分布式存储技术及应用

分布式存储技术及应用

根据did you know(https://www.360docs.net/doc/6113468594.html,/)的数据，目前互联网上可访问的信息数量接近1秭= 1百万亿亿 (1024)。毫无疑问，各个大型网站也都存储着海量的数据，这些海量的数据如何有效存储，是每个大型网站的架构师必须要解决的问题。分布式存储技术就是为了解决这个问题而发展起来的技术，下面让将会详细介绍这个技术及应用。

分布式存储概念

与目前常见的集中式存储技术不同，分布式存储技术并不是将数据存储在某个或多个特定的节点上，而是通过网络使用企业中的每台机器上的磁盘空间，并将这些分散的存储资源构成一个虚拟的存储设备，数据分散的存储在企业的各个角落。

具体技术及应用：

海量的数据按照结构化程度来分，可以大致分为结构化数据，非结构化数据，半结构化数据。本文接下来将会分别介绍这三种数据如何分布式存储。

结构化数据的存储及应用

所谓结构化数据是一种用户定义的数据类型，它包含了一系列的属性，每一个属性都有一个数据类型，存储在关系数据库里,可以用二维表结构来表达实现的数据。

大多数系统都有大量的结构化数据，一般存储在Oracle或MySQL的等的关系型数据库中，当系统规模大到单一节点的数据库无法支撑时，一般有两种方法：垂直扩展与水平扩展。

?垂直扩展：垂直扩展比较好理解，简单来说就是按照功能切分数据库，将不同功能的数据，存储在不同的数据库中，这样一个大数据库就被切分成多个小数据库，

从而达到了数据库的扩展。一个架构设计良好的应用系统，其总体功能一般肯定

是由很多个松耦合的功能模块所组成的，而每一个功能模块所需要的数据对应到

数据库中就是一张或多张表。各个功能模块之间交互越少，越统一，系统的耦合

度越低，这样的系统就越容易实现垂直切分。

?水平扩展：简单来说，可以将数据的水平切分理解为按照数据行来切分，就是将表中的某些行切分到一个数据库中，而另外的某些行又切分到其他的数据库中。为

了能够比较容易地判断各行数据切分到了哪个数据库中，切分总是需要按照某种

特定的规则来进行的，如按照某个数字字段的范围，某个时间类型字段的范围，

或者某个字段的hash值。

垂直扩展与水平扩展各有优缺点，一般一个大型系统会将水平与垂直扩展结合使用。

实际应用：图1是为核高基项目设计的结构化数据分布式存储的架构图。

图1可水平&垂直切分扩展的数据访问框架

?采用了独立的分布式数据访问层，后端分布式数据库集群对前端应用透明。

?集成了Memcached集群，减少对后端数据库的访问，提高数据的查询效率。

?同时支持垂直及水平两种扩展方式。

?基于全局唯一性主键范围的切分方式，减轻了后续维护的工作量。

?全局唯一性主键的生成采用DRBD+Heartbeat技术保证了可靠性。

?利用MySQL Replication技术实现高可用的架构。

注:以上的数据切分方案并不是唯一扩展MySql的方法，有兴趣的读者可以关注一下”云计算时代的MySQL-Clustrix Sierra分布式数据库系统”。

非结构化数据的存储及应用

相对于结构化数据而言,不方便用数据库二维逻辑表来表现的数据即称为非结构化数据,包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。分布式文件系统是实现非结构化数据存储的主要技术，说到分布式文件系统就不得不提GFS （全称为"Google File System"），GFS的系统架构图如下图所示。

图2 Google-file-system架构图

图3 Google-file-system架构图（详细）

GFS将整个系统分为三类角色：Client（客户端）、Master（主服务器）、Chunk Server（数据块服务器）。

?Client（客户端）：是GFS提供给应用程序的访问接口，它是一组专用接口，不遵守POSIX规范，以库文件的形式提供。应用程序直接调用这些库函数，并与该库

链接在一起。

?Master（主服务器）：是GFS的管理节点，主要存储与数据文件相关的元数据，而不是Chunk（数据块）。元数据包括：命名空间（Name Space），也就是整个文

