مهندسی یک پلتفرم مدیریت ناوگان بلادرنگ برای اعزام هوشمند

پیشینه مشتری

مطالعه موردی: مهندسی یک پلتفرم مدیریت ناوگان بلادرنگ برای اعزام هوشمند
نقش: مهندس نرم‌افزار (ANZSCO 261313)
مکان مشتری: کنیا
هدف: ACS RPL برای مهاجرت مهارتی – ANZSCO 261313

این مشتری یک مهندس نرم‌افزار با 7 سال تجربه در ساخت سیستم‌های نرم‌افزاری بلادرنگ برای پلتفرم‌های لجستیک، تحویل و اعزام است. به‌عنوان توسعه‌دهنده‌ای کلیدی در یک شرکت فناوری لجستیک مستقر در نایروبی، مشتری در ساخت کل معماری بک‌اندِ یک سامانه هماهنگی ناوگان آگاه از موقعیت مشارکت داشت که به بیش از 80 اپراتور حمل‌ونقل و هزاران راننده در سراسر شرق آفریقا خدمت‌رسانی می‌کرد. مشتری دارای پیشینه دانشگاهی در مهندسی مکانیک است و از طریق هکاتون‌ها، کارآموزی‌ها و آموزش عملی به مهندسی نرم‌افزار گذار کرده است. از آنجا که مدارک دانشگاهی او غیرمرتبط با ICT بود، تصمیم گرفت درخواست ACS RPL برای ANZSCO 261313 – مهندس نرم‌افزار ارائه کند. نقش ما تهیه یک گزارش کامل RPL شامل حوزه‌های کلیدی دانش و دو گزارش پروژه بود.

گام 1: استخراج مهارت‌ها و خلاصه فناوری

بر اساس رزومه و مصنوعات پروژه، نقاط قوت مهندسی اصلی مشتری را شناسایی کردیم:

• طراحی معماری برای ردیابی بلادرنگ و رسیدگی به رویدادها
• توسعه الگوریتم‌های تخصیص وظایف بر پایه ژئوفنسینگ و برآوردهای ETA
• استریم، بافرینگ و کش کردن به‌روزرسانی‌های GPS با فرکانس بالا
• یکپارچه‌سازی با APIهای سرویس‌های ناوگان خارجی و ارائه‌دهندگان پرداخت
• به‌کارگیری اصول DevOps برای تضمین آپ‌تایم، تأخیر کم و قابلیت بازیابی

پشته فناوری و ابزارها:

• زبان‌ها: Python، TypeScript، Go
• فریم‌ورک‌ها: FastAPI، NestJS، Gin
• پایگاه‌های داده: PostgreSQL، Redis، MongoDB
• پیام‌رسانی و همگام‌سازی: Kafka، RabbitMQ، WebSockets
• خدمات مکان‌محور: Google Maps API، Mapbox، OpenStreetMap
• ابر و زیرساخت: AWS (EC2، S3، Lambda، RDS)، Docker، Kubernetes، Terraform
• پایش: Prometheus، Grafana، ELK stack
• امنیت: OAuth2، JWT، HTTPS (TLS 1.2/1.3)

گام 2: حوزه‌های کلیدی دانش

در بخش حوزه‌های کلیدی دانش (KAA)، تجربه مهندسی نرم‌افزار مشتری را با معیارهای ارزیابی ACS انطباق دادیم.
الف) طراحی سیستم و معماری میکروسرویس
مشتری در طراحی سرویس‌های بک‌اند ماژولار برای:

• ردیابی خودرو
• موتور تصمیم‌گیری اعزام
• ذخیره‌سازی تاریخچه مسیر
• کنترل دسترس‌پذیری راننده
• اعلان‌های تحویل

