ಅಪಾಚೆ ಫ್ಲಿಂಕ್ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್‌ನೊಂದಿಗೆ ಇಮೇಲ್ ಎಚ್ಚರಿಕೆ ಏಕೀಕರಣ

ಅಪಾಚೆ ಫ್ಲಿಂಕ್‌ನಲ್ಲಿ ಇಮೇಲ್ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಅನ್ವೇಷಿಸಲಾಗುತ್ತಿದೆ

ಅಪಾಚೆ ಫ್ಲಿಂಕ್‌ನ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಉಪಕರಣವನ್ನು ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲ್ವಿಚಾರಣೆಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಸ್ಟ್ರೀಮ್ ಪ್ರೊಸೆಸಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಅಡಚಣೆಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮೆಟ್ರಿಕ್‌ಗಳ ದೃಶ್ಯ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಿಮ್ಮಂತಹ ತಂಡಗಳು ಕಾರ್ಯಾಚರಣೆಯ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವುದರಿಂದ, ನಿರ್ದಿಷ್ಟ ಮೆಟ್ರಿಕ್ ಮಿತಿಗಳ ಆಧಾರದ ಮೇಲೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಕಳುಹಿಸುವ ಸಾಮರ್ಥ್ಯವು ಅತ್ಯಗತ್ಯವಾಗಿರುತ್ತದೆ.

ಫ್ಲಿಂಕ್ UI ಗೆ ಇಮೇಲ್ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಸಂಯೋಜಿಸುವುದರಿಂದ ಮೆಟ್ರಿಕ್‌ಗಳು ಪೂರ್ವನಿರ್ಧರಿತ ಮಿತಿಗಳನ್ನು ಮೀರಿದಾಗ ತಕ್ಷಣವೇ ನಿರ್ವಾಹಕರಿಗೆ ಸೂಚಿಸುವ ಮೂಲಕ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಸುಗಮಗೊಳಿಸಬಹುದು. ಈ ಸಾಮರ್ಥ್ಯವು ನಿರಂತರ ಹಸ್ತಚಾಲಿತ ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಆದರೆ ನಿರ್ಣಾಯಕ ಸಮಸ್ಯೆಗಳಿಗೆ ವೇಗವಾದ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.

ಅಪಾಚೆ ಫ್ಲಿಂಕ್ ಇಮೇಲ್ ಎಚ್ಚರಿಕೆಗಳಿಗಾಗಿ ವಿವರವಾದ ಸ್ಕ್ರಿಪ್ಟ್ ವಿಶ್ಲೇಷಣೆ

ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳಲ್ಲಿನ ವೈಪರೀತ್ಯಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಎಚ್ಚರಿಕೆಗಳನ್ನು ಪ್ರಾರಂಭಿಸಲು ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳು ಅಪಾಚೆ ಫ್ಲಿಂಕ್‌ನ ಸ್ಟ್ರೀಮಿಂಗ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒದಗಿಸಿದವು. ಆಜ್ಞೆ DataStream<String> inputStream = env.socketTextStream("localhost", 9092); ಸಾಕೆಟ್‌ನಿಂದ ಡೇಟಾ ಸ್ಟ್ರೀಮ್ ಅನ್ನು ಹೊಂದಿಸುವ ಮೂಲಕ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ, ಇದು ಲೈವ್ ಡೇಟಾ ಮಾನಿಟರಿಂಗ್‌ಗೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಈ ಸ್ಟ್ರೀಮ್ ಅನ್ನು ನಂತರ ಫ್ಲಾಟ್‌ಮ್ಯಾಪ್ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಪಾರ್ಸ್ ಮಾಡಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಕೀ ಆಜ್ಞೆ parsedStream.keyBy(0) ಮೊದಲ ಟುಪಲ್ ಅಂಶದಿಂದ ಡೇಟಾವನ್ನು ಸಂಘಟಿಸುತ್ತದೆ, ಒಳಬರುವ ಡೇಟಾದ ಪರಿಣಾಮಕಾರಿ ಗುಂಪು ಮತ್ತು ವಿಂಡೊಯಿಂಗ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.

