屈美娟 付良廷

摘要：大數(shù)據(jù)給各行業(yè)帶來新的發(fā)展機(jī)遇，面對各種復(fù)雜數(shù)據(jù)處理需求，高效的數(shù)據(jù)存儲(chǔ)是影響大數(shù)據(jù)應(yīng)用的重要因素，不僅決定了數(shù)據(jù)寫入效率，還會(huì)影響數(shù)據(jù)讀取。文章提出一種基于HDFS的寫預(yù)處理存儲(chǔ)系統(tǒng)，針對大數(shù)據(jù)應(yīng)用中復(fù)雜數(shù)據(jù)寫請求，使用聚類策略和文件拆分算法，對文件進(jìn)行預(yù)處理，同時(shí)提高數(shù)據(jù)讀取效率。通過仿真實(shí)驗(yàn)表明，能有效提高文件存儲(chǔ)的寫吞吐。

關(guān)鍵詞：存儲(chǔ);大數(shù)據(jù);寫緩存

中圖分類號(hào)：TP311.13 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2019）12-0140-03

1概述

以互聯(lián)網(wǎng)發(fā)展為依托的人工智能和物聯(lián)網(wǎng)技術(shù)，在改變生活方式的同時(shí)，也帶來了數(shù)據(jù)規(guī)模的持續(xù)攀升，加速了數(shù)據(jù)集的增長態(tài)勢。據(jù)統(tǒng)計(jì)，Baidu搜索引擎需要每天處理數(shù)據(jù)集達(dá)100PB，F(xiàn)acebook每天新增600TB數(shù)據(jù)。如何對這種超大規(guī)模數(shù)據(jù)進(jìn)行有效存儲(chǔ)和高效查詢，已經(jīng)成為人工智能和物聯(lián)網(wǎng)應(yīng)用的各行業(yè)普遍面臨的突出問題。如何構(gòu)建一套應(yīng)用于大數(shù)據(jù)存儲(chǔ)系統(tǒng)，能夠在存儲(chǔ)性能、功能、穩(wěn)定性、易用性等方面均有良好表現(xiàn)，是大數(shù)據(jù)存儲(chǔ)與管理面臨的重要問題。

本文在借鑒現(xiàn)有研究的基礎(chǔ)上，提出一種基于HDFS的寫緩存存儲(chǔ)系統(tǒng)，該系統(tǒng)在HDFS存儲(chǔ)上層構(gòu)建寫緩存層，在該層中對客戶端發(fā)出的寫請求文件進(jìn)行預(yù)處理工作，以形成固定大小文件，來簡化存儲(chǔ)過程，提高存儲(chǔ)效率。在預(yù)處理階段，依據(jù)數(shù)據(jù)訪問關(guān)聯(lián)度和關(guān)鍵字分組策略構(gòu)建預(yù)處理算法，按照存儲(chǔ)標(biāo)準(zhǔn)文件大小，對文件進(jìn)行預(yù)處理，以形成固定文件大小，一方面提高存儲(chǔ)效率，另一方面，便于還原原始文件，減少后期文件查詢的時(shí)間和系統(tǒng)開銷。

2設(shè)計(jì)思想

在大數(shù)據(jù)存儲(chǔ)系統(tǒng)中，面對不同大小文件復(fù)雜存儲(chǔ)請求，系統(tǒng)應(yīng)能夠靈活針對各自特點(diǎn)選擇合適的存儲(chǔ)策略，一方面提高存儲(chǔ)性能，另一方面優(yōu)化文件存儲(chǔ)管理和訪問。在大數(shù)據(jù)應(yīng)用中，文件類型和文件大小豐富多樣，但歸根結(jié)底都是以文件形式存儲(chǔ)的。本文將針對文件存儲(chǔ)系統(tǒng)設(shè)計(jì)基于HDFS寫緩存預(yù)處理的大數(shù)據(jù)存儲(chǔ)系統(tǒng)，在數(shù)據(jù)寫入HDFS前，先經(jīng)過預(yù)處理層，以合理組織元數(shù)據(jù)，提高數(shù)據(jù)寫入效率和訪問性能。寫緩存層具體設(shè)計(jì)組成如圖1所示。

寫緩存層包括一個(gè)主節(jié)點(diǎn)（Master）、文件合并模塊（C-Chunkserver）、文件拆分模塊（S-Chunkserver）。主節(jié)點(diǎn)硬件設(shè)置為高性能讀寫服務(wù)器，負(fù)責(zé)監(jiān)聽客戶寫文件請求、分配緩存節(jié)點(diǎn)、管理元數(shù)據(jù)，根據(jù)負(fù)載情況分配預(yù)處理節(jié)點(diǎn)，同時(shí)記錄元數(shù)據(jù)。分配緩存節(jié)點(diǎn)包括兩部分：主節(jié)點(diǎn)和備份節(jié)點(diǎn)，主節(jié)點(diǎn)對數(shù)據(jù)進(jìn)行預(yù)處理，副節(jié)點(diǎn)完成數(shù)據(jù)異步備份?？蛻舭l(fā)出數(shù)據(jù)寫入請求后，Master根據(jù)文件大小依據(jù)預(yù)處理策略，選擇文件拆分或合并模塊分配預(yù)處理節(jié)點(diǎn)，預(yù)處理完成后存入緩存模塊中，再采用多線程寫入HDFS中。

