DevGuide

مصطلحات مهمة في عالم الـ System Design 💯 (١٢) . . في البوست اللي فات تكلمنا عن Scalability و Throughput و ACID. النهارده هنرجع للـ Caching، لكن هنركز على نقطة مهمة: لما البيانات تتغير، إزاي نضمن إن التغيير يوصل للـ Cache والـ Database بالطريقة المناسبة؟ هل نكتب الداتا في الاتنين مباشرة؟ ولا نكتب في الـ Cache الأول ونحدّث الـ Database بعدين؟ الإجابة بتعتمد على الـ Caching Pattern اللي بنستخدمه... ——— 📌 Write-Through Cache في الـ Write-Through Cache، لما يحصل Write أو Update، التطبيق بيكتب البيانات في الـ Cache والـ Database في نفس العملية. بمعنى: Application → Cache → Database الـ Cache بيستقبل التغيير، وبعدها يكتبه مباشرة في الـ Database. الميزة هنا إن الـ Cache والـ Database بيكونوا متزامنين بشكل أفضل، لأن كل Write لازم يعدّي على الاتنين. وده بيقلل احتمالية إن الـ Cache يحتوي على بيانات قديمة بعد عملية Update. لكن فيه مقابل. كل Write بيحتاج وقت إضافي، لأننا مش بنحدّث مكان واحد فقط. كمان ممكن نكتب بيانات في الـ Cache حتى لو مش هيتم قراءتها مرة تانية. تخيل إن عندك Product Price بيتغير، والـ Application بيكتب السعر الجديد في الـCache والـDatabase فورًا. كده أي Read بعد التحديث يقدر يجيب السعر الجديد من الـ Cache. لكن لو عايزين سرعة أكبر في عمليات الكتابة، ومش مهم البيانات توصل للـDatabase في نفس اللحظة؟ هنا نستخدم Pattern مختلف. ——— 📌 Write-Behind Cache في الـ Write-Behind Cache، التطبيق بيكتب البيانات في الـCache أولًا، وبعدها الـCache يحدّث الـDatabase بشكل asynchronous. بمعنى: Application → Cache → Database Later الـApplication يقدر يكمل شغله بسرعة، من غير ما يستنى عملية الكتابة في الـDatabase تخلص. تخيل تطبيق بيستقبل عدد ضخم من تحديثات الـProduct Views. بدل ما كل View تعمل Write مباشر على الـDatabase، نقدر نكتب الـUpdates في الـCache، وبعدها نجمعها ونبعتها للـDatabase على دفعات. ده ممكن يحسّن أداء الكتابة ويقلل الضغط على الـDatabase. لكن هنا فيه Risk مهم: لو البيانات موجودة في الـCache ولسه ما اتكتبتش في الـDatabase، وحصل Cache Failure أو System Crash، ممكن نفقد التحديثات اللي متعملهاش Persist لسه. عشان كده الـ Write-Behind Cache مناسب لبعض السيناريوهات اللي تقدر تستحمل تأخير الكتابة أو فقدان جزء من البيانات، لكنه مش مناسب تلقائيًا لكل العمليات الحساسة، زي التحويلات البنكية. طيب، خلينا نفترض إن عندنا Cache كبير موزع على كذا Server. إزاي نقرر كل Key هيتخزن على أنهي Server؟ لو استخدمنا توزيع بسيط، زي: hash(key) % number_of_servers فكل حاجة هتشتغل كويس لحد ما نضيف Server جديد. ساعتها معظم الـKeys ممكن تتنقل لمكان مختلف، ونضطر نعيد توزيع كمية ضخمة من البيانات. وهنا نحتاج الـ Consistent Hashing. ——— 📌 Consistent Hashing الـConsistent Hashing طريقة لتوزيع الـKeys على مجموعة من الـServers أو الـNodes، بحيث لما Node جديدة تدخل أو Node موجودة تخرج، أقل قدر ممكن من البيانات يحتاج يتنقل. الفكرة إننا بنمثل الـNodes والـKeys على شكل دائرة اسمها Hash Ring. كل Node بتتحط في مكان على الدائرة باستخدام Hash Function، وكل Key بيتحط هو كمان في مكان معين. بعدها الـKey بيتخزن على أول Node نلاقيها وإحنا ماشيين في اتجاه معين على الـRing. لو ضفنا Node جديدة، مش كل الـKeys هتتوزع من الأول. غالبًا جزء صغير فقط من الـKeys هينتقل للـNode الجديدة. ولو Node وقعت، الـKeys اللي كانت عليها تقدر تنتقل للـNode التالية حسب قواعد التوزيع. وده مهم جدًا في الأنظمة الموزعة، خصوصًا مع: - Distributed Caches - Distributed Databases - Load Distribution - أنظمة فيها Nodes بتزيد وتقل باستمرار الميزة الأساسية إننا نقدر نعمل Scaling للـCluster من غير ما نعيد توزيع كل البيانات في كل مرة. لكن التنفيذ العملي محتاج ناخد بالنا من مشكلة اسمها Hotspots، لأن توزيع الـKeys مش دايمًا بيكون متساوي. عشان كده بنستخدم أحيانًا Virtual Nodes لتحسين توزيع البيانات والـLoad. ——— 💡 الخلاصة • الـ Write-Through Cache: الـWrite بيتكتب في الـCache والـDatabase مباشرة. • الـ Write-Behind Cache: الـWrite بيتخزن في الـCache الأول، وبعدها يتكتب في الـDatabase بشكل asynchronous. • الـ Consistent Hashing: توزيع الـKeys على Nodes مع تقليل البيانات اللي بتحتاج تتحرك لما الـCluster يتغير. لكن فيه سؤال مهم: هل تقسيم البيانات على Nodes مختلفة هو الحل الوحيد؟ ولا فيه طرق تانية لتقسيم البيانات حسب شكلها وطريقة استخدامها؟ ——— #system_design