ಸಮಯ ಆಧಾರಿತ ವಿಂಡೊಯಿಂಗ್ ಅನ್ನು ನಿರ್ವಹಿಸಲು, ಆಜ್ಞೆ .window(TumblingEventTimeWindows.of(Time.minutes(1))) ಈವೆಂಟ್‌ಗಳನ್ನು ಒಂದು-ನಿಮಿಷದ ಮಧ್ಯಂತರಗಳಾಗಿ ಗುಂಪು ಮಾಡುತ್ತದೆ, ಇದು ಪ್ರತಿ ವಿಂಡೋದಲ್ಲಿ ಒಟ್ಟುಗೂಡಿದ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಸಮಯೋಚಿತ ಎಚ್ಚರಿಕೆಯ ಉತ್ಪಾದನೆಗೆ ಅವಶ್ಯಕವಾಗಿದೆ. ನ ಅಪ್ಲಿಕೇಶನ್ .apply(new AlertTrigger()) ನಂತರ ಮಿತಿಗಳನ್ನು ಮೀರಿದರೆ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಪ್ರಚೋದಿಸಲು ಪ್ರತಿ ವಿಂಡೋದಲ್ಲಿನ ಡೇಟಾವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ನಿರಂತರವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಪರಿಸರದಲ್ಲಿ ನೈಜ-ಸಮಯದ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಎಚ್ಚರಿಕೆಗಾಗಿ ಈ ಸೆಟಪ್ ನಿರ್ಣಾಯಕವಾಗಿದೆ.

ಫ್ಲಿಂಕ್‌ನ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್‌ನಲ್ಲಿ ಎಚ್ಚರಿಕೆಯ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಅಳವಡಿಸುವುದು

ಜಾವಾ ಮತ್ತು ಅಪಾಚೆ ಫ್ಲಿಂಕ್ API

import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.util.Collector;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import java.util.Properties;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer;
import org.apache.flink.shaded.jackson2.com.fasterxml.jackson.databind.node.ObjectNode;
// Define a function to parse the incoming stream
public static final class MetricParser implements FlatMapFunction<String, Tuple2<String, Integer>> {
    @Override
    public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {
        // Parse metrics from string to tuple
        String[] metrics = value.split(",");
        if(metrics.length == 2) {
            out.collect(new Tuple2<>(metrics[0], Integer.parseInt(metrics[1])));
        }
    }
}
// Function to evaluate metrics and trigger alert
public static final class AlertTrigger implements WindowFunction<Tuple2<String, Integer>, String, Tuple, TimeWindow> {
    @Override
    public void apply(Tuple key, TimeWindow window, Iterable<Tuple2<String, Integer>> input, Collector<String> out) throws Exception {
        int sum = 0;
        for(Tuple2<String, Integer> i : input) {
            sum += i.f1;
        }
        if(sum > 1000) {  // Threshold
            out.collect("Alert: High metric detected for " + key + "!");
        }
    }
}
// Set up Flink environment
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<String> inputStream = env.socketTextStream("localhost", 9092);
DataStream<Tuple2<String, Integer>> parsedStream = inputStream.flatMap(new MetricParser());
DataStream<String> alertStream = parsedStream.keyBy(0)
                                   .window(TumblingEventTimeWindows.of(Time.minutes(1)))
                                   .apply(new AlertTrigger());
alertStream.print();
env.execute("Apache Flink Alert System");

ಫ್ಲಿಂಕ್ ಎಚ್ಚರಿಕೆಗಳಿಗಾಗಿ ಬ್ಯಾಕೆಂಡ್ ಇಮೇಲ್ ಅಧಿಸೂಚನೆ ವ್ಯವಸ್ಥೆ

ಇಮೇಲ್ ಎಚ್ಚರಿಕೆಗಳಿಗಾಗಿ SMTP ಯೊಂದಿಗೆ ಪೈಥಾನ್

import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart
// Configuration for email
email = "your_email@example.com"
password = "your_password"
send_to_email = "target@example.com"
subject = "Flink Alert: High Metric Detected"
// Create message
message = MIMEMultipart()
message['From'] = email
message['To'] = send_to_email
message['Subject'] = subject
// Email body
body = "A high metric has been detected in the Flink stream processing. Immediate action is recommended."

