Java

На протяжении более десяти лет Spring Boot безраздельно оставался стандартом де-факто для создания корпоративных Java-приложений. Его богатая экосистема, парадигма «соглашение важнее конфигурации», надежный механизм внедрения зависимостей и широкая поддержка сообщества сделали Java основой серверных систем во всем мире. Однако переход к облачной архитектуре, оркестрации Kubernetes, контейнеризации Docker и бессерверному выполнению (AWS Lambda, Knative) создал новые технические проблемы для серверной инфраструктуры: эффективность памяти, мгновенное масштабирование и задержка при холодном запуске.

На протяжении почти трех десятилетий Java была доминирующей силой в разработке корпоративного программного обеспечения. Его богатая экосистема, надежная объектно-ориентированная основа, независимость от платформы благодаря виртуальной машине Java (JVM) и проверенные в боевых условиях платформы, такие как Spring Boot, сделали его бесспорным королем серверной инфраструктуры. Однако переход к облачной архитектуре, оркестрации Kubernetes, контейнеризации (Docker) и бессерверным вычислениям (AWS Lambda, Knative) выявил серьезную уязвимость в традиционных платформах приложений Java: высокие затраты памяти и медленное время запуска.

В монолитной архитектуре компоненты взаимодействуют посредством вызовов методов в памяти, которые являются мгновенными и очень надежными. Однако при переходе на архитектуру микросервисов эти компоненты разделяются сетевыми границами. Связь становится внепроцессным сетевым вызовом (межпроцессная связь или IPC). В течение многих лет REST (передача репрезентативного состояния) через HTTP/1.1 с полезными нагрузками JSON был стандартом по умолчанию для создания веб-API. Хотя REST отлично подходит для общедоступных веб-сервисов и взаимодействия между клиентом и сервером, он создает серьезные узкие места при использовании для высокочастотного внутреннего взаимодействия между сервисами с низкой задержкой.

Если вы работаете с внешними API, вам знакома эта проблема. Вы получаете огромный JSON, и прежде чем вы начнете писать бизнес-логику, вам нужно потратить 30 минут на ручное написание классов данных, структур или моделей для его корректного парсинга. Описание вложенных свойств в Go, обработка геттеров и сеттеров в Java или написание схем валидации Pydantic в Python — это утомительно и чревато опечатками.