将hadoop的计算和存储分开能有效的提升性能

Hadoop HDFS DAS 容器 虚拟机

摘要

2015年，将hadoop的计算和存储分开成为一个重要的Hadoop主题。大数据解决方案提供商BlueData今年发表过多篇关于这个主题的文章。来自Gartner的Merv Adrian年初也在Twitter上表示，该主题已经成为业内的一个主要议题。近日，BlueData副总裁Anant Chintamaneni回顾了他与EMC大数据解决方案首席技术官Chris Harrold就此议题举办的网络研讨会的内容。

正文

2015年，将hadoop的计算和存储分开成为一个重要的Hadoop主题。大数据解决方案提供商BlueData今年发表过多篇关于这个主题的文章。来自Gartner的Merv Adrian年初也在Twitter上表示，该主题已经成为业内的一个主要议题。近日，BlueData副总裁Anant Chintamaneni回顾了他与EMC大数据解决方案首席技术官Chris Harrold就此议题举办的网络研讨会的内容。

从众心理导致人们将雅虎、Facebook或LinkedIn等早期大数据采用者的大数据实现方式视为实现大数据的唯一方式。大数据生态系统使得Hadoop成为下述内容的代名词：

• 一大堆装有Hadoop的专用物理服务器；
• Hadoop的计算和存储位于相同的硬件机器上；
• Hadoop需要使用直连式存储（DAS）

Anant认为，现在该废弃这些原则了。他给出了一种更好的实现大数据的方式，如下图所示：

新方法的指导思想主要有以下几项内容：

• Hadoop可以运行在容器或虚拟机上，即可以使用虚拟机或容器作为Hadoop节点。这种软件定义的基础设施可以提供干净的环境，保证部署的可预见性，而且交付速度更快，成本更低。在研讨会上，Chris曾着重说明了Adobe的虚拟化Hadoop部署。借助虚拟化，他们可以快速增加Hadoop的工作节点。另外，所有Hadoop供应商提供的“快速入门”选项都是在虚拟机或容器上运行Hadoop。Netflix已经基于虚拟化Hadoop集群构建出了出色的服务。
• “数据本地化（data locality）”的概念已过时。数据本地化妨碍了企业采用Hadoop，因为将TB级的数据复制到物理服务器，然后在每次有服务器宕机的时候进行数据平衡/再平衡，操作非常复杂，成本非常高昂。集群规模越大，情况越糟。像雅虎这样的互联网巨头之所以会那样做，是受以前的网络带宽所限。而现在，10Gbps的网络也已很常见。将Hadoop的计算和存储分开还可以简化操作，用户可以分别扩展和管理计算和存储系统。另外，还有一个事实，就是在许多常见的Hadoop场景中，即使计算和存储在一起，Hadoop任务也无法受益于数据本地化。
• HDFS并不需要本地磁盘，即Hadoop不需要本地直连式存储（DAS）。HDFS更多的是一种分布式文件系统协议，在本地磁盘上运行HDFS只是其中的一种实现方式。现如今，许多公司都拥有TB级的数据，且数据来源多样（音频、视频、文本等）。这些数据存储在共享的存储系统中，如EMC Isilon。BlueData和EMC Isilon提供了HDFS接口，允许将共享存储中的数据提供给Hadoop计算过程，而不需要复制数据。

Anant用BlueData一个客户的测试数据说明了新方法所带来的性能上的提升。图一是本地虚拟化Hadoop集群与物理Hadoop集群的对比：

（图一）

可以看出，虚拟化Hadoop集群的性能比得上或超过了物理Hadoop集群的性能。图二比较了使用共享存储和DAS的虚拟化Hadoop集群：

（图二）

可以看出，企业级NFS的性能要高于基于DAS的HDFS系统。

最后，Anant将网络研讨会的共识总结为以下几点：

• 大数据是一个旅程：基础设施要经得起未来的挑战
• 计算和存储分开可以为所有的大数据涉众提供更大的灵活性
• 不要根据“数据本地化”做大数据基础设施的决策

Anant期待更多的大数据部署使用共享存储，更多的部署使用容器和虚拟机，更多的企业将Hadoop的计算和存储分开。