ಫ್ಲಿಂಕ್‌ನ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಮೂಲಕ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದು

Apache Flink UI ನ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಕರೆ ಸ್ಟಾಕ್‌ನ ಅತ್ಯಾಧುನಿಕ ದೃಶ್ಯೀಕರಣವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಸಿಸ್ಟಮ್ ನಿರ್ವಾಹಕರು ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಡಚಣೆಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಗುರುತಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಸ್ಟ್ರೀಮಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಈ ಉಪಕರಣವು ವಿಶೇಷವಾಗಿ ಮೌಲ್ಯಯುತವಾಗಿದೆ, ಅಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಯ ಸಮಯದ ವಿತರಣೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಮೂಲಕ ನೇರವಾಗಿ ಇಮೇಲ್ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು ಬಾಕ್ಸ್ ಹೊರಗೆ ಬೆಂಬಲಿಸುವುದಿಲ್ಲ. ಬದಲಾಗಿ, ಕಾರ್ಯಕ್ಷಮತೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಸೂಚಿಸುವ ಮೆಟ್ರಿಕ್ ಮಿತಿಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ ಮೂಲಕ ಎಚ್ಚರಿಕೆಯ ಕಾರ್ಯವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಸಂಯೋಜಿಸುವ ಅಗತ್ಯವಿದೆ.

ಅಂತಹ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು, ಅಭಿವರ್ಧಕರು CPU ಲೋಡ್ ಅಥವಾ ಮೆಮೊರಿ ಬಳಕೆಯಂತಹ ನಿರ್ದಿಷ್ಟ ಸೂಚಕಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಫ್ಲಿಂಕ್ ಮೆಟ್ರಿಕ್ಸ್ API ಅನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು. ಒಮ್ಮೆ ಈ ಮೆಟ್ರಿಕ್‌ಗಳು ಪೂರ್ವನಿರ್ಧರಿತ ಮಿತಿಗಳನ್ನು ಮೀರಿದರೆ, ಅಧಿಸೂಚನೆಗಳನ್ನು ಕಳುಹಿಸಲು ಕಸ್ಟಮ್ ಎಚ್ಚರಿಕೆಯ ತರ್ಕವನ್ನು ಆಹ್ವಾನಿಸಬಹುದು. ಈ ಪೂರ್ವಭಾವಿ ವಿಧಾನವು ಸಿಸ್ಟಮ್ ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ವರ್ಧಿಸುತ್ತದೆ ಆದರೆ ಸಮಯೋಚಿತ ಮಧ್ಯಸ್ಥಿಕೆಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವ ಮೂಲಕ ಸ್ಟ್ರೀಮ್ ಪ್ರೊಸೆಸಿಂಗ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ಸ್ಥಿರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಫ್ಲಿಂಕ್‌ನ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಅಲರ್ಟಿಂಗ್‌ನಲ್ಲಿ ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

