不同大數(shù)據(jù)分析的存儲選擇

近來大數(shù)據(jù)分析這個詞正逐漸成為IT界流行的一個術(shù)語，以代指有關(guān)大數(shù)據(jù)本身的猜想，通俗說來即成堆數(shù)據(jù)背后問題的答案。然而，如果我們能夠從足夠的數(shù)據(jù)點(diǎn)入手比對及交叉分析，或許能幫助我們找到一些有用的數(shù)據(jù)，甚至可能幫助避免災(zāi)難。
    問題是顯而易見的，所有的分析都需要大量甚至海量的數(shù)據(jù)，這便給當(dāng)今的IT管理人員帶來了更新的挑戰(zhàn)，即如何捕獲、存取、以及分析這些數(shù)據(jù)并將從中得到的分析用于后續(xù)任務(wù)的執(zhí)行？
   大數(shù)據(jù)分析應(yīng)用通常會使用例如網(wǎng)絡(luò)流量、金融交易記錄以及敏感數(shù)據(jù)來替代傳統(tǒng)形式的內(nèi)容。數(shù)據(jù)本身的價值在于數(shù)據(jù)間的比對、關(guān)聯(lián)或者引用。對大數(shù)據(jù)的分析通常會意味著與大量的小數(shù)據(jù)對象打交道，而這些小數(shù)據(jù)對象往往對響應(yīng)延時要求非常之高。
    當(dāng)前業(yè)界主要有兩種大數(shù)據(jù)分析場景，而它們通常是根據(jù)數(shù)據(jù)處理的形式而區(qū)分：
    在實(shí)時使用場景下，響應(yīng)效率是最為關(guān)鍵的 ,因此大數(shù)據(jù)存儲架構(gòu)本身的設(shè)計(jì)需要滿足最小延時的功能。
    同步，即實(shí)時的或者近乎于實(shí)時的；另外一種就是異步的方式，這種方式下，數(shù)據(jù)首先會被獲取，記錄下來然后再用批處理進(jìn)程進(jìn)行分析。
   同步分析
    可以想到的近乎于實(shí)時的大數(shù)據(jù)分析的最早的例子就是超級市場里的工作人員是如何統(tǒng)計(jì)消費(fèi)者行為習(xí)慣以便于提供相應(yīng)的優(yōu)惠促銷券的。事實(shí)上是，消費(fèi)者購買行為計(jì)算很可能在用戶收銀前就已經(jīng)完成，但是概念本身是非常類似的。另外一個相關(guān)的例子是在線社交網(wǎng)站可以通過訪問用戶的行為建立屬于他們的行為數(shù)據(jù)庫，這樣就可以根據(jù)各自不同的消費(fèi)習(xí)慣提供不同的點(diǎn)對點(diǎn)廣告植入。
    在零售行業(yè)，一些大型商鋪正開始在停車場對前來購物的消費(fèi)者使用面部識別技術(shù)，這樣一旦他們路過或者經(jīng)過對應(yīng)的商鋪與之相應(yīng)的促銷信息便隨之而來。因此，在這樣一類的實(shí)時大數(shù)據(jù)分析場景中，速度是第一要素，故而大數(shù)據(jù)存儲架構(gòu)需要建設(shè)成為低延時的場景。
   針對同步大數(shù)據(jù)分析的存儲
    實(shí)時分析應(yīng)用通常會運(yùn)行在例如NoSQL之類的數(shù)據(jù)庫上，通常都能支持海量可擴(kuò)展的商用硬件上。Hadoop,從另一角度考慮，非常適合批量的數(shù)據(jù)處理，這種技術(shù)非常合適于異步大數(shù)據(jù)分析。由于在很多場合下，存儲本身會成為延時問題的瓶頸，那么固態(tài)存儲設(shè)備對于實(shí)時數(shù)據(jù)分析是很有幫助的。閃存存儲可以以多種形式進(jìn)行部署：作為傳統(tǒng)存儲磁盤陣列的一層，以NAS系統(tǒng)的方式，再或者以應(yīng)用服務(wù)器本身的方式都可以實(shí)現(xiàn)。
    這種服務(wù)器端的閃存實(shí)施方式廣受用戶歡迎，之所以這樣是由于它能夠?qū)崿F(xiàn)最低程度的延時（因該方式下的存儲最為接近CPU），并且提供了很靈活的容量選擇，幾百GB容量就可以實(shí)現(xiàn)。SAS/SATA接口的固態(tài)硬盤本身就是個選擇，但是近來我們看到PCIe板卡為接口的固態(tài)設(shè)備逐漸成了性能應(yīng)用（比如實(shí)時分析）的標(biāo)準(zhǔn)，因?yàn)橄鄬τ谇罢?，其延時更低。
    如今，業(yè)界有許多提供PCIe閃存存儲的公司，包括Fusion-io、LSI、Micron Technology、SanDisk、sTec（現(xiàn)在是HGST的一部分，作為Western DigITal的一個部門）、Violin Memory以及Virident （也被Western DigITal收購）。其它所有主流服務(wù)器及存儲廠商們也都提供PCIe解決方案，大多數(shù)是與這些公司通過了OEM協(xié)議。
    盡管PCIe卡最大容量已經(jīng)近乎于10 TB,但仍無法滿足用戶的需求，因此一個共享的存儲資源池也是需要考慮的。一個解決方案是使用Virident的FlashMAX Connect software,這種軟件可以實(shí)現(xiàn)將PCIe卡的資源通過服務(wù)器上的InfiniBand,進(jìn)行資源池化。
    這對擴(kuò)展閃存容量會非常有幫助，尤其是對于那些PCIe插槽不足的服務(wù)器或者需要使用VMware vSphere的Storage vMotion功能的時候。通過在不同服務(wù)器之間實(shí)現(xiàn)閃存的池化，這些解決方案可以提供冗余以及高可用性方面的支持。
    另外一個選擇是通過InfiniBand、光纖通道或者甚至PCIe的連接方式使用全閃存陣列。全閃存陣列的容量從10 TB到100 TB之間，可以以模塊的方式進(jìn)行擴(kuò)容。以全閃存陣列這類的高端解決方案可以提供至少100萬IOPS,相對應(yīng)到百萬微秒級別。大多數(shù)主流的存儲廠商都有相應(yīng)的全閃存陣列類別，除了IBM對Texas Memory的收購，小廠商都有類似的產(chǎn)品并提供了更多的選擇，他們中有Kaminario、Nimbus Data Systems、Pure Storage、Tegile、即將被思科收購的Whiptail以及Violin Memory.
