大数据存储平台之异构存储实践深度解读

经常做数据处理的伙伴们肯定会有这样一种体会：最近一周内的数据会被经常使用到，而比如最近几周的数据使用率会有下降，每周仅仅被访问几次;在比如3月以前的数据使用率会大幅下滑，存储的数据可能一个月才被访问几次。

这就产生了一种热和冷数据，对需要频繁访问的数据我们称之为“热”数据，反之我们称之为”冷”数据，而处于中间的数据我们称之为”温”数据。

在数据被视为公司资产的时代，每个公司基本都会保存最近数年的数据，而这些数据尤其是冷数据的累积也给存储平台带来了甜蜜的负担。下面就来分享下如何解决这些“负担”。

首先如何定义数据为冷热数据呢，eBay公司根据数据年龄和使用频率来定义不失为一种办法，下图为eBay关于数据温度的定义

从hadoop2.6开始，HDFS更好的支持了这种冷热数据的分离存储，我们可以按HDFS路径指定其存储策略，目前HDFS支持的存储策略有：HOT、WARM、COLD、All_SSD、One_SSD、Lazy_Persist,我们着重介绍SSD相关的存储策略，具体如下：

• All_SSD - 用于将所有副本存储在SSD中
• One_SSD - 用于将其中一个副本存储在SSD中。剩余的副本存储在DISK中
• Lazy_Persist - 用于在内存中写入单个副本的块。该副本首先写入RAM_DISK，然后在DISK中延续

创建文件或目录时，其存储策略未指定。可以使用“hdfs dfsadmin -setStoragePolicy ”命令指定存储策略。文件或目录的有效存储策略由以下规则解决。

1. 如果文件或目录特定于存储策略，则返回。
2. 对于未指定的文件或目录，如果是根目录，则返回默认存储策略。否则，返回其父级的有效存储策略。

我们在实践过程中，因为有一部分实时分析的需求，一部分是历史数据的保存，历史数据很少参与计算，只需偶尔查询会用到。那么对于历史数据来说，我们可以使用一批计算能力较弱，而硬盘较多、容量较大的SATA盘，而实时分析的场景，需要高性能的计算力和硬盘吞吐能力，我们选用SSD硬盘来支撑，此外HDFS还提供了内存存储类型，但我们的内存还是有限，暂未使用到。实际上，我们的每台服务器的12块硬盘slot中有3个是SSD，其余9个是SATA。我们实践结果表明，使用这种策略的效果比以前好了4倍以上。

要使用存储策略，我们需要在在每个数据节点上hdfs-site.xml中参数dfs.datanode.data.dir配置的由逗号分隔的存储位置使用的存储类型进行标记。例如：

1. 使用[DISK]file:///dfs/dn来标识这个存储位置为普通硬盘
2. 使用[SSD]file:/// dfs/dn来标识这个存储位置为SSD硬盘

此外，默认情况下的存储格式为DISK。

下面介绍设置存储策略命令：

hdfsstoragepolicies -setStoragePolicy -path -policy 

相应的获取存储策略命令为：

hdfs storagepolicies -getStoragePolicy -path 

总结下：我们可以在一个限定的Hadoop集群中进行设置不同的磁盘使用不同的存储策略，还可以利用API将数据存储到不同的存储层。HDFS设计的详细存储类型和存储策略如下表，有兴趣的同学可以看看：

注：HDFS新加的ARCHIVE存储类型, 它是一种支持PB级的高容量存储但很少的 计算能力，用于归档数据使用，从上图可以看出冷数据适合使用archive存储类型。