1. Apache Flink Flamegraph ಇಮೇಲ್ ಎಚ್ಚರಿಕೆಗಳನ್ನು ನೇರವಾಗಿ ಕಳುಹಿಸಬಹುದೇ?
2. ಇಲ್ಲ, ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಉಪಕರಣವು ಇಮೇಲ್ ಎಚ್ಚರಿಕೆಗಳನ್ನು ನೇರವಾಗಿ ಬೆಂಬಲಿಸುವುದಿಲ್ಲ. ಇಮೇಲ್ ಅಧಿಸೂಚನೆಗಳನ್ನು ನಿಭಾಯಿಸಬಲ್ಲ ಹೆಚ್ಚುವರಿ ಮಾನಿಟರಿಂಗ್ ಲಾಜಿಕ್‌ನೊಂದಿಗೆ ಇದನ್ನು ಸಂಯೋಜಿಸಬೇಕು.
3. ಅಪಾಚೆ ಫ್ಲಿಂಕ್‌ನ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್‌ನೊಂದಿಗೆ ನಾನು ಯಾವ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬಹುದು?
4. ನಿಮ್ಮ ಸ್ಟ್ರೀಮ್ ಪ್ರಕ್ರಿಯೆಯ ದಕ್ಷತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ನಿರ್ಣಾಯಕವಾಗಿರುವ CPU ಬಳಕೆ, ಮೆಮೊರಿ ಬಳಕೆ ಮತ್ತು ಸಂಸ್ಕರಣಾ ಸಮಯಗಳಂತಹ ವಿವಿಧ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ನೀವು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬಹುದು.
5. Flink ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಮೆಟ್ರಿಕ್‌ಗಳಿಗಾಗಿ ನಾನು ಎಚ್ಚರಿಕೆಗಳನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು?
6. ನಿರ್ದಿಷ್ಟ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಮತ್ತು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ನೀವು ಫ್ಲಿಂಕ್ ಮೆಟ್ರಿಕ್ಸ್ API ಅನ್ನು ಬಳಸಬೇಕಾಗುತ್ತದೆ. ಒಮ್ಮೆ ಮೆಟ್ರಿಕ್ ಮಿತಿಯನ್ನು ಮೀರಿದರೆ, ನೀವು ಕಸ್ಟಮ್ ಕೋಡ್ ಬಳಸಿ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಪ್ರಚೋದಿಸಬಹುದು.
7. ಥರ್ಡ್-ಪಾರ್ಟಿ ಅಲರ್ಟಿಂಗ್ ಟೂಲ್‌ಗಳೊಂದಿಗೆ ಫ್ಲಿಂಕ್ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಅನ್ನು ಸಂಯೋಜಿಸಲು ಸಾಧ್ಯವೇ?
8. ಹೌದು, Prometheus ಮತ್ತು Grafana ನಂತಹ ಸಾಧನಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಲು ಸಾಧ್ಯವಿದೆ, ನಂತರ ಇಮೇಲ್ ಅಧಿಸೂಚನೆಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಎಚ್ಚರಿಕೆಯ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಬಹುದು.
9. ಮೇಲ್ವಿಚಾರಣೆಗಾಗಿ ಫ್ಲೇಮ್ಗ್ರಾಫ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ ಏನು ಪ್ರಯೋಜನ?
10. ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ರನ್‌ಟೈಮ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅರ್ಥಗರ್ಭಿತ ದೃಶ್ಯೀಕರಣವನ್ನು ನೀಡುತ್ತದೆ, ಸಿಸ್ಟಮ್‌ನಲ್ಲಿ ನಿಧಾನ ಕಾರ್ಯಾಚರಣೆಗಳು ಅಥವಾ ಅಡಚಣೆಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಪತ್ತೆಹಚ್ಚಲು ಸುಲಭವಾಗುತ್ತದೆ.

ಫ್ಲಿಂಕ್ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಮತ್ತು ಎಚ್ಚರಿಕೆಯ ಏಕೀಕರಣದ ಅಂತಿಮ ಆಲೋಚನೆಗಳು

ಅಪಾಚೆ ಫ್ಲಿಂಕ್‌ನ ಫ್ಲೇಮ್‌ಗ್ರಾಫ್ ಸಿಸ್ಟಮ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ಬಗ್ಗೆ ವಿವರವಾದ ಒಳನೋಟಗಳನ್ನು ನೀಡುತ್ತದೆ, ಇದು ನೇರ ಎಚ್ಚರಿಕೆಗಾಗಿ ಅಂತರ್ನಿರ್ಮಿತ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿಲ್ಲ. ಎಚ್ಚರಿಕೆಯ ಕಾರ್ಯಚಟುವಟಿಕೆಗಳನ್ನು ಸಂಯೋಜಿಸಲು, ಅಭಿವರ್ಧಕರು ಕಸ್ಟಮ್ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಎಚ್ಚರಿಕೆಯ ಕಾರ್ಯವಿಧಾನಗಳೊಂದಿಗೆ ಫ್ಲಿಂಕ್‌ನ ಸ್ಥಳೀಯ ಸಾಧನಗಳನ್ನು ವಿಸ್ತರಿಸಬೇಕು. ಈ ವಿಧಾನವು ಪೂರ್ವಭಾವಿ ಸಿಸ್ಟಂ ನಿರ್ವಹಣೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಆದರೆ ತಕ್ಷಣದ ಸಮಸ್ಯೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಅನುಮತಿಸುವ ಮೂಲಕ ಕಾರ್ಯಾಚರಣೆಯ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಇದು ತಮ್ಮ ಸ್ಟ್ರೀಮಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಸಂಸ್ಥೆಗಳಿಗೆ ಮೌಲ್ಯಯುತವಾದ ತಂತ್ರವಾಗಿದೆ.