Hedvig公司的首席執(zhí)行官兼創(chuàng)始人阿維納什·拉克希曼(Avinash Lakshman)說：“我們遇到的最大挑戰(zhàn)就是，兼顧數(shù)據(jù)局部性與規(guī)模和效率。”

數(shù)據(jù)局部性是指確保大數(shù)據(jù)集存儲在執(zhí)行分析任務(wù)的計算資源附近。對于Hadoop來說，這就意味著管理數(shù)據(jù)節(jié)點(DataNode)，而數(shù)據(jù)節(jié)點為MapReduce擁有足夠好的性能提供了存儲資源。它可以高效地工作，但是導(dǎo)致了另一個操作問題：大數(shù)據(jù)存儲孤島。本文介紹的這些要點有助于管理Hadoop環(huán)境中的大數(shù)據(jù)存儲。

1. 分散式存儲

集中式存儲作為傳統(tǒng)架構(gòu)已有一段時間。但是大數(shù)據(jù)其實并不適合集中存儲架構(gòu)。Infogix的金融服務(wù)行業(yè)(FSI)戰(zhàn)略和運(yùn)營經(jīng)理森希爾·拉賈曼尼坎(Senthil Rajamanickam)表示，Hadoop旨在讓計算資源更接近數(shù)據(jù)，同時充分利用HDFS文件系統(tǒng)的大規(guī)模橫向擴(kuò)展功能。

然而，解決Hadoop管理自有數(shù)據(jù)的低效問題的常見方法，一向是將Hadoop數(shù)據(jù)存儲在SAN上。而這帶來了性能和規(guī)模方面的一系列瓶頸?，F(xiàn)在，你的所有數(shù)據(jù)都通過集中式SAN控制器來處理，而控制器破壞了Hadoop的分布式、并行化的特性。你需要為多個數(shù)據(jù)節(jié)點管理多個SAN，或者將所有數(shù)據(jù)節(jié)點保存到一個SAN上。

拉克希曼說：“由于Hadoop是一種分布式應(yīng)用系統(tǒng)，它應(yīng)該可以在分布式存儲上運(yùn)行，那樣你的存儲保持與Hadoop本身一樣的彈性。這需要你積極采用軟件定義存儲方法，在商用服務(wù)器上運(yùn)行，但是它比把Hadoop放在傳統(tǒng)SAN或NAS技術(shù)上高效得多，因為后者給Hadoop造成了瓶頸。

2. 超融合vs分布式

不過要小心，別將超融合與分布式混為一談。某些超融合方法是分布式的，但這個術(shù)語通常意味著你的應(yīng)用程序和存儲可以共同駐留在同一個計算節(jié)點上。解決數(shù)據(jù)局部性問題很誘人，但是這會造成嚴(yán)重的資源爭奪現(xiàn)象。 Hadoop應(yīng)用和存儲平臺將爭奪同樣的內(nèi)存和處理器資源。拉克希曼表示，最好在專用的應(yīng)用層上運(yùn)行Hadoop，在專用的存儲層中運(yùn)行分布式存儲，從而充分利用緩存和分層技術(shù)，以解決數(shù)據(jù)局部性和網(wǎng)絡(luò)性能開銷。

3. 避免控制器阻塞點

他強(qiáng)調(diào)了做到這一點的一個重要方面――避免通過單一(或可能兩個)點(比如傳統(tǒng)控制器)來處理數(shù)據(jù)。通過改而確保存儲平臺并行化，就能顯著提高性能。

此外，這種方法提供了增量可擴(kuò)展性。為數(shù)據(jù)湖添加容量就跟添加幾臺內(nèi)置閃存或旋轉(zhuǎn)磁盤的x86服務(wù)器一樣簡單。分布式存儲平臺可在必要時自動添加容量、重新均衡數(shù)據(jù)。

4. 重復(fù)數(shù)據(jù)刪除和壓縮

駕馭大數(shù)據(jù)的一個關(guān)鍵部分是重復(fù)數(shù)據(jù)刪除和壓縮。Hedvig看到常見的大數(shù)據(jù)集可以縮減70%-90%。在PB級規(guī)模下，這意味著可節(jié)省數(shù)萬美元的磁盤成本。

拉克希曼說：“現(xiàn)代平臺提供了內(nèi)聯(lián)式(而不是處理后)重復(fù)數(shù)據(jù)刪除和壓縮。這意味著，如果不先以某種方式來縮減數(shù)據(jù)，數(shù)據(jù)永遠(yuǎn)不會進(jìn)入到磁盤，這大大減少了存儲數(shù)據(jù)所需的容量?！?

5. 整合Hadoop發(fā)行版

許多大組織都有多個Hadoop發(fā)行版?？赡苁怯捎陂_發(fā)人員需要訪問多個“版本”，或者業(yè)務(wù)部門久而久之采用了不同的版本。不管怎樣，IT總部常常最終負(fù)責(zé)這些集群的日常維護(hù)和操作。大數(shù)據(jù)數(shù)量真正開始影響業(yè)務(wù)時，存在多個Hadoop發(fā)行版會導(dǎo)致效率低下。

拉克希曼說：“你可以創(chuàng)建一個單一、經(jīng)過重復(fù)數(shù)據(jù)刪除的壓縮數(shù)據(jù)湖，然后它可以為Hadoop的多個實例提供數(shù)據(jù)，從而獲得數(shù)據(jù)效率?！?