3實(shí)現(xiàn)算法

3.1小文件聚類策略

對于小文件寫入HDFS，要進(jìn)行聚類合并。本文使用聚類策略為MFCR（Most Frequent Conbin Read）最常讀取組合策略，基本思想為，由Master維護(hù)一個(gè)n*n二維表MFCR表，其中n為最常讀取數(shù)據(jù)的客戶機(jī)個(gè)數(shù)，用這個(gè)二維表來記錄客戶機(jī)數(shù)據(jù)組合查詢情況。文件合并模塊中每個(gè)主機(jī)設(shè)置一個(gè)標(biāo)志信息，標(biāo)識(shí)目前該主機(jī)目前已緩存數(shù)據(jù)客戶機(jī)編號(hào)。二維表中各CR系數(shù)（Conbin Read）初始化為0，當(dāng)查詢結(jié)果來自客戶機(jī)s和客戶機(jī)t時(shí)，執(zhí)行CRst=CRst+1操作。當(dāng)緩存層Master監(jiān)聽到來自客戶主機(jī)a發(fā)出的寫文件請求時(shí)，判斷文件為小文件需要合并后，同時(shí)遍歷MCR系數(shù)表并詢問各chunkserver狀態(tài)，找到最大CRab，其中b為chunksever中目前待合并數(shù)據(jù)客戶主機(jī)編號(hào)，將該chunksever編號(hào)返回給主機(jī)a，建立a主機(jī)與該chunksever連接，開始傳輸合并數(shù)據(jù)。在系統(tǒng)初始階段，MFCR表值為空，此時(shí)有客戶機(jī)發(fā)出數(shù)據(jù)存儲(chǔ)請求后，根據(jù)負(fù)載情況分配主機(jī)。

3.2大文件拆分算法

對于結(jié)構(gòu)化的大數(shù)據(jù)，需要將數(shù)據(jù)拆分為若干個(gè)子表，以方便后期管理維護(hù)和查詢等。當(dāng)主節(jié)點(diǎn)接收到結(jié)構(gòu)化數(shù)據(jù)的寫請求后，由主節(jié)點(diǎn)中數(shù)據(jù)拆分模塊完成數(shù)據(jù)分解，根據(jù)負(fù)載情況分配存儲(chǔ)副本節(jié)點(diǎn)，再由副本節(jié)點(diǎn)執(zhí)行遞歸算法，對文件大小進(jìn)行二次判斷，對超出閾值的文件進(jìn)行二次分解，直至所有文件大小在寫入緩存閾值范圍內(nèi)，最后由各副本節(jié)點(diǎn)異步寫入緩存。本設(shè)計(jì)中對于結(jié)構(gòu)化大數(shù)據(jù)拆分，采用基于列存儲(chǔ)的關(guān)鍵字分組策略。設(shè)置數(shù)據(jù)集為D，用于分組的關(guān)鍵字組合為K={K1，K2……Kn}，分組時(shí)，先依據(jù)K1對數(shù)據(jù)集劃分，然后依據(jù)K2取值不同在K1分組的基礎(chǔ)上繼續(xù)分組，以此類推，直至分組結(jié)束。分組過程如下：

（1）設(shè)置分組基數(shù)g和分組系數(shù)入i，兩者乘積得到每個(gè)關(guān)鍵字分組數(shù)量gi。根據(jù)查詢頻率，為總表中每個(gè)關(guān)鍵字制定分組系數(shù)，用來確定每個(gè)關(guān)鍵字分組個(gè)數(shù)，應(yīng)用于查詢頻率越高，分組系數(shù)越高，基于改關(guān)鍵字的分區(qū)粒度越細(xì)。

（2）獲取分組邊界值。確定基于第ki關(guān)鍵字分組數(shù)目之后，需確定各組之間取值范圍，根據(jù)ki關(guān)鍵字的不同取值，將數(shù)據(jù)集劃分為gi組數(shù)據(jù)。

如何確定分組邊界值，是決定合理拆分?jǐn)?shù)據(jù)的關(guān)鍵因素。為了提高分組效率并減少分組工作系統(tǒng)開銷，采用隨機(jī)采樣的方法，來確定分組區(qū)間邊界值。取樣過程類似滑動(dòng)窗口，過程如下：

（1）根據(jù)數(shù)據(jù)集和寫入HDFS標(biāo)準(zhǔn)文件大小，確定抽樣記錄數(shù)量Stotal。

（2）確定抽樣點(diǎn)個(gè)數(shù)Sgroup，即滑動(dòng)窗口滑動(dòng)次數(shù)。

（3）確定每個(gè)抽樣點(diǎn)附近抽樣記錄數(shù)量Sno，即滑動(dòng)窗口寬度，則三個(gè)數(shù)量之間關(guān)系為Sno=Stotal/Sgroup。