   異步大數(shù)據(jù)分析
    異步處理的大數(shù)據(jù)分析中遵守了捕獲、存儲加分析的流程，過程中數(shù)據(jù)由傳感器、網(wǎng)頁服務(wù)器、銷售終端、移動設(shè)備等獲取，之后再存儲到相應(yīng)設(shè)備上，之后再進(jìn)行分析。由于這些類型的分析都是通過傳統(tǒng)的關(guān)系型數(shù)據(jù)庫管理系統(tǒng)（RDBMS）進(jìn)行的，數(shù)據(jù)形式都需要轉(zhuǎn)換或者轉(zhuǎn)型成為RDBMS能夠使用的結(jié)構(gòu)類型，例如行或者列的形式，并且需要和其它的數(shù)據(jù)相連續(xù)。
    處理的過程被稱之為提取、變形、加載或者稱為ETL.首先將數(shù)據(jù)從源系統(tǒng)中提取處理，再將數(shù)據(jù)標(biāo)準(zhǔn)化處理且將數(shù)據(jù)發(fā)往相應(yīng)的數(shù)據(jù)倉儲等待進(jìn)一步分析。在傳統(tǒng)數(shù)據(jù)庫環(huán)境中，這種ETL步驟相對直接，因?yàn)榉治龅膶ο笸菫槿藗兪熘慕鹑趫?bào)告、銷售或者市場報(bào)表、企業(yè)資源規(guī)劃等等。然而在大數(shù)據(jù)環(huán)境下，ETL可能會變得相對復(fù)雜，因此轉(zhuǎn)型過程對于不同類型的數(shù)據(jù)源之間處理方式是不同的。
    當(dāng)分析開始的時候，數(shù)據(jù)首先從數(shù)據(jù)倉儲中會被抽出來，被放進(jìn)RDBMS里以產(chǎn)生需要的報(bào)告或者支撐相應(yīng)的商業(yè)智能應(yīng)用。在大數(shù)據(jù)分析的環(huán)節(jié)中，裸數(shù)據(jù)以及經(jīng)轉(zhuǎn)換了的數(shù)據(jù)大都會被保存下來，因?yàn)榭赡茉诤竺孢€需要再次轉(zhuǎn)換。
   適用于異步大數(shù)據(jù)分析的存儲設(shè)備
    在異步大數(shù)據(jù)場景下對于存儲的調(diào)整主要來自于容量、可擴(kuò)展性、可預(yù)見性，尤其是提供這些功能的成本。當(dāng)數(shù)據(jù)倉庫產(chǎn)生大量數(shù)據(jù)集的時候，磁帶存儲的延時會顯得非常大以至于無法滿足業(yè)務(wù)需求。換而言之，傳統(tǒng)的向上擴(kuò)展的磁盤存儲架構(gòu)在相同容量標(biāo)準(zhǔn)下，往往并不能做到節(jié)約成本。
    橫向擴(kuò)展存儲。橫向擴(kuò)展存儲是使用模塊或者節(jié)點(diǎn)以群集的方式將資源池化，以文件系統(tǒng)的形式作為接口為大數(shù)據(jù)分析服務(wù)。例如有Dell EqualLogic、EMC Isilon、Exablox （also object-based）、Gridstore、HP StoreAll （之前叫Ibrix）以及IBM橫向擴(kuò)展NAS （SONAS）。這些解決方案里，每個節(jié)點(diǎn)都包含有處理能力及磁盤容量，它們能實(shí)現(xiàn)容量與性能的并行擴(kuò)展。
    Hadoop技術(shù)也被應(yīng)用于存儲架構(gòu)的方式，使得企業(yè)能夠以較低的硬件成本與較高的靈活性，搭建屬于它們自己的高可擴(kuò)展性存儲系統(tǒng)。Hadoop運(yùn)行在集群的不同節(jié)點(diǎn)上，每個節(jié)點(diǎn)都有自己的存儲及計(jì)算資源，尤其是在面對數(shù)據(jù)處理需求的時候。其它節(jié)點(diǎn)會協(xié)調(diào)這些處理任務(wù)并以分布式資源池的方式進(jìn)行處理，通常是以Hadoop分布式文件系統(tǒng)HDFS的形式存在。
   為什么Hadoop對大數(shù)據(jù)意義重大