همه سرویس‌ها به‌صورت میکروسرویس‌های داکریزه‌شده مستقل توسعه یافتند و با استفاده از GitHub Actions برای خودکارسازی CI/CD در کلاسترهای AWS ECS استقرار داده شدند.
«هر میکروسرویس به‌صورت ناهمگام از طریق تاپیک‌های Kafka ارتباط برقرار می‌کرد تا از کوپلینگ شدید جلوگیری شود و در زمان جهش به‌روزرسانی‌های موقعیت جغرافیایی امکان کاهش بار فراهم شود.»
ب) پردازش داده بلادرنگ و بهینه‌سازی کارایی
از استریمینگ Kafka برای پردازش بیش از 20 پینگ GPS در ثانیه به‌ازای هر خودرو استفاده شد. Redis به‌عنوان یک بافر مبتنی بر TTL برای ذخیره محلی داده‌های اخیر جهت نقاط پایانی با دسترسی سریع به‌کار گرفته شد. سامانه‌ها با Locust برای شبیه‌سازی به‌روزرسانی‌های GPS در مقیاس کامل تحت آزمون بار قرار گرفتند.
ج) توسعه و یکپارچه‌سازی امن API
APIهای REST و GraphQL برای:

• آغاز وظایف
• اختصاص کار به رانندگان
• بازیابی برآوردهای ETA
• ارسال هشدار برای تحویل‌های انجام‌شده یا به‌تعویق‌افتاده

همه APIها از OAuth2 با مدیریت نشست مبتنی بر JWT استفاده کردند تا فقط کلاینت‌های مجاز بتوانند از آن‌ها استفاده کنند.
د) DevOps و تحمل خطا
مشتری برای همه سرویس‌های کانتینری‌شده بررسی سلامت، هندلرهای خاموش‌سازی ایمن و منطق بازیابی خودکار را پیاده‌سازی کرد. هشدارهای مبتنی بر سنجه‌های Prometheus از طریق یکپارچه‌سازی با Slack برای پشتیبانی 24/7 هدایت شدند.

گام 3: گزارش پروژه 1

عنوان پروژه: سامانه ردیابی GPS بلادرنگ و مدیریت اعزام
نقش: مهندس نرم‌افزار مدت: ژانویه 2020 – مه 2021
هدف: طراحی یک بک‌اند نرم‌افزاری بلادرنگ که قادر به دریافت بیش از 100,000 پینگ GPS در دقیقه باشد و بر اساس نزدیکی، بازه زمانی تحویل و بهینه‌سازی بار کاری، به‌صورت هوشمند رانندگان را به وظایف تحویل اختصاص دهد.

مسئولیت‌ها:

• طراحی معماری استریم رویداد مبتنی بر Kafka برای دریافت پیام‌های موقعیت از دستگاه‌های میدانی
• ساخت یک سرویس FastAPI مبتنی بر Python برای تخصیص هوشمند وظایف با استفاده از ژئوفنسینگ و سنجه‌های ETA تا مشتری
• به‌کارگیری فرمول هاورساین برای رتبه‌بندی رانندگان نزدیک‌تر به نقاط برداشت و ساخت نقاط پایانی API برای ارائه پیشنهادها
• ایجاد نواحی قابل‌پیکربندی ژئوفنس با استفاده از PostGIS، با امکان تعریف پوشش خدمت توسط مدیران
• توسعه بافر صف تحویل مبتنی بر Redis برای هر مرکز اعزام منطقه‌ای
• ایجاد API نشست راننده مبتنی بر HTTPS برای ورود/خروج رانندگان با توکن‌های امن OAuth2

فناوری‌های به‌کاررفته:

• Python (FastAPI)، PostgreSQL با PostGIS، Redis، Kafka
• Docker، AWS EC2، ECS، S3، GitHub Actions
• Prometheus + Grafana، ELK stack

نتایج به‌دست‌آمده:

• کاهش میانگین زمان تخصیص تحویل به کمتر از 4 ثانیه به‌ازای هر درخواست
• پلتفرم با حفظ زمان پاسخ API زیر یک ثانیه، بیش از 2.5 میلیون پینگ GPS روزانه را مدیریت کرد
• هزینه‌های عملیاتی به‌دلیل بهینه‌سازی مسیریابی اعزام 23% کاهش یافت
• نرخ پایبندی به SLA تحویل از 78% به 96.5% در کمتر از 6 ماه بهبود یافت

گام 4: گزارش پروژه 2

عنوان پروژه: پلتفرم تحلیل راننده و مدیریت تاریخچه مسیر
نقش: مهندس نرم‌افزار مدت: ژوئن 2021 – فوریه 2023
هدف: طراحی یک راهکار بک‌اند برای ذخیره‌سازی، فشرده‌سازی و تحلیل داده‌های تاریخی مسیر و سفر برای همه تحویل‌ها، جهت فراهم کردن داشبوردهای عملکرد برای عملیات و مربی‌گری رانندگان.