（4）在0和數(shù)據(jù)集記錄總數(shù)之間獲取Sgroup個(gè)隨機(jī)值。

（5）以每個(gè)隨機(jī)值為起點(diǎn)，讀取Sno條記錄，讀取每個(gè)記錄的各個(gè)關(guān)鍵字取值，取樣完成后形成的采樣二維表，將具有Stotal條記錄，每條記錄包含分組關(guān)鍵字{K1，K2……Kn}的n個(gè)值。

（6）對采樣二維表每列數(shù)據(jù)執(zhí)行：排序并確定gi-1個(gè)分組邊界值。舉例，假如取樣總數(shù)Stotal=12，對于K3關(guān)鍵字取值g3=4，則分組邊界值選取過程如圖2所示。

使用分組邊界值，依據(jù)數(shù)據(jù)集中記錄ki取值，對數(shù)據(jù)進(jìn)行分組。i取值從1至n，完成整個(gè)數(shù)據(jù)集初步分組。

（7）對于完成初步分組的數(shù)據(jù)子集組合{D1，D2……DT}，其中T=∏iⁿ=1gi，使用遞歸算法使所有拆分后文件都滿足寫入緩存文件大小要求，遞歸算法執(zhí)行過程為：若存在Dt文件大于標(biāo)準(zhǔn)文件，則按照標(biāo)準(zhǔn)文件大小截取數(shù)據(jù)子集前面部分為Dt，剩余部分標(biāo)記為Dt+1，然后再對Dt+1進(jìn)行判斷，直至所有文件大小符合寫要求。

4實(shí)驗(yàn)分析

本次仿真實(shí)驗(yàn)?zāi)康氖潜容^直接寫入HDFS和使用寫緩存層的HDFS兩種方法下，以標(biāo)準(zhǔn)文件大小為準(zhǔn)，設(shè)定多組不同大小文件大小，比較兩種存儲(chǔ)系統(tǒng)寫吞吐對比。仿真實(shí)驗(yàn)環(huán)境搭建方式為20臺(tái)仿真主機(jī)作為客戶端發(fā)送數(shù)據(jù)，1臺(tái)仿真服務(wù)器作為Master，合并和拆分預(yù)處理模塊分別使用10仿真主機(jī)，20仿真主機(jī)作為HDFS存儲(chǔ)。

4.1小文件寫入測試

實(shí)驗(yàn)數(shù)據(jù)分別由客戶端發(fā)送大小為10KB-500KB文件寫請求，每次發(fā)送文件總數(shù)目設(shè)置為100000個(gè)，來進(jìn)行仿真實(shí)驗(yàn)測試。在此情況下，對比本設(shè)計(jì)和直接寫入HDFS寫吞吐對比，實(shí)驗(yàn)結(jié)果數(shù)據(jù)如圖3所示。

通過實(shí)驗(yàn)結(jié)果可以看到，本系統(tǒng)在處理小文件方面性能較好，但隨著文件增大，當(dāng)文件超過一定閾值（1MB）后，寫入速度會(huì)出現(xiàn)瓶頸，這是因?yàn)樵谔幚矸墙Y(jié)構(gòu)化數(shù)據(jù)的時(shí)候，本設(shè)計(jì)中的寫緩存層在花費(fèi)系統(tǒng)開銷再存入HDFS并沒有減少寫入時(shí)間，沒有發(fā)揮出寫緩存的作用。

從圖中可以看出，直接使用HDFS存儲(chǔ)時(shí)，隨著文件增大，寫入文件耗時(shí)也增大，當(dāng)文件增大到一定程度時(shí)，所耗費(fèi)時(shí)間急速增長，對于較大文件寫入時(shí)間較長。在對文件進(jìn)行拆分處理后再存儲(chǔ)，消耗時(shí)間也隨著文件增大而延長，但增長速度較緩慢。同時(shí)，當(dāng)文件較小時(shí)，由于分組會(huì)帶來系統(tǒng)開銷，因此降低了效率。從圖中可看到，30GB文件存儲(chǔ)時(shí)間大于40GB文件，這是由于本次試驗(yàn)分組參數(shù)設(shè)置導(dǎo)致。

5結(jié)束語

本文提出一種基于HDFS的存儲(chǔ)方法，針對大數(shù)據(jù)應(yīng)用中不同數(shù)據(jù)特點(diǎn)，提出針對性存儲(chǔ)策略，對于小文件應(yīng)用基于訪問關(guān)聯(lián)度的聚類策略，對大數(shù)據(jù)提出基于列存儲(chǔ)的關(guān)鍵字分組策略，同時(shí)采用多線程寫入數(shù)據(jù)，提高了數(shù)據(jù)整體寫入速度。