件系统的目录结构，一个能将64位标签映射到数据块的位置及其组成文件的表

格，Chunk副本位置信息和哪个进程正在读写特定的数据块等。还有Master节点

会周期性地接收从每个Chunk节点来的更新（"Heart- beat"）来让元数据保持

最新状态。

?Chunk Server（数据块服务器）：负责具体的存储工作，用来存储Chunk。GFS将文件按照固定大小进行分块，默认是64MB，每一块称为一个Chunk（数据块），每

一个Chunk以Block为单位进行划分，大小为64KB，每个Chunk有一个唯一的

64位标签。GFS采用副本的方式实现容错，每一个Chunk有多个存储副本（默认

为三个）。 Chunk Server的个数可有有多个，它的数目直接决定了GFS的规模。

GFS之所以重要的原因在于，在Google公布了GFS论文之后，许多开源组织基于GFS的论文开发了各自的分布式文件系统，其中比较知名的有HDFS，MooseFS，MogileFS等。

实际应用：由于核高基的项目中未来会有大量的数据与应用需要存储，所以我们设计时也采用分布式文件系统的方案，由于开源的分布式文件系统可以基本满足我们需求，另外从时间上来说也比较紧张，所以我们采用了开源的MooseFS作为底层的分布式文件系统。

?MooseFS存在的问题：由于MooseFS是也是按照GFS论文设计的，只有一个Master （主服务器），虽然可以增加一个备份的日志服务器，但是还是存在Master无

法扩展的问题，当单一Master节点上存储的元数据越来越多的时候，Master节

点占用的内存会越来越多，直到达到服务器的内存上限，所以单一Master节点

存在内存上的瓶颈，只能存储有限的数据，可扩展性差，并且不稳定。

?对MooseFS的优化：面对MooseFS存在的问题，我们采用了类似分布式数据库中的“Sharding”技术，设计了一个分布式文件系统访问框架，可以做到对分布式文

件系统做垂直与水平切分。这样就最大限度的保证了MooseFS系统的可扩展性与

稳定性。

下图是为核高基项目设计的非结构化数据分布式存储的架构图。我们设计了两种访问方式，一种是类似GFS的API访问方式，以库文件的方式提供，应用程序通过调用API直接访问分布式文件系统。第二种是通过RESTful web Service访问。

图4可水平&垂直切分扩展的分布式文件系统访问框架（API版）

图5可水平&垂直切分扩展的分布式文件系统访问框架（RESTful web Service版）

半结构化数据的存储及应用

就是介于完全结构化数据（如关系型数据库、面向对象数据库中的数据）和完全无结构的数据（如声音、图像文件等）之间的数据，半结构化数据模型具有一定的结构性，但较之传

统的关系和面向对象的模型更为灵活。半结构数据模型完全不基于传统数据库模式的严格概念，这些模型中的数据都是自描述的。

由于半结构化数据没有严格的schema定义，所以不适合用传统的关系型数据库进行存储，适合存储这类数据的数据库被称作“NoSQL”数据库。

NoSQL的定义：

被称作下一代的数据库，具有非关系型，分布式，轻量级，支持水平扩展且一般不保证遵循ACID原则的数据储存系统。“NoSQL”其实是具有误导性的别名，称作Non Relational Database(非关系型数据库)更为恰当。所谓“非关系型数据库”指的是：

?使用松耦合类型、可扩展的数据模式来对数据进行逻辑建模(Map，列，文档，图表等)，而不是使用固定的关系模式元组来构建数据模型。

?以遵循于CAP定理（能保证在一致性，可用性和分区容忍性三者中中达到任意两个）的跨多节点数据分布模型而设计，支持水平伸缩。这意味着对于多数据中心和动

态供应（在生产集群中透明地加入/删除节点）的必要支持，也即弹性

(Elasticity)。

?拥有在磁盘或内存中，或者在这两者中都有的，对数据持久化的能力，有时候还可以使用可热插拔的定制存储。

?支持多种的‘Non-SQL’接口(通常多于一种)来进行数据访问。

图6是Sourav Mazumder提出的NoSQL总体架构：

图6 NoSQL总体架构

?接口：REST (HBase，CouchDB，Riak等)，MapReduce (HBase，CouchDB，MongoDB，Hypertable等)，Get/Put (Voldemort，Scalaris等)，Thrift (HBase，Hypertable，