6. 對Hadoop虛擬化處理

虛擬化技術(shù)在企業(yè)界刮起了一場風(fēng)暴。在許多地方，如今超過80%的物理服務(wù)器已虛擬化。不過由于性能和數(shù)據(jù)局部性問題，許多人避免了對Hadoop進(jìn)行虛擬化處理。

拉克希曼說：“你可以對Hadoop或Spark進(jìn)行虛擬化處理。”

7. 構(gòu)建彈性數(shù)據(jù)湖

構(gòu)建數(shù)據(jù)湖并非易事，但大數(shù)據(jù)存儲的需求可能需要數(shù)據(jù)湖。有許多方法可以著手構(gòu)建，可是哪一種才是合適的方法?合適的架構(gòu)有望構(gòu)建一個活躍、彈性的數(shù)據(jù)湖，可以存儲來自所有數(shù)據(jù)源、采用多種格式的數(shù)據(jù)，包括結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)。更重要的是，它必須支持就在數(shù)據(jù)源處執(zhí)行應(yīng)用程序，而不是從遠(yuǎn)程源處執(zhí)行，那樣需要移動數(shù)據(jù)。

遺憾的是，傳統(tǒng)的架構(gòu)和應(yīng)用程序(即非分布式)并不令人滿意。由于數(shù)據(jù)集變得更龐大，必須將應(yīng)用程序移到數(shù)據(jù)，而不是將數(shù)據(jù)移到應(yīng)用程序，因為那樣延遲太長。而有了Hadoop/Spark，分析工作流變得更具破壞性了，因為數(shù)據(jù)和應(yīng)用程序從不同的孤島來執(zhí)行，迫使數(shù)據(jù)移動并存儲到多個平臺上。

日立公司大數(shù)據(jù)分析高級產(chǎn)品營銷經(jīng)理弗雷德·歐(Fred Oh)說：“理想的數(shù)據(jù)湖基礎(chǔ)設(shè)施能夠存儲單一數(shù)據(jù)副本，并且讓應(yīng)用程序針對單一數(shù)據(jù)源執(zhí)行，沒必要移動數(shù)據(jù)或制作副本(比如在Linux、虛擬機(jī)和Hadoop之間)?！?

8. 集成分析

分析不是一種新的功能，多年來它就存在于傳統(tǒng)的RDBMS環(huán)境中。不同之處在于，出現(xiàn)了基于開源的應(yīng)用程序，以及能夠?qū)?shù)據(jù)庫表與社交媒體和非結(jié)構(gòu)化數(shù)據(jù)源(比如維基百科)集成起來。關(guān)鍵在于，能夠把多種類型和格式的數(shù)據(jù)集成為一種標(biāo)準(zhǔn)的數(shù)據(jù)，那樣就能更輕松、更一致地完成可視化和報告。擁有完成這項工作的合適工具集是確保任何分析/商業(yè)智能項目成功的關(guān)鍵。

歐說：“說到分析，重要的是要明白真正的挑戰(zhàn)不在可視化，而在數(shù)據(jù)集成，尤其是集成來自多個數(shù)據(jù)源、采用多種格式的數(shù)據(jù)。一套全面的數(shù)據(jù)集成工具和基于GUI的集成控制臺可以克服企業(yè)在大數(shù)據(jù)方面的挑戰(zhàn)?！?

9. 大數(shù)據(jù)遇上大視頻

大數(shù)據(jù)夠糟糕，大視頻更是為這個現(xiàn)象添加了壓力。比如說，企業(yè)日益使用視頻監(jiān)控，不僅僅出于安全性，還為了提高運(yùn)營和工業(yè)效率，簡化流量管理，支持監(jiān)管合規(guī)及另外幾種使用場合。很快，這些數(shù)據(jù)源會生成大量內(nèi)容。那些要處理大視頻的企業(yè)最好確保為此建立了合適類別的數(shù)據(jù)存儲系統(tǒng)，無論是不是基于Hadoop。

歐說：“這些應(yīng)用程序正在帶來大量的視頻數(shù)據(jù)，要是沒有合適的專用存儲解決方案，這些數(shù)據(jù)會帶來諸多問題，比如數(shù)據(jù)丟失和視頻質(zhì)量下降?！?

10. 沒有贏家

最近Hadoop無疑攻下了許多地盤。所以，隨著數(shù)據(jù)存儲量急劇增長，它會是最終贏家，擊敗其他所有方法嗎?不太可能。

比如說，由于OLTP方面的固有優(yōu)點以及要求100%的可用性，基于SAN的傳統(tǒng)架構(gòu)不會在近期被取代。但是如果需要分析以及與非結(jié)構(gòu)化數(shù)據(jù)(比如社交媒體)集成，那么評估超融合平臺就有引人入勝的理由，因為超融合平臺將服務(wù)器計算、分布式文件系統(tǒng)、Hadoop/Spark和更新穎的數(shù)據(jù)庫應(yīng)用軟件與基于開源的分析工具整合起來。

因此，最佳方法將超融合平臺與分布式文件系統(tǒng)整合起來，并集成了分析軟件?；贚inux的傳統(tǒng)RDBMS應(yīng)用(DWO和數(shù)據(jù)市場等)可滿足這個用途，Hadoop/Spark/MapReduce則應(yīng)對新的社交媒體挑戰(zhàn)，使用服務(wù)器虛擬化提供了靈活性和效率。但是這每種環(huán)境都可能形成不同的數(shù)據(jù)孤島。理想的方法就是同時支持這三種環(huán)境，并增添這種功能：可在數(shù)據(jù)源處執(zhí)行應(yīng)用程序，并減少分析工作流中的數(shù)據(jù)移動。

歐說：“成功的關(guān)鍵在于實施的系統(tǒng)考慮到了可擴(kuò)展性、分析集成和專業(yè)知識。最終，存儲專業(yè)人員需要預(yù)料未來的要求，而不僅僅著眼于存儲?！?

原文標(biāo)題：Big Data Storage: Top Ten Tips for Scaling Hadoop，作者：Drew Robb

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】