摘要：本文以Hadoop的計(jì)算機(jī)分布式存儲(chǔ)與數(shù)據(jù)分發(fā)設(shè)計(jì)為研究對(duì)象，首先簡(jiǎn)單介紹了何為Hadoop，并分析了其工作流程，隨后探討分析了基于Hadoop的計(jì)算機(jī)分布式存儲(chǔ)策略，最后對(duì)基于Hadoop的數(shù)據(jù)分發(fā)策略應(yīng)用進(jìn)行了探討分析，以供參考。

關(guān)鍵詞：Hadoop系統(tǒng);分布式存儲(chǔ)策略;數(shù)據(jù)分發(fā)設(shè)計(jì)

在互聯(lián)網(wǎng)飛速發(fā)展的當(dāng)下，未來(lái)人們更加傾向于移動(dòng)聯(lián)網(wǎng)設(shè)備的攜帶，從而為人們工作學(xué)習(xí)與生活提供更多的便利。而通過(guò)將Hadoop的計(jì)算機(jī)分布式存儲(chǔ)與數(shù)據(jù)分發(fā)設(shè)計(jì)應(yīng)用于移動(dòng)設(shè)備之中，能夠提升移動(dòng)設(shè)備文件讀取效率，避免出現(xiàn)網(wǎng)絡(luò)堵塞問(wèn)題，有效降低網(wǎng)絡(luò)資源損耗。

1

Hadoop的概述和工作流程

1.1 Hadoop的概述

Hadoop最初由“阿帕奇”基金會(huì)所開(kāi)發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)，這是一種當(dāng)前比較常見(jiàn)的分布式系統(tǒng)基礎(chǔ)框架，在很多硬件設(shè)備組成集群上有著廣泛的應(yīng)用，不僅如此，Hadoop還能夠在應(yīng)用程序進(jìn)行，可以為程序運(yùn)轉(zhuǎn)提供一組更穩(wěn)定的接口，從而使分布式系統(tǒng)得可靠性加強(qiáng)，還有非常好的擴(kuò)展性。組成它的內(nèi)容很多，有HDFS、Map、Reduce、HBase等。在Hadoop中主要包括：HDFS（分布式文件系統(tǒng)）、MapReduce（并行編程計(jì)算模型）、HBase（分布式數(shù)據(jù)庫(kù)）、Zookeeper（分布式服務(wù)框架）以及Hive（數(shù)據(jù)倉(cāng)庫(kù)），其中核心設(shè)計(jì)是為海量數(shù)據(jù)提供存儲(chǔ)的HDFS及為海量數(shù)據(jù)提供并行計(jì)算的MapReduce。

1.2 MapReduce編程模型

組成Hadoop的Map Reduce編程模型最初是谷歌提出的，主要是對(duì)大規(guī)模集群專門進(jìn)行海量數(shù)據(jù)處理的并行計(jì)算模型、處理的過(guò)程其實(shí)就是MapReduce把一堆雜亂無(wú)章的數(shù)據(jù)在處理過(guò)程中按照某種特征歸納起來(lái)，然后經(jīng)過(guò)并行處理最后得到最終結(jié)果。而這期間Map的階段所要面對(duì)的是一些互不相關(guān)，雜亂無(wú)章的數(shù)據(jù)，所以在這個(gè)階段就需要對(duì)每個(gè)數(shù)據(jù)進(jìn)行解析，從而提取出數(shù)據(jù)的一些特征。然后經(jīng)Map Reduce的Shuffle的階段以后，在后面進(jìn)行的Reduc階段就可以得到已經(jīng)按照數(shù)據(jù)的某種特征進(jìn)行歸納的數(shù)據(jù)，后面的處理就是在此基礎(chǔ)上做進(jìn)一步的并行處理就可得出結(jié)論。

而且MapReduce在執(zhí)行作業(yè)的時(shí)候主要?dú)v經(jīng)了對(duì)數(shù)據(jù)塊進(jìn)行分割、創(chuàng)建任務(wù)、Map、Combiner、Shuffle、Reduce幾個(gè)過(guò)程，在此流程中我們可以得出MapReduce可簡(jiǎn)化分布式編程工作，如果是在使用默認(rèn)輸入、輸出的數(shù)據(jù)格式，開(kāi)發(fā)人員只需編寫(xiě)Map和Reduce兩個(gè)函數(shù)就可以對(duì)海量的數(shù)據(jù)進(jìn)行并行分析。