#frontend

Create Simple Blog With Strapi and Next.js In One Video 🚀 https://youtu.be/NI337ED9XMY ——— #frontend

مصطلحات مهمة في عالم الـ System Design 💯 . . 📌 الجزء الأول https://t.me/the_developer_guide/6395 📌 الجزء الثاني https://t.me/the_developer_guide/6399 📌 الجزء الثالث https://t.me/the_developer_guide/6405 📌 الجزء الرابع https://t.me/the_developer_guide/6409 📌 الجزء الخامس https://t.me/the_developer_guide/6411 📌 الجزء السادس https://t.me/the_developer_guide/6415 📌 الجزء السابع https://t.me/the_developer_guide/6422 📌 الجزء الثامن https://t.me/the_developer_guide/6430 📌 الجزء التاسع https://t.me/the_developer_guide/6435 📌 الجزء العاشر https://t.me/the_developer_guide/6450 ——— #system_design

برمجة الألعاب باستخدام gdevelop المستوى الأول https://satr.tuwaiq.edu.sa/course/i1ko6euCKZ/view

برمجة الألعاب باستخدام gdevelop المستوى الأول https://satr.tuwaiq.edu.sa/course/i1ko6euCKZ

مصطلحات مهمة في عالم الـ System Design 💯 (١١) . . في الأجزاء اللي فاتت من السلسلة، تكلمنا عن 30 مفهوم مهم في عالم الـ System Design، وكل مفهوم كان بيساعدنا نفهم جزء مختلف من طريقة تصميم الأنظمة وحل المشاكل اللي ممكن تواجهها. ومع التعمق أكتر في الـ System Design، هنلاقي إن فيه مفاهيم تانية مهمة بتساعدنا نجاوب على أسئلة مختلفة: إزاي النظام يقدر يكبر؟ يقدر يعالج كام Request؟ وإزاي نضمن إن البيانات تفضل صحيحة وموثوقة؟ وغيرها... ——— 📌 Scalability تخيل إن عندك تطبيق عليه 1,000 مستخدم. كل حاجة شغالة كويس، والسيرڤر مستحمل الـ Traffic عادي جدًا. لكن التطبيق نجح، وفجأة عدد المستخدمين بقى 100,000. هنا السؤال: هل النظام بتاعك يقدر يكبر مع زيادة الـ Load؟ ده بالضبط اللي بنسميه Scalability. الـ Scalability هي قدرة النظام إنه يتعامل مع زيادة في المستخدمين أو الـ Requests أو الداتا من غير ما الأداء ينهار أو يتدهور بشكل غير مقبول. وده ممكن يحصل بأكتر من طريقة. ممكن تزود قوة السيرڤر نفسه، وده اللي تكلمنا عنه قبل كده تحت عنوان Vertical Scaling. أو تزود عدد الـ Servers وتوزع الـ Load بينهم، وده Horizontal Scaling. فـ Scalability مش معناها إن النظام سريع وخلاص. معناها إن لما النظام يكبر، نقدر نكبر معاه بطريقة مناسبة. لكن هنا يظهر سؤال جديد: طيب، لما عدد الـ Requests يزيد، إزاي نعرف النظام قادر يعالج كام Request أصلًا؟ ——— 📌 Throughput خلينا نقول عندنا API. مستخدم واحد بعت Request، والـ Request أخد 200ms عشان يخلص. ده بيدينا فكرة عن Latency اللي تكلمنا عنها قبل كده. لكن هل ده معناه إن النظام يقدر يعالج 5 Requests بس في الثانية؟ مش بالضرورة. هنا بنحتاج مفهوم Throughput. الـ Throughput هو عدد الـ Requests أو العمليات اللي النظام يقدر يعالجها خلال فترة زمنية معينة. مثلًا: 1,000 Requests per second معناها إن النظام قادر يعالج حوالي 1,000 Request كل ثانية. وده مختلف عن الـ Latency. ممكن يكون عندك نظام الـ Latency فيه عالية نسبيًا، لكنه يقدر يعالج عدد ضخم من الـ Requests في نفس الوقت. وممكن يكون عندك نظام الـ Latency فيه قليلة، لكن الـ Throughput بتاعه محدود. عشان كده لما بنصمم النظام، مش بنسأل بس: "الـ Request بياخد وقت قد إيه؟" لكن كمان: "النظام يقدر يعالج كام Request؟" طيب، لحد دلوقتي إحنا بنتكلم عن قدرة النظام على التعامل مع الـ Traffic. لكن لما ندخل على الـ Database، فيه سؤال مختلف تمامًا: إزاي نضمن إن العمليات اللي بتحصل على الداتا آمنة ومتسقة؟ ——— 📌 ACID تخيل إن عندك تطبيق Banking. مستخدم عنده 1,000 جنيه، وعايز يحول 200 جنيه لشخص تاني. العملية دي مش مجرد Update واحد. إحنا محتاجين نقلل 200 من حساب الشخص الأول، ونضيفهم لحساب الشخص التاني. طيب ماذا لو حصل Error بعد ما خصمنا الفلوس، وقبل ما نضيفها للحساب التاني؟ هنكون في مشكلة كبيرة جدًا. هنا بيظهر مفهوم ACID، وهو مجموعة خصائص بتضمن إن الـ Database Transactions تتنفذ بشكل موثوق. A => Atomicity الـ Transaction كلها تحصل، أو كلها متحصلش. يعني يا إما الـ 200 يتخصموا ويتضافوا، يا إما العملية كلها تتعمل Rollback. C => Consistency الـ Transaction لازم تنقل الـ Database من حالة صحيحة لحالة صحيحة، مع الحفاظ على الـ Rules والـ Constraints الخاصة بالداتا. I => Isolation لو فيه Transactions كتير بتحصل في نفس الوقت، كل Transaction لازم تتعامل مع الداتا بطريقة تمنع التداخل غير الصحيح بينها. D => Durability لو الـ Transaction اتعملها Commit بنجاح، البيانات تفضل محفوظة حتى لو حصل Crash للسيرڤر بعدها. فلو رجعنا لمثال التحويل البنكي، إحنا مش عايزين أي حاجة تحصل في النص وتخلّي الفلوس تختفي أو تتضاف مرتين. وده بالضبط سبب أهمية ACID في الـ Database Transactions. ——— 💡 الخلاصة • الـ Scalability: قدرة النظام إنه يكبر ويتعامل مع زيادة الـ Load. • الـ Throughput: عدد العمليات أو الـ Requests اللي النظام يقدر يعالجها خلال فترة زمنية. • الـ ACID: خصائص بتخلي الـ Database Transactions موثوقة وآمنة. والـ 3 مفاهيم دول مرتبطين ببعض بشكل كبير. لما النظام يكبر، محتاج Scalability. ولما الـ Traffic يزيد، بنهتم بالـ Throughput. في العمليات الحساسة اللي بتحتاج Transactions قوية، بنستخدم خصائص ACID لضمان تنفيذ العمليات بشكل موثوق والحفاظ على صحة البيانات. ——— #system_design

https://youtu.be/Hs57QQQxnxY . . #backend #sql

Registrations are officially OPEN for Masar by Google (مسار) Season 1 🚀 Mastering cloud infrastructure and AI shouldn't happen behind slides, it happens at the keyboard. Over 5 weeks, we are building live on screen in Arabic: Ep 1: Getting Started with Google Antigravity & the Antigravity IDE. Ep 2: Deploying Microservices on Google Cloud with Antigravity. Ep 3: Data & State Integration in Antigravity Applications. Ep 4: Building Intelligent Agents with the Agent Development Kit (ADK) Ep 5: Deploying, Managing, and Observing ADK Agents on Google Cloud Run Participants will receive free sandbox developer environment access via the Google Developer Program with zero local setup costs. Start building! 👇🔥 https://rsvp.withgoogle.com/events/masar

