海量数据下的分布式存储与计算

存储

从理论角度

提到大数据存储nosql是不得不提的一个部分,CAP，BASE，ACID这些原理在过去的一些年对其有着一定的指导作用(近年来随着各种实时计算模型的发展，CAP也被渐渐打破)

CAP：（Consistency-Availability-Partition Tolerance
数据一致性（C）： 等同于所有节点访问同一份最新的数据副本；
对数据更新具备高可用性（A）： 在可写的时候可读, 可读的时候可写，最少的停工时间
能容忍网络分区（P）
eg：
传统数据库一般采用CA即强一致性和高可用性
nosql，云存储等一般采用降低一致性的代价来获得另外2个因素

ACID：按照CAP分法ACID是许多CA型关系数据库多采用的原则：
A：Atomicity原子性，事务作为最小单位，要么不执行要么完全执行
C：Consistency一致性，一个事务把一个对象从一个合法状态转到另一个合法状态，如果交易失败，把对象恢复到前一个合法状态。即在事务开始之前和事务结束以后，数据库的完整性约束没有被破坏
I：Isolation独立性（隔离性），事务的执行是互不干扰的，一个事务不可能看到其他事务运行时，中间某一时刻的数据。
D：Durability：事务完成以后，该事务所对数据库所作的更改便持久的保存在数据库之中，并不会被回滚

BASE：一般是通过牺牲强一致性，来换取可用性和分布式
BA：Basically Aavilable基本可用：允许偶尔的失败，只要保证绝大多数情况下系统可用
S：Soft State软状态：无连接？无状态？
E：Eventual Consistency最终一致性：要求数据在一定的时间内达到一致性
以云存储为例：目前的云存储多以整体上采用BASE局部采用ACID，由于使用分布式使用多备份所以多采用最终一致性

Nosql常见的数据模型有key/value和Schema Free（自由列表模式）两种，
key/value，每条记录由2个域组成，一个作为主键，一个存储记录的数据（mongodb）
Schema Free， 每条记录有一个主键，若干条列组成，有点类似关系型数据库（hbase）

在实现这些模型的时候基本使用2种实现方式：哈希加链表，或者B+树的方式

哈希加链表：通过将key进行哈希来确定存储位置，相同哈希值的数据存储成链表

基本的hash寻址算法有除法散列法，平方散列法，斐波那契（Fibonacci）散列法等，但是java是这样做的

static int indexFor(int h, int length) {  
       return h & (length-1);  
   }  
java会用key的hashcode值与数组的槽数-1进行与运算
这里会有一个问题只有当数组的槽数为2的n次方-1，其二进制全是1的（如2的2次方-1=11）的时候哈希值产生碰撞的概率是最小的
所以在java中hashmap的数组的初始大小是16（2的4次方）

hashmap的问题

hashmap的resize：
当不断put数据使数据慢慢变大的时候，刚开始的数组已经不能满足需求了，我们需要扩大数组的槽数
hashmap中有loadFactor属性，该属性默认为0.75，即元素个数达到数组的百分之七十五的时候，数组槽数会进行翻倍，并且之前已存入的数据会重新进行计算。
 
so：如果我们可以预估我们会在hashmap中存放1000个数据，那么我们就要确保数组的槽数乘上0.75大于1000，我们得到1366，如果我们这样写new HashMap(1366)，java会自动帮我们转换成new HashMap(2048)（2的n次方)

B+树：B+树的特点

1.节点中关键字数量与字节点数相同。　　
2.所有叶子结点中包含全部指向记录的指针
3.叶子结点按照自小而大顺序链接
5通常在B+树上有两个头指针，一个指向根结点，一个指向关键字最小的叶子结点
（爬虫会有深度优先，广度优先的算法）

来自百度的图

so：hash查找单条非常快
b+树，范围查找很快（深度优先，广度优先的遍历等）

需要一个可以排序的hash结构

空间换时间：跳表+hashtable实现可排序的hash

eg:ConcurrentSkipListMap

跳表结构

so：增，删，改（通过跳表）的复杂度为o（log（n））
查（通过hashtable）的复杂度为O（1）

当然我们不知道有结构化的数据，特别我们存储的数据是需要拿来进行复杂的数据挖掘算法，所以有的时候nosql并不能满足我们的需要

实际的数据

结构化
半结构化（我们的数据）
非结构化
海量（百T级别）
数据偶尔丢掉几条没关系
数据质量差

选择hdfs的原因

hdfs在设计之初考虑到了以下几个方面：
1，hdfs将采用大量稳定性差的廉价pc来做为文件存储设备，所以pc发生死机或硬盘故障的几率极高，应看作是常态，所以hdfs应该提供数据多备份，自动检测节点存活，和故障机器的自动修复
2，hdfs存储的大多是大文件，所以针对大文件的读写会作出优化
3，对于写入数据来说，系统会有很多追加操作，而很少会有随机读写
4，对于读取数据来说，大多数的操作是顺序读，很少有随机读

计算

从理论角度

离线计算      ：针对海量的，对实时性要求不是很高的数据
实时流计算  ：数据清洗，topn等应用场景
列存储 ：大表jion，海量数据实时查找
key-value ：对半结构化，非结构化数据的实时查找（结构灵活，适合项目初期的试错阶段）

