數(shù)據(jù)本地化是為了確保大數(shù)據(jù)集存儲在計(jì)算節(jié)點(diǎn)附近便于分析。對于Hadoop，這意味著管理數(shù)據(jù)節(jié)點(diǎn)，向MapReduce提供存儲以便充分執(zhí)行分析。它實(shí)用有效但也出現(xiàn)了大數(shù)據(jù)存儲集群的獨(dú)立操作問題。以下十項(xiàng)是Hadoop環(huán)境中管理大數(shù)據(jù)存儲技巧。
1.分布式存儲
傳統(tǒng)化集中式存儲存在已有一段時間。但大數(shù)據(jù)并非真的適合集中式存儲架構(gòu)。Hadoop設(shè)計(jì)用于將計(jì)算更接近數(shù)據(jù)節(jié)點(diǎn)，同時采用了HDFS文件系統(tǒng)的大規(guī)模橫向擴(kuò)展功能。
雖然，通常解決Hadoop管理自身數(shù)據(jù)低效性的方案是將Hadoop 數(shù)據(jù)存儲在SAN上。但這也造成了它自身性能與規(guī)模的瓶頸?，F(xiàn)在，如果你把所有的數(shù)據(jù)都通過集中式SAN處理器進(jìn)行處理，與Hadoop的分布式和并行化特性相悖。你要么針對不同的數(shù)據(jù)節(jié)點(diǎn)管理多個SAN，要么將所有的數(shù)據(jù)節(jié)點(diǎn)都集中到一個SAN。
但Hadoop是一個分布式應(yīng)用，就應(yīng)該運(yùn)行在分布式存儲上，這樣存儲就保留了與Hadoop本身同樣的靈活性，不過它也要求擁抱一個軟件定義存儲方案，并在商用服務(wù)器上運(yùn)行，這相比瓶頸化的Hadoop自然更為高效。
2.超融合VS分布式
注意，不要混淆超融合與分布式。某些超融合方案是分布式存儲，但通常這個術(shù)語意味著你的應(yīng)用和存儲都保存在同一計(jì)算節(jié)點(diǎn)上。這是在試圖解決數(shù)據(jù)本地化的問題，但它會造成太多資源爭用。這個Hadoop應(yīng)用和存儲平臺會爭用相同的內(nèi)存和CPU。Hadoop運(yùn)行在專有應(yīng)用層，分布式存儲運(yùn)行在專有存儲層這樣會更好。之后，利用緩存和分層來解決數(shù)據(jù)本地化并補(bǔ)償網(wǎng)絡(luò)性能損失。
3.避免控制器瓶頸(Controller Choke Point)
實(shí)現(xiàn)目標(biāo)的一個重要方面就是——避免通過單個點(diǎn)例如一個傳統(tǒng)控制器來處理數(shù)據(jù)。反之，要確保存儲平臺并行化，性能可以得到顯著提升。
此外，這個方案提供了增量擴(kuò)展性。為數(shù)據(jù)湖添加功能跟往里面扔x86服務(wù)器一樣簡單。一個分布式存儲平臺如有需要將自動添加功能并重新調(diào)整數(shù)據(jù)。
4.刪重和壓縮
掌握大數(shù)據(jù)的關(guān)鍵是刪重和壓縮技術(shù)。通常大數(shù)據(jù)集內(nèi)會有70%到90%的數(shù)據(jù)簡化。以PB容量計(jì)，能節(jié)約數(shù)萬美元的磁盤成本。現(xiàn)代平臺提供內(nèi)聯(lián)(對比后期處理)刪重和壓縮，大大降低了存儲數(shù)據(jù)所需能力。
5.合并Hadoop發(fā)行版
很多大型企業(yè)擁有多個Hadoop發(fā)行版本?？赡苁情_發(fā)者需要或是企業(yè)部門已經(jīng)適應(yīng)了不同版本。無論如何最終往往要對這些集群的維護(hù)與運(yùn)營。一旦海量數(shù)據(jù)真正開始影響一家企業(yè)時，多個Hadoop發(fā)行版存儲就會導(dǎo)致低效性。我們可以通過創(chuàng)建一個單一，可刪重和壓縮的數(shù)據(jù)湖獲取數(shù)據(jù)效率
6.虛擬化Hadoop
虛擬化已經(jīng)席卷企業(yè)級市場。很多地區(qū)超過80%的物理服務(wù)器現(xiàn)在是虛擬化的。但也仍有很多企業(yè)因?yàn)樾阅芎蛿?shù)據(jù)本地化問題對虛擬化Hadoop避而不談。
7.創(chuàng)建彈性數(shù)據(jù)湖
創(chuàng)建數(shù)據(jù)湖并不容易，但大數(shù)據(jù)存儲可能會有需求。我們有很多種方法來做這件事，但哪一種是正確的?這個正確的架構(gòu)應(yīng)該是一個動態(tài)，彈性的數(shù)據(jù)湖，可以以多種格式(架構(gòu)化，非結(jié)構(gòu)化，半結(jié)構(gòu)化)存儲所有資源的數(shù)據(jù)。更重要的是，它必須支持應(yīng)用不在遠(yuǎn)程資源上而是在本地數(shù)據(jù)資源上執(zhí)行。
不幸的是，傳統(tǒng)架構(gòu)和應(yīng)用(也就是非分布式)并不盡如人意。隨著數(shù)據(jù)集越來越大，將應(yīng)用遷移到數(shù)據(jù)不可避免，而因?yàn)檠舆t太長也無法倒置。
理想的數(shù)據(jù)湖基礎(chǔ)架構(gòu)會實(shí)現(xiàn)數(shù)據(jù)單一副本的存儲，而且有應(yīng)用在單一數(shù)據(jù)資源上執(zhí)行，無需遷移數(shù)據(jù)或制作副本。
8.整合分析
分析并不是一個新功能，它已經(jīng)在傳統(tǒng)RDBMS環(huán)境中存在多年。不同的是基于開源應(yīng)用的出現(xiàn)，以及數(shù)據(jù)庫表單和社交媒體，非結(jié)構(gòu)化數(shù)據(jù)資源(比如，維基百科)的整合能力。關(guān)鍵在于將多個數(shù)據(jù)類型和格式整合成一個標(biāo)準(zhǔn)的能力，有利于更輕松和一致地實(shí)現(xiàn)可視化與報告制作。合適的工具也對分析/商業(yè)智能項(xiàng)目的成功至關(guān)重要。
9. 大數(shù)據(jù)遇見大視頻
大數(shù)據(jù)存儲問題已經(jīng)讓人有些焦頭爛額了，現(xiàn)在還出現(xiàn)了大視頻現(xiàn)象。比如，企業(yè)為了安全以及操作和工業(yè)效率逐漸趨于使用視頻監(jiān)控，簡化流量管理，支持法規(guī)遵從性和幾個其它的使用案例。很短時間內(nèi)這些資源將產(chǎn)生大量的內(nèi)容，大量必須要處理的內(nèi)容。如果沒有專業(yè)的存儲解決方案很可能會導(dǎo)致視頻丟失和質(zhì)量降低的問題。