Master the Local Storage in JavaScript ⚡️

2027 Software Engineering Internship & New Grad Positions 🚀 https://github.com/speedyapply/2027-SWE-College-Jobs

مصطلحات مهمة في عالم الـ System Design 💯 (١٠) . . في البوست اللي فات تكلمنا عن Microservices وإزاي الـ Message Queues بتساعد الـ Services تتواصل مع بعض من غير ما كل Service تستنى التانية. وده حل مشكلة مهمة داخل النظام. لكن لسه عندنا مشكلة من ناحية تانية... إحنا قسمنا النظام، وزودنا الـ Services، وخلينا التواصل بينهم مرن وسهل. طيب إيه اللي هيحصل لو المستخدم نفسه بدأ يبعت عدد ضخم جدًا من الـ Requests؟ أو Bot قرر يضرب الـ API بتاعنا بآلاف الطلبات في الثانية؟ لو مفيش أي قيود، ممكن عدد بسيط من الـ Clients يستهلك معظم موارد النظام ويأثر على باقي المستخدمين. ——— 📌 Rate Limiting الـ Rate Limiting فكرته ببساطة إننا بنحدد عدد الـ Requests اللي Client معين يقدر يبعتها خلال فترة زمنية. مثلًا، ممكن نقول إن كل User مسموح له بـ 100 Request في الدقيقة. لو عدى الحد ده، الـ API يرفض الـ Requests الزيادة مؤقتًا ويرجع غالبًا: HTTP 429 - Too Many Requests ليه ده مهم؟ تخيل إن عندك API بتعمل Search، وفجأة User واحد أو Bot بدأ يبعت آلاف الـ Requests كل ثانية. من غير Rate Limiting، الـ Requests دي ممكن تستهلك الـ CPU والـ Memory والـ Database Connections، وفي النهاية تأثر على كل المستخدمين. فـ Rate Limiting مش بس وسيلة للحماية من الـ Abuse، لكنه كمان بيساعدنا نحافظ على استقرار النظام ونضمن إن الموارد متوزعة بشكل عادل. لكن هنا ممكن تسأل... هل لازم كل Service في النظام تعمل Rate Limiting بنفسها؟ مع وجود عشرات الـ APIs والـ Microservices، الموضوع هيبقى معقد. ——— 📌 API Gateway تخيل إن عندك نظام كبير فيه Services كتير: - Users Service - Orders Service - Payments Service - Notifications Service بدل ما الـ Client يعرف كل Service موجودة فين ويتعامل معاها بشكل مباشر، ممكن نخلي فيه نقطة دخول واحدة قدام النظام كله. النقطة دي اسمها API Gateway. الـ Client يبعت الـ Request للـ Gateway، والـ Gateway يقرر يعمل إيه. ممكن يتأكد إن المستخدم authenticated، يطبق Rate Limiting، يسجل الـ Request، وبعدها يوجهه للـ Service المناسبة. يعني مثلًا: Client → API Gateway → Orders Service أو: Client → API Gateway → Payment Service وبكده الـ Client مش محتاج يعرف تفاصيل النظام الداخلية كلها. والـ Gateway كمان بيكون مكان مناسب لتطبيق سياسات مشتركة على كل الـ APIs، زي Authentication وRate Limiting وLogging وRouting. لكن لسه فيه مشكلة ممكن تحصل حتى مع وجود كل الحماية دي. تخيل إن المستخدم ضغط زرار Pay، والـ Request وصل فعلًا للـ Payment Service... لكن حصل Network Error قبل ما المستخدم يستلم الـ Response. المستخدم مش عارف العملية نجحت ولا لا، فيضغط Pay تاني. دلوقتي عندنا نفس العملية اتبعتت مرتين. هل من الطبيعي إن المستخدم يتخصم منه الفلوس مرتين؟ ——— 📌 Idempotency الـ Idempotency معناها إن تكرار نفس الـ Request أكتر من مرة ميغيرش النتيجة النهائية عن لو الـ Request اتنفذ مرة واحدة. وده مهم جدًا في العمليات الحساسة زي الدفع وإنشاء الأوردرات. خلينا نرجع لمثال الدفع. المستخدم ضغط Pay، والـ Payment Service بدأت العملية. لكن الـ Response ضاع بسبب مشكلة في الشبكة. المستخدم ضغط تاني. لو الـ System بيتعامل مع الـ Requests كأنهم عمليتين مختلفتين، ممكن يحصل Double Payment. لكن لو الـ Request الأول كان مرتبط بـ Idempotency Key زي: payment_12345 لما الـ Request التاني يوصل بنفس الـ Key، النظام يقدر يعرف إن العملية دي اتنفذت قبل كده. بدل ما ينفذها مرة تانية، يرجع نفس النتيجة السابقة. وبكده حتى لو حصل Retry أو المستخدم ضغط الزرار أكتر من مرة، العملية نفسها متتنفذش مرتين. وده سبب إن الـ Idempotency مهمة جدًا في Distributed Systems، لأن الـ Network Failures والـ Retries حاجات طبيعية بتحصل في الأنظمة الموزعة. ——— 💡 الخلاصة النهارده وصلنا لآخر 3 مفاهيم في السلسلة: • الـ Rate Limiting: تحديد عدد الـ Requests المسموح بيها خلال فترة معينة، علشان نحمي النظام من الـ Abuse والضغط الزائد. • الـ API Gateway: نقطة دخول واحدة بتتعامل مع Requests قبل ما توصل للـ Microservices، وبتساعد في Authentication وRate Limiting وRouting وغيرها. • الـ Idempotency: ضمان إن تكرار نفس الـ Request ميكررش تنفيذ العملية أكتر من مرة. وبكده نكون تكلمنا عن أهم أجزاء الـ System Design، من أول الـ Client والـ Server، لحد الـ Databases والـ Caching والـ Microservices والـ Message Queues، ووصلنا في النهاية لحماية الـ APIs والتعامل مع الـ Retries. ——— #system_design

