大数据学习：分布式文件系统的伸缩性设计

Hadoop当中负责分布式存储的HDFS，被定义为分布式文件系统，对于进入到平台当中的数据，提供高效的、可容错、可扩展的数据存储，这得益于分布式文件系统的一个重要特性——伸缩性。今天的大数据学习分享，我们就来讲讲分布式文件系统的伸缩性设计。

分布式文件系统当中，主从式的架构设计，使得伸缩性也基于存储节点和中心节点两个层面去实现。


1、存储节点的伸缩

当在集群中加入一台新的存储节点，则它主动向中心节点注册，提供自己的信息，当后续有创建文件或者给已有文件增加数据块的时候，中心节点就可以分配到这台新节点了，比较简单。但同时也需要解决一些相应产生的问题——

1）如何尽量使各存储节点的负载相对均衡？

首先要有评价存储节点负载的指标。可以从磁盘空间使用率考虑，也可以从磁盘使用率+CPU使用情况+网络流量情况等做综合判断。一般来说，磁盘使用率是核心指标。

其次在分配新空间的时候，优先选择资源使用率小的存储节点；而对已存在的存储节点，如果负载已经过载、或者资源使用情况不均衡，则需要做数据迁移。

2）怎样保证新加入的节点，不会因短期负载压力过大而崩塌？

当系统发现当前新加入了一台存储节点，显然它的资源使用率是最低的，那么所有的写流量都路由到这台存储节点来，那就可能造成这台新节点短期负载过大。因此，在资源分配的时候，需要有预热时间，在一个时间段内，缓慢地将写压力路由过来，直到达成新的均衡。

3）如果需要数据迁移，那如何使其对业务层透明?

在有中心节点的情况下，这个工作比较好做，中心节点就包办了——判断哪台存储节点压力较大，判断把哪些文件迁移到何处，更新自己的meta信息，迁移过程中的写入怎么办，发生重命名怎么办，无需上层应用来处理。

如果没有中心节点，那代价比较大，在系统的整体设计上，也是要考虑到这种情况，比如ceph，它要采取逻辑位置和物理位置两层结构，对Client暴露的是逻辑层(pool和place group)，这个在迁移过程中是不变的，而下层物理层数据块的移动，只是逻辑层所引用的物理块的地址发生了变化，在Client看来，逻辑块的位置并不会发生改变。

2、中心节点的伸缩

如果有中心节点，还要考虑它的伸缩性。由于中心节点作为控制中心，是主从模式，那么在伸缩性上就受到比较大的限制，是有上限的，不能超过单台物理机的规模。我们可以考虑各种手段，尽量地抬高这个上限。有几种方式可以考虑：

以大数据块的形式来存储文件——比如HDFS的数据块的大小是64M，ceph的的数据块的大小是4M，都远远超过单机文件系统的4k。它的意义在于大幅减少meta data的数量，使中心节点的单机内存就能够支持足够多的磁盘空间meta信息。

中心节点采取多级的方式——顶级中心节点只存储目录的meta data，其指定某目录的文件去哪台次级总控节点去找，然后再通过该次级总控节点找到文件真正的存储节点；

中心节点共享存储设备——部署多台中心节点，但它们共享同一个存储外设/数据库，meta信息都放在这里，中心节点自身是无状态的。这种模式下，中心节点的请求处理能力大为增强，但性能会受一定影响。

关于大数据学习，分布式文件系统的伸缩性设计，以上就为大家做了简单的介绍了。关于伸缩性，这是影响分布式文件系统性能的重要指标之一，在架构层面就需要先做好构想。成都加米谷大数据，专业大数据培训机构，大数据开发、数据分析与挖掘，零基础班本月正在招生中，课程大纲及试听课程可联系客服获取！