云計算環(huán)境中的數(shù)據(jù)挖掘存儲管理設計

1.引言
    Hadoop提供了一個基于HDFs的簡單數(shù)據(jù)庫HBase，它的設計思想和數(shù)據(jù)模型都與Google開發(fā)的模型簡化的大規(guī)模分布式數(shù)據(jù)庫BigTabIe極為相似。HBase不支持完全的關系數(shù)據(jù)模型，只為用戶提供了簡單的數(shù)據(jù)模型，讓客戶來動態(tài)控制數(shù)據(jù)的分布和格式。從數(shù)據(jù)模型角度看，HBase是一個稀疏的、長期存儲的（存在硬盤上）、多維度的、排序的映射表。這張表的索引是行關鍵字、列關鍵字和時間戳。每個值是一個不解釋的字符數(shù)組，用戶需要自己解釋存儲的字串的類型和含義。這種模型具有很大的靈活性，通過仔細選擇數(shù)據(jù)表示，用戶可以控制數(shù)據(jù)的局部化。但是這種靈活性的代價就是不支持完全的關系數(shù)據(jù)模型，這導致傳統(tǒng)的數(shù)據(jù)存儲格式無法應用于HBase。Google自身的GFS是為網(wǎng)頁搜索功能量身定做的，采用BigTable的簡單數(shù)據(jù)模型可以以字符串形式靈活存儲網(wǎng)頁的URL、時間戳等信息。HDFS的設計完全借鑒了GFS的思想，因此從目前的版本來看，HDFS對網(wǎng)頁搜索具有較好的支持，但是對于使用傳統(tǒng)的關系數(shù)據(jù)模型的產(chǎn)品來說，HDFS并不是一個很好的選擇，因為它不能提供傳統(tǒng)的關系數(shù)據(jù)庫的相關功能。如上所述，以Hadoop為例，目前的開源解決方案并不完全適用于某公司的新產(chǎn)品需求，因此我們需要參照現(xiàn)有解決方案，設計符合自身需要的新方案。
   2.DDF的數(shù)據(jù)劃分策略
    面對大量的異構(gòu)的用戶數(shù)據(jù)，我們有必要對數(shù)據(jù)進行劃分，以期得到更好的查詢性能。
    數(shù)據(jù)劃分策略可分為垂直數(shù)據(jù)劃分（Horizontal panition）和水平數(shù)據(jù)劃分（VerticaI partition），在DDF中同時采用了這兩種劃分策略。垂直數(shù)據(jù)劃分是按照功能劃分：
    （1）首先把對象數(shù)據(jù)、查詢數(shù)據(jù)和其他數(shù)據(jù)劃分到不同的數(shù)據(jù)表中（數(shù)據(jù)庫的表）。
    （2）對于對象數(shù)據(jù)，由于是按對象類型（Object type）訪問的，那么我們可以進一步按照對象類型進行垂直劃分，把不同類型的對象數(shù)據(jù)劃分到相應的數(shù)據(jù)表中。
    （3）對于查詢數(shù)據(jù)，在目前的研究階段，也將其按照對象類型進行垂直劃分，存儲到相應的數(shù)據(jù)表中。
    另外，采用對象的全局標識（UID）的哈希值（Hash）進行水平劃分，從而將對象數(shù)據(jù)劃分到不同的數(shù)據(jù)節(jié)點（Datanode）的策略，需要面對數(shù)據(jù)遷移的問題，即當增加新的數(shù)據(jù)節(jié)點時，如何確保原有數(shù)據(jù)節(jié)點上的數(shù)據(jù)不進行或者盡量少進行遷移。
   3.DDF的數(shù)據(jù)存儲策略
    DDF借鑒了HDFS的設計思想，在架構(gòu)中引入了數(shù)據(jù)節(jié)點的概念，整個數(shù)據(jù)存儲策略的設計理念如下。
    （1）每個數(shù)據(jù)劃分只可能存放在同一個數(shù)據(jù)庫中，不允許一個數(shù)據(jù)劃分分裂存放在多個數(shù)據(jù)庫的情況出現(xiàn)。但是，具有相同數(shù)據(jù)對象類型的不同劃分可以存放在不同的數(shù)據(jù)庫中。
    （2）允許不同類型的數(shù)據(jù)（如對象數(shù)據(jù)和查詢數(shù)據(jù)）采用不同的劃分策略。
    （3）概念層次上的劃分和存儲層次上的數(shù)據(jù)庫是一個多對多的關系，也就是說，我們甚至可以將所有的劃分存放在同一個數(shù)據(jù)庫內(nèi)。這種極端情況同樣是被允許的。
    （4）當我們將一個劃分指定給一個數(shù)據(jù)庫時，它們的對應關系應被記錄，這樣在查詢數(shù)據(jù)時可以定位到正確的數(shù)據(jù)庫。
   4.DDF的節(jié)點劃分策略
    DDF的節(jié)點劃分策略是建立在數(shù)據(jù)劃分和數(shù)據(jù)存儲策略的基礎之上的，節(jié)點劃分策略從應用層面上描述了DDF各節(jié)點的功能。
    對于收到的遠程更新和查詢操作的請求，調(diào)度節(jié)點必須進行分析，以判斷這些操作的作用域。如果操作與當前位置的數(shù)據(jù)無關，那么這些更新和查詢操作會被拒絕。數(shù)據(jù)節(jié)點則應具有以下功能：
    （1）存儲數(shù)據(jù)。
    （2）處理索引相關的請求。
    （3）處理查詢請求。
    （4）負責部分對查詢結(jié)果進行分頁的功能。
    （5）創(chuàng)建并管理集合對象（對緩存的查詢）。
    （6）負責對過期數(shù)據(jù)進行處理，這包括刪除與過期數(shù)據(jù)相關的對象和索引。
    數(shù)據(jù)節(jié)點本身并不關心數(shù)據(jù)的位置問題，調(diào)度節(jié)點應該關心數(shù)據(jù)所處的位置。數(shù)據(jù)對象的全局標識符決定了它應該位于哪個位置。