大数据存算分离研究和实践——存算分离架构与存算一体架构之比较
11
星期一
2021年1月
验“金”室
企业的数字化转型离不开大数据的加持，近年来，随着大数据应用的广泛普及，传统的存算一体架构弊端逐步显现。例如，随着时间推移，数据量逐渐增加，导致经常出现扩容的需求，而计算存储合一方案要求扩容磁盘必须带上计算节点，计算需求没有明显增长，导致计算资源浪费越来越严重。再比如，存储容量缓慢线性增加，但业务高峰期与低峰期计算资源变化很大，计算资源无法随业务量增长和降低进行独立扩缩容。所有这些都会造成硬件成本陡增，带来机房、功耗、制冷等运维成本增加。从业务需求和大数据技术发展趋势看，大数据计算与存储分离已势在必行。
一、存算一体化架构
1.集群运维
单集群租户隔离不完全，资源调度存在互相影响性；集群故障风险随着集群规模增大而剧增，节点版本升级迫使全量业务升级，影响范围大；集群扩容缩容需人工确认集群状况，无法达到灵活高效；存储采用预留水位模式，容易浪费，不同集群数据无法共享，存在大量重复保存情况。
图1 传统存算一体化架构
2.数据运用
传统协议模式下，HDFS无法提供多种协议支持，多应用场景数据流动较乱，数据难以共享；数据割裂造成管理成本增加，需要通过不同软件管理多套存储。
图2 传统协议模式
3.资源调度
传统调度依赖于Yarn，没有集群自动扩缩容能力,且集群扩缩容以设定的vcore和指定特定的内存与存储配比为单位，计算资源与存储资源耦合，扩容容易造成资源的浪费。
图3 传统Yarn调度
4.副本机制
传统存算一体架构采用三副本直接存储至本地盘，通过数据过度冗余方式达到数据可靠性，自建集群规模受制于成本、总吞吐量有限，受制于元数据存储性能，单Block一般为64M，单Block完整存于3块硬盘，读写受硬盘物理吞吐量限制。
图4 标准Hadoop存储架构
二、存算分离架构
存算分离方案针对存算一体架构的弊端做出改进，具有以下优点：
1.集群运维
存算分离方案提供了集群隔离和物理多租的能力，有效降低故障域；支持多版本共存，避免了大规模升级的人力物力浪费；计算集群和存储集群支持独立自动弹性伸缩，极大提升灵活性；多集群可以使用一份共享数据，解决数据重复存储的问题。
图5 集群运维
2.数据使用
集群内部提供一份数据支持多种协议的能力，数据只保存一份，避免数据多次拷贝，提高分析效率，且节约数据保存成本，简化接入和使用流程。
图6 一份数据支持多种协议
3.资源调度
在存算分离方案中，资源调度依赖于K8s，去除单独Yarn开销，提升资源利用，可以同时支撑多业务集群调度（大数据、AI、云原生微服务），深度集成了计算集群节点自动扩缩容能力，充分发挥出云计算的优势。
图7 基于K8s调度
4.存储层
存储层采用条带化数据存储，数据分条（256K~512K）相比于原生64-128MB BlockSize，数据分散到更多的存储磁盘上，存储池可供给TPS响应能力更强，条带化单文件切分更细，使数据访问能够使用更多磁盘的性能条带化数据优势，实现超过本地盘的性价比能力。
图8 条带化数据存储
存储池和计算算力资源解耦，存储池动态按需扩容，并对业务无感知；存储池所在的存储集群有着规模效应，成本优势逐步显现。
存算分离方案采用纠删码（Erasure Coding，EC）代替三副本，保障数据可靠性。纠删码是一种数据保护方法，它将数据分割成片段，把冗余数据块扩展、编码，并将其存储在不同的位置，比如磁盘、存储节点或者其他地理位置。纠删码在故障恢复时会消耗大量的网络带宽和CPU处理能力，但在容错能力和存储效率上占有很大优势，能够以比较小的数据冗余度获得更高数据可靠性。
图9 纠删码代替三副本
三、总结
全新的存算分离架构可实现计算、存储资源在线分配与回收，快速响应资源灵活使用的需求，实现资源随时申请，随时使用；一份数据支持多集群共享、支持多协议访问，同时能够确保很好的数据可靠性。存算分离架构相比存算一体架构，具有性能与成本最优、兼具灵活性等特点，能够有效支撑企业大数据智慧化转型。
往期推荐
FCC30+
长按左边二维码
关注我们不迷路