    Hadoop得以在大數(shù)據(jù)應(yīng)用中廣泛應(yīng)用得益于其自身在數(shù)據(jù)提取、變形和加載（ETL）方面上的天然優(yōu)勢。Hadoop的分布式架構(gòu)，將處理引擎盡可能的靠近存儲，對例如像ETL這樣的批處理操作相對合適，因?yàn)轭愃七@樣操作的批處理結(jié)果可以直接走向存儲。Hadoop的MapReduce功能實(shí)現(xiàn)了將單個任務(wù)打碎，并將碎片任務(wù)發(fā)送（Map）到多個節(jié)點(diǎn)上，之后再以單個數(shù)據(jù)集的形式加載（Reduce）到數(shù)據(jù)倉庫里。
    但是對于Hadoop,特別是Hadoop分布式文件系統(tǒng)（HDFS）來說，數(shù)據(jù)至少需要三份以支持?jǐn)?shù)據(jù)的高可用性。對于TB級別的數(shù)據(jù)來說，HDFS看起來還是可行的，但當(dāng)達(dá)到PB級別海量數(shù)據(jù)的時候，其帶來的存儲成本壓力不可小覷。即便是可橫向擴(kuò)展存儲亦不能避免壓力本身，一些廠商選擇了使用RAID技術(shù)實(shí)現(xiàn)卷級別的保護(hù)，而在系統(tǒng)級別則使用了復(fù)制的方式。對象存儲技術(shù)可以提供面對大型環(huán)境的數(shù)據(jù)冗余問題的解決方案。
    對象存儲。基于對象的存儲架構(gòu)可以通過替代分層存儲架構(gòu)的方式，極大程度上提升可橫向擴(kuò)展存儲的優(yōu)勢，它使用的方式則是以單一索引來關(guān)聯(lián)靈活的數(shù)據(jù)對象。這將解決無限制擴(kuò)展問題，從而提升了性能本身。對象存儲系統(tǒng)包含了無需RAID或者復(fù)制作為數(shù)據(jù)保護(hù)的糾刪碼，極大程度上提升了存儲的使用效率。
    不像HDFS方式下需要兩份或者三份多余數(shù)據(jù)拷貝以及額外的RAID機(jī)制，對象存儲系統(tǒng)的糾刪碼可僅以50%-60%的額外容量就能達(dá)到更高的數(shù)據(jù)保護(hù)級別。在大數(shù)據(jù)存儲級別，對于存儲本身的節(jié)省將是非常重大的。許多對象存儲系統(tǒng)亦可選擇，包括Caringo、DataDirect Networks Web Object Scaler、NetApp StorageGRID、Quantum Lattus以及開源的 OpenStack Swift和 Ceph.
    一些對象存儲系統(tǒng)，比如Cleversafe的，甚至可以做到與Hadoop兼容。在這些項(xiàng)目的實(shí)施中，Hadoop軟件組件可以運(yùn)行在這些對象存儲節(jié)點(diǎn)的CPU上，對象存儲系統(tǒng)將替換存儲節(jié)點(diǎn)的Hadoop分布式文件系統(tǒng)。
   大數(shù)據(jù)存儲的底線
   大數(shù)據(jù)分析逐漸在IT行業(yè)成為了一個熱門的話題，越來越多的企業(yè)相信它將引領(lǐng)企業(yè)走向成功。然而任何事情都有兩個方面。這件事情上來看，就是現(xiàn)有存儲技術(shù)本身。傳統(tǒng)存儲系統(tǒng)不管是在需要極低延時響應(yīng)、實(shí)時大數(shù)據(jù)應(yīng)用或者還是面對海量數(shù)據(jù)倉儲的數(shù)據(jù)挖掘應(yīng)用的時候都會遇到瓶頸。為了保證大數(shù)據(jù)分析業(yè)務(wù)能正常運(yùn)行，相應(yīng)的存儲系統(tǒng)需要足夠快，可擴(kuò)展并且性價比有優(yōu)勢。
    對于閃存解決方案來說，不管是以服務(wù)器端flash卡的形式還是以全閃存陣列的形式，都提供了一些對于高性能、低延時、大容量存儲的替代解決方案?；趯ο蟮膸в胁翆懝δ芫幊痰目蓹M向擴(kuò)展架構(gòu)為使用傳統(tǒng)RAID以及復(fù)制方式的存儲結(jié)構(gòu)提供了一種能具備更高效率和更低價格的選擇。