن هزینه‌ها و به حداکثر رساندن عملکرد بهینه کنید.
- برای خرابی برنامه‌ریزی کنید: سیستم خود را طوری طراحی کنید که در برابر خرابی‌ها مقاوم باشد. از افزونگی و تحمل خطا برای تضمین دسترس‌پذیری بالا استفاده کنید.
- بازبینی و تنظیم منظم: به‌طور منظم پیکربندی مقیاس‌بندی خودکار خود را بازبینی و تنظیم کنید تا با بارهای کاری متغیر سازگار شده و عملکرد را بهینه کنید.
- بهینه‌سازی هزینه را در نظر بگیرید: استراتژی‌های بهینه‌سازی هزینه، مانند استفاده از نمونه‌های Spot یا نمونه‌های رزرو شده را برای کاهش هزینه‌های ابری پیاده‌سازی کنید.
- پیاده‌سازی بهترین شیوه‌های امنیتی: بهترین شیوه‌های امنیتی را برای محافظت از زیرساخت و داده‌های خود پیاده‌سازی کنید. از رمزگذاری، کنترل دسترسی و سایر اقدامات امنیتی برای جلوگیری از دسترسی غیرمجاز استفاده کنید.
مثال‌های واقعی از مقیاس‌بندی خودکار
بسیاری از شرکت‌ها در سراسر جهان از مقیاس‌بندی خودکار برای تضمین عملکرد و دسترس‌پذیری بهینه برای اپلیکیشن‌های خود استفاده می‌کنند.
- Netflix: از مقیاس‌بندی خودکار به‌طور گسترده برای مدیریت تقاضای متغیر برای سرویس پخش خود استفاده می‌کند. در ساعات اوج مصرف، نتفلیکس به‌طور خودکار سرورهای بیشتری اضافه می‌کند تا اطمینان حاصل شود که کاربران می‌توانند ویدئوها را بدون وقفه پخش کنند.
- Airbnb: از مقیاس‌بندی خودکار برای مدیریت افزایش ناگهانی ترافیک در طول تعطیلات و رویدادهای خاص استفاده می‌کند. مقیاس‌بندی خودکار به Airbnb کمک می‌کند تا اطمینان حاصل کند که پلتفرم آن حتی در دوره‌های تقاضای بالا، پاسخگو و در دسترس باقی می‌ماند.
- Spotify: از مقیاس‌بندی خودکار برای مدیریت سرویس پخش موسیقی خود استفاده می‌کند. مقیاس‌بندی خودکار به اسپاتیفای اجازه می‌دهد تا منابع را بر اساس تعداد کاربرانی که در هر لحظه به موسیقی گوش می‌دهند، به‌صورت پویا تنظیم کند.
- Amazon.com: به‌شدت به مقیاس‌بندی خودکار، به‌ویژه در فصول اوج خرید مانند جمعه سیاه و دوشنبه سایبری، برای مدیریت هجوم عظیم ترافیک و تراکنش‌ها متکی است.
- موسسات مالی (مانند بانک‌ها): از مقیاس‌بندی خودکار برای مدیریت پردازش تراکنش‌ها و خدمات بانکداری آنلاین استفاده می‌کنند و دسترس‌پذیری و عملکرد را در ساعات اوج کاری و رویدادهای بازار تضمین می‌کنند.
آینده مقیاس‌بندی خودکار
آینده مقیاس‌بندی خودکار احتمالاً توسط پیشرفت‌ها در یادگیری ماشین و هوش مصنوعی هدایت خواهد شد. مقیاس‌بندی خودکار مبتنی بر هوش مصنوعی قادر خواهد بود نیازهای منابع آینده را با دقت بیشتری پیش‌بینی کند و تخصیص منابع کارآمدتر و پیشگیرانه‌تری را ممکن سازد. همچنین می‌توان انتظار داشت که استراتژی‌های مقیاس‌بندی خودکار پیچیده‌تری را ببینیم که طیف وسیع‌تری از عوامل مانند رفتار کاربر، عملکرد اپلیکیشن و اهداف تجاری را در نظر می‌گیرند.
علاوه بر این، پذیرش رایانش بدون سرور (Serverless) مقیاس‌بندی خودکار را ساده‌تر خواهد کرد. پلتفرم‌های بدون سرور به‌طور خودکار منابع را بر اساس تقاضا مقیاس‌بندی می‌کنند و نیاز به پیکربندی و مدیریت دستی را از بین می‌برند.
نتیجه‌گیری
مقیاس‌بندی خودکار یک جزء حیاتی از مقیاس‌پذیری سیستم است که اپلیکیشن‌های جهانی را قادر می‌سازد تا بارهای کاری متغیر را مدیریت کرده و عملکرد و دسترس‌پذیری بهینه را تضمین کنند. با پیاده‌سازی استراتژی‌های مقیاس‌بندی خودکار مؤثر، سازمان‌ها می‌توانند تجربه‌ای یکپارچه برای کاربر فراهم کنند، استفاده از منابع را بهینه کرده و هزینه‌ها را کاهش دهند. چه مقیاس‌بندی واکنشی، پیش‌بینانه، پیشگیرانه یا جغرافیایی را انتخاب کنید، درک اصول و بهترین شیوه‌های ذکر شده در این مقاله به شما قدرت می‌بخشد تا اپلیکیشن‌های مقیاس‌پذیر و مقاومی بسازید که می‌توانند در چشم‌انداز پویای جهانی امروز رشد کنند. پذیرش مقیاس‌بندی خودکار دیگر یک گزینه نیست، بلکه یک ضرورت برای هر اپلیکیشنی است که به مخاطبان جهانی خدمت‌رسانی می‌کند.