📌 What is Availability in System Design? ——— #system_design

Implementing Middleware in Next.js 💯 Next.js middleware is ideal for request interception, conditional routing, setting headers, and rewriting URLs, especially for edge-optimized, real-time applications. --- #frontend

You can now set Claude Code's output style to Concise. ⚡️ Claude leads with the result, keeps responses short, and still gives full detail when you ask. Turn it on in /config → Output style, or set "outputStyle": "Concise" in settings.json. ——— #ai

مصطلحات مهمة في عالم الـ System Design 💯 (٩) . . في البوست اللي فات وصلنا لمرحلة إن الـ Client والـ Server بقوا قادرين يتواصلوا بشكل لحظي باستخدام WebSockets. وده حل مشكلة مهمة جدًا: إزاي السيرفر يبعت تحديث للـ Client في نفس اللحظة من غير ما الـ Client يفضل يسأل كل شوية "فيه حاجة جديدة؟" لكن لسه عندنا سيناريو تاني. إيه اللي يحصل لو Service محتاجة تبلغ Service تانية إن حاجة حصلت؟ مثلًا، لو المستخدم دفع أونلاين، نظام الدفع محتاج يبلغ الـ Backend بتاعنا إن عملية الدفع نجحت. هل هنفضل نعمل Requests كل شوية ونسأل: "الدفع نجح ولا لا؟" مش أفضل حل. ——— 📌 Webhooks الـ Webhook فكرته بسيطة جدًا. بدل ما أنت تفضل تسأل Service تانية إذا حصل Event جديد، بتديها URL عندك، وتقول لها: "لما الحدث ده يحصل، ابعتيلي Request هنا." خلينا ناخد مثال واضح. لو المستخدم دفع عن طريق Stripe، بدل ما النظام بتاعك يفضل يسأل Stripe كل شوية: "الدفع نجح؟" منصة Stripe نفسها تبعتلك HTTP POST Request على الـ Webhook URL بتاعك أول ما عملية الدفع تنجح. وده بيوفر Requests كتير وبيخلي التواصل بين الأنظمة أكثر كفاءة. لكن تخيل إن التطبيق بقى كبير جدًا. بدل ما يكون عندك Service واحدة، بقى عندك مجموعة Services زي الـ  Payments و Orders و Inventory Shipping و Notifications... هل منطقي كل الوظائف دي تفضل داخل نفس التطبيق وتتواصل مع بعض بشكل مباشر؟ ——— 📌 Microservices في البداية، ممكن تبني التطبيق كله كـ Monolith. يعني كل الخدمات اللي فوق دي تبقى موجودة في تطبيق واحد. وده مش شيء سيئ، بالعكس، الـ Monolith ممكن يكون اختيار ممتاز جدًا لتطبيق صغير أو في بداية المشروع. لكن مع نمو التطبيق، الكود بيكبر، والـ Dependencies بين الأجزاء بتزيد، وأي تغيير في جزء من النظام ممكن يأثر على أجزاء تانية. فممكن نبدأ نقسم التطبيق إلى Services أصغر. مثلًا: • الـ Payment Service مسؤولة عن الدفع. • الـ Order Service مسؤولة عن الأوردرات. • الـ Inventory Service مسؤولة عن المخزون. • الـ Notification Service مسؤولة عن الإشعارات. كل Service تبقى مسؤولة عن جزء واضح من النظام، وتقدر تطور فيها وتعمل لها Deploy وتعمل لها Scaling بشكل مستقل. لكن هنا تظهر مشكلة جديدة. لو عندي عشرات الـ Services، وكل Service محتاجة تتواصل مع Service تانية، هل كل واحدة هتفضل تبعت HTTP Request للتانية وتستنى الرد؟ ممكن، لكن مش كل العمليات محتاجة Response فوري. وأحيانًا لو Service واحدة بطيئة أو واقعة، مش منطقي نخلي باقي النظام كله يستناها. وده بالضبط اللي بيخلينا نحتاج Message Queues. ——— 📌 Message Queues تخيل إن المستخدم عمل Checkout. دلوقتي فيه كذا حاجة ممكن تحصل: لازم نعمل Payment، ونحدّث Inventory، ونبعت Notification، وممكن نبدأ تجهيز الـ Shipping. هل لازم الـ Order Service تستنى كل الخدمات دي تخلص واحدة واحدة قبل ما ترد على المستخدم؟ مش بالضرورة. ممكن بدل كده تحط Message في Queue وتقول: "فيه Order جديد محتاج يتعالج." الـ Queue تحتفظ بالرسالة، والـ Service المسؤولة عن تنفيذ المهمة تاخدها لما تكون جاهزة. يعني عندنا طرف بيبعت الرسالة اسمه Producer، وطرف بيستقبلها ويعالجها اسمه Consumer. الميزة هنا إن الـ Services مش لازم تكون مرتبطة ببعض بشكل مباشر. لو الـ Payment Service مشغولة، الرسائل تفضل في الـ Queue لحد ما تقدر تعالجها. ولو حصل ضغط كبير، ممكن تزود عدد الـ Consumers علشان تعالج عدد أكبر من الرسائل في نفس الوقت. وده بيخلي النظام Scalable و Fault Tolerant، وبيفصل الـ Services عن بعض بشكل أفضل. من أشهر الأدوات اللي بتستخدم للفكرة دي Kafka و RabbitMQ و Amazon SQS. ——— 💡 الخلاصة النهارده عرفنا إزاي الـ Services المختلفة ممكن تتواصل مع بعض من غير ما كل حاجة تبقى مرتبطة بشكل مباشر: • الـ Webhooks: الـ Service تبعتلك Notification لما Event معين يحصل، بدل ما تفضل تسألها كل شوية. • الـ Microservices: تقسيم التطبيق الكبير إلى Services أصغر، كل واحدة مسؤولة عن جزء محدد. • الـ Message Queues: وسيط بيخلي الـ Services تتواصل بشكل Asynchronous، بحيث الـ Producer يحط الرسالة والـ Consumer يعالجها لما يكون جاهز. ——— دلوقتي عندنا نظام فيه Services كتير، والـ Message Queue ساعدتنا نفصل بينهم ونمنع الضغط من الانتقال من Service للتانية. لكن إيه اللي هيحصل لو Client بدأ يبعت آلاف الـ Requests في الثانية على الـ Public APIs بتاعتنا؟ هل هنسيبه يبعت براحتـه؟ أكيد لا. وده اللي هنتكلم عنه في البوست الجاي مع Rate Limiting و API Gateway ونتعرف على مصطلح Idempotency. ——— #system_design

Real-Time WebSockets Course | Build a Live Sports Dashboard with Node.js & PostgreSQL 🚀 https://youtu.be/pbOXOY78dNA ——— #web