文章目录
1. 数据存储问题2. RAID技术的原理和思路2.1 常用RAID的原理介绍2.2 RAID间的性能比较 3. 大数据时代的分布式文件系统3.1 HDFS的稳固地位3.2 HDFS的技术架构核心组件 3.3 HDFS的高可用设计数据存储故障容错磁盘故障容错DataNode故障容错NameNode故障容错 3.4 HDFS保证系统可用性的策略冗余备份失效转移限流降级1. 数据存储问题
大数据技术主要是要解决大规模数据的计算处理问题，但是我们要想对数据进行计算，首先要解决的其实是大规模数据的存储问题。
在单机时代，如果需要保存文件的大小超过了我们计算机磁盘的大小，如何存储呢？主要的解决方案是通过RAID，对于文件存储，一般考虑数据存储的容量、数据的读写速度、数据的可靠性这3个问题，下面我们先对RAID的相关技术进行介绍。
2. RAID技术的原理和思路
RAID（独立磁盘冗余阵列）技术是将多块普通磁盘组成一个阵列，共同对外提供服务。主要是为了改善磁盘的存储容量、读写速度，增强磁盘的可用性和容错能力。在 RAID 之前，要使用大容量、高可用、高速访问的存储系统需要专门的存储设备，这类设备价格要比 RAID 的几块普通磁盘贵几十倍。
目前的服务器支持插入多块硬盘，通过RAID技术来实现数据在多块磁盘上的并发读写和数据备份，下面简单介绍常见的几种RAID技术。
2.1 常用RAID的原理介绍
RAID0RAID0是数据在从内存缓冲区写入磁盘时，根据磁盘数量将数据分成N份，这些数据同时并发写入 N 块磁盘，使得数据整体写入速度是一块磁盘的N倍；读取的时候也一样，因此RAID0具有极快的数据读写速度。但是RAID0不做数据备份，N块磁盘中只要有一块损坏，数据完整性就被破坏，其他磁盘的数据也都无法使用了。
下面是数据存储的示例：
RAID1
RAID1是数据在写入磁盘时，将一份数据同时写入两块磁盘，这样任何一块磁盘损坏都不会导致数据丢失，插入一块新磁盘就可以通过复制数据的方式自动修复，具有极高的可靠性。
下面是数据存储的示例：
RAID10
RAID10结合了RAID0和RAID1的方案：
将所有磁盘N平均分成两份，数据同时在两份磁盘写入，相当于 RAID1；在每一份磁盘里面，利用 RAID0技术并发读写；
这样既提高可靠性又改善性能。但RAID10的磁盘利用率较低，一半的磁盘用来备份数据。
下面是数据存储的示例：
RAID3
RAID3可以在数据写入磁盘的时候，将数据分成N-1份，并发写入N-1块磁盘，并在第N块磁盘记录校验数据，这样任何一块磁盘损坏（包括校验数据磁盘），都可以利用其他N-1块磁盘的数据修复。
这种技术方案会对第N块磁盘上频繁写入，会造成这块磁盘更容易损坏，需要频繁更换，不是一个好的解决方案。
RAID5
在RAID3方案的基础上，RAID5将校验数据固定写入第N块磁盘改为螺旋写入所有磁盘，这样就解决了RAID3方案中第N块磁盘频繁写导致容易损坏的问题。
下面是数据存储的示例：
RAID6
当数据需要更高可靠性的时候，出现同时损坏2块磁盘的情况下，仍然需要进行数据修复，就可以考虑使用RAID6了，数据只写入N-2块磁盘，使用2块磁盘螺旋式写入校验信息，两块磁盘上的校验信息使用不同的算法生成。
下面是数据存储的示例：
2.2 RAID间的性能比较
下表为N块相同磁盘数下，各RAID的情况比较：
3. 大数据时代的分布式文件系统
在计算机领域，提高算力和数据存储能力有2种思路，一种是升级计算机，也就是我们说的垂直伸缩，包括升级CPU、内存、磁盘等将1台计算机变得更强大，另外一种就是用分布式文件系统，称为水平伸缩，添加更多的计算机到系统中来提高算力。
上一篇文章也提到过，互联网公司现在都水平伸缩的道路，这就是近十年引导技术潮流的分布式与大数据技术。
实际上，将RADI的思想原理应用到分布式集群中，就形成了Hadoop分布式文件系统HDFS的架构思想。
3.1 HDFS的稳固地位
Google大数据三驾马车，第一驾就是GFS(Google文件系统)，Hadoop的第一个产品就是HDFS，分布式文件存储是分布式计算的基础。
HDFS作为最早的大数据存储系统，存储了各种数据资产，无论什么样的新技术，要想得到人们的广泛使用，必须支持HDFS才能够获取里面存储的数据，虽然HDFS不一定是最好的大数据存储技术，但它一定是最重要的大数据存储技术。
3.2 HDFS的技术架构