Cassandra等)，语言特定的API(MongoDB)。

?逻辑数据模型：面向键值对的(Voldemort，Dynomite 等)，面向Column Family的(BigTable，HBase，Hypertable 等)，面向文档的(Couch DB，MongoDB等)，面

向图的(Neo4j， Infogrid等)

?数据分布模型：致性和可用性(HBase，Hypertable， MongoDB等)，可用性和可分区性(Cassandra等)。一致性和可分区性的组合会导致一些非额定的节点产生可

用性的损失。有趣的是目前还没有一个“非关系型数据库”支持这一组合。

?数据持久性：基于内存的(如Redis，Scalaris， Terrastore)，基于磁盘的(如MongoDB，Riak等)，或内存及磁盘二者的结合(如 HBase，Hypertable，

Cassandra)。存储的类型有助于我们辨别该解决方案适用于哪种类型。然而，在

大多数情况下人们发现基于组合方案的解决方案是最佳的选择。既能通过内存

数据存储支持高性能，又能在写入足够多的数据后存储到磁盘来保证持续性。

NoSQL中的重要理论基础：

CAP理论：

?C: Consistency 一致性

?A: Availability 可用性(指的是快速获取数据)

?P: Tolerance of network Partition 分区容忍性(分布式)

图7 CAP理论

CAP原理告诉我们，这三个因素最多只能满足两个，不可能三者兼顾。对于分布式系统来说，分区容错是基本要求，所以必然要放弃一致性。对于大型网站来说，分区容错和可用性的要求更高，所以一般都会选择适当放弃一致性。对应CAP理论，NoSQL追求的是AP，而传统数据库追求的是CA，这也可以解释为什么传统数据库的扩展能力有限的原因。

BASE模型：

说起来很有趣，BASE的英文意义是碱，而ACID是酸。真的是水火不容啊。

?Basically Availble –基本可用

?Soft-state –软状态/柔性事务

?Eventual Consistency –最终一致性

BASE模型是传统ACID模型的反面，不同于ACID模型，BASE强调牺牲高一致性，从而获得可用性或可靠性。

基本可用是指通过Sharding，允许部分分区失败。

软状态是指异步，允许数据在一段时间内的不一致，只要保证最终一致就可以了。

最终一致性是整个NoSQL中的一个核心理念，强调最终数据是一致的就可以了，而不是时时一致。

Quorum NRW：

图8 Quorum NRW

N: 复制的节点数，即一份数据被保存的份数。

R: 成功读操作的最小节点数，即每次读取成功需要的份数。

W: 成功写操作的最小节点数，即每次写成功需要的份数。

这三个因素决定了可用性，一致性和分区容错性。只需W + R > N，就可以保证强一致性。实际应用：今年上半年我在aspire的搜索团队中负责互联网搜索的设计与开发，我设计的网页爬虫系统就是采用Cassandra来存储网页与链接信息的。下面结合我的实际使用经验谈谈我对Cassandra的看法：

优点：

?弹性扩展：由于Cassandra是完全分布式的，使用时不需要再像使用MySQL那样自己设计复杂的数据切分方案，也不再配置复杂的DRBD+Heartbeat，一切都变得非

常简单了，只需要简单的配置就可以给一个集群中增加一个新的节点，而且对客

户端完全是透明的，不需要任何更改。

?灵活的schema：不需要象数据库一样预先设计schema，增加或者删除字段非常方便。

?使用简单：由于没有类似SQL这样复杂的查询语言，学习成本不高，很容易上手。缺点：

?稳定性差：在我们的实际使用过程中发现，单机数据量达到200G以上，时不时就会发生宕机现象。

?缺乏管理与分析工具：传统的关系型数据都有比较好用的管理与分析工具，使用这些工具可以轻松的管理数据库，查看数据，分析性能瓶颈等，而Cassandra确缺

少类似的工具，就连简单的查看一条数据，都要通过编程才能看到。