内存和磁盘计算的区别

寻址
内存是通过电子工作的，所以搜索速度和物理结构无关，进行寻址时只需要微秒级别既可以
磁盘在寻址时需要1，移动磁头2，旋转磁盘  因为磁盘旋转的速度有限，所以寻址消耗毫秒别时间
*操作系统会将一个连续的数据存放在一起（win一般是4KB），这样磁盘旋转一周读取的数据就会多些，从而提高效率

传输速度
内存和硬盘的数据都会被读到cpu的缓存中，但是从内存到缓存和从硬盘到缓存的传输速度是差别很大的
内存到缓存的速度大概有7-8GB/秒,而磁盘到缓存的速度大概只有60MB/秒

so：因此内存计算和磁盘计算的速度差可以达到百万倍以上

离线计算

hadoop现了mapreduce的思想，将数据切片计算来处理大量的离线数据数据。

hadoop处理的数据必须是已经存放在支持的分布式文件系统上或者类似hbase的数据库中，所以hadoop实现的时候是通过移动计算到这些存放数据的机器上来提高效率

ps：针对hadoop我们的使用是开发一个类似pig的mdx框架，与pig的区别是我们的框架会更加的针对业务友好，业务人员只需要了解维度信息和需要的度量即可

实时流计算

storm是一个流计算框架，处理的数据是实时消息队列中的，所以需要我们写好一个topology逻辑放在那，接收进来的数据来处理，所以是通过移动数据平均分配到机器资源来获得高效率

列存储

提出region和Xfile概念（如hbase的HFILE和hive的rcfile以及yuntable的YFile）
根据key将数据分到不同的region，保存log，数据压缩并行列转置后存到Xfile，定期或使用内存到了一定阙值flash到硬盘

列存优点举例-

eg1：通过region和XFile过滤掉大量数据，如果对100g的数据做分析

通过region会过滤掉一大批数据
对于数值类型，每个xfile会有一个预统计（最大最小值）又会过滤掉一部分数据
假设还剩下2.5g的数据
对于频繁使用的数据会在内存中有缓存
假设命中2g
剩下的0.5g会已压缩的方式存放在硬盘（定长字段压缩比更大，当然数字的压缩比最大）
so-100g的查询=》2g的内存查找+0.5g的硬盘查找（内存寻址是硬盘寻址的几百万倍）

eg2：通过动态扩展列来进行大表的jion

google的bigtable进行cookie的join，是将一个几千万的用户行为的表jion到一张100亿行的cookie大表，它只需要将新的表根据cookie重新做一下索引即可，因为数据是列存储所以具体的数据存储不需要实际的硬盘移动，大大减少了jion的时间，尽管这个表有几十万的列但对查找几乎是没有影响的

key-value

存储非结构化数据

-eg：评论，问答

再看下数据

结构化
半结构化（我们的数据）
非结构化
海量（百T级别）
数据偶尔丢掉几条没关系
数据质量差

到目前为止我们的处理方案是：

离线分析（对实时性要求不高-hadoop）-结构化，半结构化，非结构化
实时分析（对实时性要求极高-storm）-结构化，半结构化，非结构化
实时查找（经常性对大量数据进行count等操作-infobright，hbase）-结构化，部分支持半结构化

有时我们需要对非结构化的数据做一些实时搜索的功能keyvalue搞不定怎么办--实时搜索（巧妙设计数据结构）

我们的做法是：

倒排索引

+关键字的前缀冗余

具体关键字的前缀冗余使用redis的zset完成，其本质也是一个hashtable+跳表的所以结构

这样存的时候需要切词，存储，key和关键字映射的存储，前缀和关键字映射的存储

但是读的时候是非常迅速的，如下图当用户输入J 就可以很快的找到关于java等的信息（当然还需要一些评分，权重算法）

服务架构需要考虑的问题：

CPU负载和I/O负载（计算密集型和io密集型）

CPU负载-计算密集型

所谓CPU负载就是通常的web服务等，这些服务基本上只消耗cpu，所以只要增加安装相同服务的服务器，然后就可已通过负载均衡器工作了

I/O负载-io密集型

1.数据的切割和在机器间的分配策略(原则是尽量移动计算而不是移动数据)
2.如何通过多备份来确保数据的可用性（确保多备份的一致性）
3.如何使集群针对性强的响应客户端的读写请求
4.如何实现集群中单台机器的热拔插
5.好的负载均衡策略
6.网络通信延迟，因为计算机运行的速度是微秒甚至纳秒，所以毫秒级别的延迟对程序来说性能损害是极大的

ps:我们平常使用的路由器一般pps（每秒转发数为几十万左右），所以一般的千兆以太网的极限就在几十万/秒
除此之外由于正常的路由器的ARP表上限为900左右
两个原因导致一个子网中机器不能过多，当集群中机器过多时就需要进行网络的层次话

虚拟化优点

1，扩展性-可以动态的迁移和复制，使得服务器增加变得更简单
2，提高资源利用率
3，降低运维成本（远程管理，环境更单一
异常行为局部化，使得主机控制更简单）
4，提高可用性（抽象硬件差异）
5,  调整负载（软件层面对负载进行控制，当监测到负载消耗异常可重启进程或者虚拟机）

缺点

1，虚拟机本身的损耗（cpu，内存）
2，网络性能损耗近一半
3，I/O性能略微降低0.5%左右