Hadoop分布式文件系统HDFS的设计目标是管理数以千计的服务器和磁盘，将大规模的服务器计算资源当作一个单一的存储系统进行管理，对应用程序提供数以PB计的存储容量，让应用程序像使用普通文件系统一样存储大规模的文件数据。
和RAID在多个磁盘上进行文件存储及并行读写的思路一样，将设计思想扩大到整个分布式服务器集群，就是HDFS的核心原理。HDFS部署在服务器集群上，集群中所有服务器的磁盘都可供HDFS使用。
下图是HDFS的架构图，其中包含2个关键组件DataNode和NameNode：
核心组件
DataNodeNameNode负责文件数据的存储和读写，HDFS将文件数据分割成若干数据块(Block)，每个DataNode存储一部分数据块，这样文件就分布存储到整个HDFS服务集群中了。
应用程序可对其进行数据访问，并且在集群中对数据并行访问，提高访问速度。
NameNode
NameNode负责整个分布式文件系统的元数据管理，包含了：文件路径名、数据块的ID和存储位置信息，这样就能够根据NameNode找到存储在DataNode中对应的数据了。
3.3 HDFS的高可用设计
HDFS为了保证数据的高可用，会将一个数据块复制为多份（缺省情况为 3 份），并将多份相同的数据块存储在不同的服务器上，甚至不同的机架上。这样当有磁盘损坏，或者某个DataNode服务器宕机，甚至某个交换机宕机，导致其存储的数据块不能访问的时候，客户端会查找其备份的数据块进行访问。
下面从不同的层面详细介绍一下HDFS的高可用设计。
数据存储故障容错
对存储在DataNode上的数据块，计算并存储校验和（CheckSum），读取数据的时候，重新计算读取出来的数据的校验和，正确表示数据正常。
磁盘故障容错
如果DataNode监测到本机的某块磁盘损坏，将该块磁盘上存储的所有BlockID报告给NameNode，NameNode检查这些数据块还在哪些DataNode上有备份，通知相应的DataNode服务器将对应的数据块复制到其他服务器上，保证数据块的备份数满足要求。
DataNode故障容错
DataNode通过心跳和NameNode保持通信，如果DataNode超时未发送心跳，NameNode就会认为这个DataNode已经宕机失效，立即查找这个DataNode上存储的数据块，通知其他存放相同数据块的服务器复制一份数据块到其他服务器上，保证HDFS存储的数据块备份数符合用户设置的数目。
NameNode故障容错
根据以上介绍能够看出，NameNode是HDFS的核心，所以对NameNode采用主从热备的方式提供高可用服务，通过ZooKeeper选举，争夺znode锁资源，获得主服务器资格，DataNode会相2个NameNode同时发生心跳，只有主NameNode才能向DataNode返回控制信息。
正常运行期间，主从NameNode之间通过一个共享存储系统shared edits来同步文件系统的元数据信息。当主NameNode服务器宕机，从NameNode会通过ZooKeeper升级成为主服务器，并保证HDFS集群的元数据信息，也就是文件分配表信息完整一致。
3.4 HDFS保证系统可用性的策略
冗余备份
任何的程序、数据，都至少要有一个备份，规模大的互联网企业甚至有多个数据中心，进行除了跨服务器的备份，还进行跨数据中心的备份，这也是所谓的异地多活。
失效转移
当要访问的程序或者数据无法访问时，需要将访问请求转移到备份的程序或者数据所在的服务器上。
限流降级
当大量的用户请求或者数据处理请求到达的时候，由于计算资源有限，可能无法处理如此大量的请求，进而导致资源耗尽，系统崩溃。拒绝部分请求称为限流，关不部分功能减少消耗称为降级。
限流是互联网应用的常备功能，因为超出负载能力的访问流量在何时会突然到来，你根本无法预料，所以必须提前做好准备，当遇到突发高峰流量时，就可以立即启动限流。
降级通常是为可预知的场景准备的，比如电商的“双十一”促销，为了保障促销活动期间应用的核心功能能够正常运行，比如下单功能，可以对系统进行降级处理，关闭部分非重要功能，比如商品评价功能。
参考文章
/hadoop/i1la1jyc.htmlhttps://pennywong.gitbooks.io/hadoop-notebook/content/introduction.html/qq_21127151/article/details/118449568
如果觉得《Hadoop大数据原理(2) - 分布式文件系统HDFS》对你有帮助，请点赞、收藏，并留下你的观点哦！