مسئولیت‌ها:

• توسعه میکروسرویسی مبتنی بر Go که رویدادهای تکمیل سفر را دریافت و لاگ‌های مسیر را برای بایگانی با استفاده از ذخیره‌سازی AWS S3 در صف قرار می‌دهد
• پیاده‌سازی پرس‌وجوهای بازه‌زمانی از طریق PostgreSQL برای دریافت دقت مسیر، انحراف‌های مسیر و تأخیرهای سفر توسط مدیران
• تجمیع داده‌ها در رکوردهای خلاصه روزانه در سطح راننده و ارسال شبانه آن‌ها به داشبوردهای تحلیلی با استفاده از Superset
• استفاده از FastAPI برای ارائه API بصری‌سازی داده جهت نمایش رانندگان برتر، سفرهای به‌تعویق‌افتاده و کل مسافت طی‌شده
• ترسیم ناهنجاری‌های مسیر با لایه‌گذاری روی کاشی‌های OpenStreetMap برای یکپارچه‌سازی در UI
• راه‌اندازی خط لوله بایگانی خودکار برای لاگ‌های قدیمی‌تر از 6 ماه از طریق تریگرهای زمان‌بندی‌شده Lambda

فناوری‌های به‌کاررفته:

• Go (Gin Framework)، PostgreSQL، AWS S3، Redis
• FastAPI، OpenStreetMap، Terraform، GitLab CI/CD
• Superset، ELK Stack

نتایج تحویل‌شده:

• امکان گزارش‌دهی عملکرد تفصیلی برای 2,500+ راننده بر اساس منطقه تحویل، نوع مسیر و نرخ موفقیت فراهم شد
• زمان رسیدگی به شکایات مشتریان با دسترسی به بازپخش مسیر سفرها 41% کاهش یافت
• خطاهای برنامه‌ریزی مسیر با بهره‌گیری از بینش‌های انحراف برای مربی‌گری رانندگان جدید 38% کاهش یافت
• بیش از 15TB داده مسیر بایگانی‌شده با میانگین تأخیر بازیابی کمتر از 1.2 ثانیه نگهداری شد

گام 5: بازبینی و ارسال

پس از تکمیل حوزه‌های کلیدی دانش و هر دو گزارش پروژه، یک بازبینی تفصیلی با مشتری انجام دادیم. به‌روزرسانی‌های درخواست‌شده شامل:

• توضیح نحوه استفاده از فیلترینگ مبتنی بر هاورساین در مقابل ETA گوگل مپس
• افزودن داده‌های تست بار از ماژول ردیابی مبتنی بر Kafka

این موارد ظرف 48 ساعت تکمیل شد. گزارش نهایی RPL مطابق با انتظارات ACS قالب‌بندی شد، از بررسی‌های سرقت ادبی عبور کرد و ارسال شد.
مشتری ظرف چهار هفته ارزیابی مهارت مثبت از ACS تحت ANZSCO 261313 دریافت کرد و مسیر برای درخواست ویزای مهاجرت مهارتی او هموار شد.

نتیجه‌گیری

این مطالعه موردی نشان می‌دهد چگونه یک مهندس نرم‌افزار فعال در حوزه لجستیک و سامانه‌های بلادرنگ می‌تواند با نمایش بنیان‌های قوی در معماری سیستم، ارائه API، رویه‌های DevOps و مدیریت داده مقیاس‌پذیر، شایستگی‌های ACS را برآورده کند.
با نتایج واقعی پروژه مانند بهینه‌سازی زمان اعزام، بینش‌های پایش راننده و ورود داده‌های حجیم، مشارکت‌های مشتری تطابق روشنی با استانداردهای مهندسی نرم‌افزار تعریف‌شده توسط ACS فراهم کرد.