1.3 HDFS文件系統(tǒng)

HDFS文件系統(tǒng)是由Hadoop實(shí)現(xiàn)的分布式文件系統(tǒng)。主要是專門負(fù)責(zé)對(duì)存儲(chǔ)Hadoop集群上的數(shù)據(jù)進(jìn)行存儲(chǔ)、管理、冗余備份和出錯(cuò)恢復(fù)的相關(guān)處理。HDFS具有高容錯(cuò)性和高擴(kuò)展性，而且可以設(shè)計(jì)部署在低廉硬件組成的集群上，同時(shí)還可以提供高吞吐量對(duì)應(yīng)用程序的數(shù)據(jù)進(jìn)行訪問(wèn)，此外還可以提供流式數(shù)據(jù)的訪問(wèn)模式讀寫(xiě)超大文件，還可以很好的適用那些有著海量數(shù)據(jù)集的應(yīng)用程序。HDFS文件系統(tǒng)的特點(diǎn)主要有：

（1）能滿足超大規(guī)模的數(shù)據(jù)集需求;

（2）可以容許節(jié)點(diǎn)失效發(fā)生;

（3）擴(kuò)展性很強(qiáng);

（4）在存儲(chǔ)文件是能夠?qū)⑽募指畛蓴?shù)個(gè)數(shù)據(jù)塊。

1.4 Hadop的工作流程

Hadop工作流程如下：

（1）進(jìn)行數(shù)據(jù)模塊的分割，由Map Reduce負(fù)責(zé)數(shù)據(jù)處理，這些數(shù)據(jù)全部來(lái)源于HDFS，在進(jìn)行計(jì)算前，需要先做好數(shù)據(jù)的分塊。

（2）進(jìn)行任務(wù)創(chuàng)建。需要先進(jìn)行Job提交，在Job Tracker獲取到相應(yīng)提交數(shù)據(jù)后，便會(huì)為本次任務(wù)進(jìn)行Map Task與ReduceTask的分配，并提交至Task Tracker。

（3）經(jīng)歷Map過(guò)程。在每個(gè)Datanode中，都運(yùn)行有一個(gè)Task Tracker，其為負(fù)責(zé)進(jìn)行Map任務(wù)的執(zhí)行。在具體執(zhí)行過(guò)程中，Map Task會(huì)先進(jìn)行數(shù)據(jù)的讀取，然后借助Map函數(shù)進(jìn)行計(jì)算，在輸出中間結(jié)果后，會(huì)存放至本地磁盤(pán)之中，或者直接讀取至內(nèi)存之中。

（4）需要經(jīng)歷Combiner過(guò)程。在上述過(guò)程中，會(huì)有很多中間結(jié)果產(chǎn)出，通常不能將其直接交由Reduce Task進(jìn)行處理，否則將會(huì)大大增加網(wǎng)絡(luò)擁塞的概率。而通過(guò)Combiner過(guò)程，能夠統(tǒng)一合并這些結(jié)果，便于后續(xù)進(jìn)行集中處理。

（5） Shuffie過(guò)程。該過(guò)程需要將數(shù)據(jù)從Map Task輸出至Reduce Task。

（6） Reduce過(guò)程。該過(guò)程會(huì)將Map Task的數(shù)據(jù)輸送至Reduce函數(shù)，在完成數(shù)據(jù)歸并后可獲得最終結(jié)果。待整個(gè)Job執(zhí)行完畢后，將會(huì)把獲得結(jié)果存儲(chǔ)至HDFS之中[1]。

HDFS寫(xiě)文件時(shí)的步驟如下：

（1）首先在客戶端調(diào)用DistrbuteFileSystem對(duì)象中的函數(shù)Create來(lái)創(chuàng)建一個(gè)用于寫(xiě)入數(shù)據(jù)的文件。

（2）通過(guò)調(diào)用RPC在Namenode文件系統(tǒng)的namespace來(lái)創(chuàng)建一個(gè)新的文件。

（3）在客戶端寫(xiě)入文件。

（4）在列表中的Datanode中形成一個(gè)管道，然后通過(guò)DataStreamer將數(shù)據(jù)塊以數(shù)據(jù)流的形式傳輸?shù)焦芫€中的每個(gè)Datanode中。

（5） DFSOutputStream維護(hù)了一個(gè)ACK隊(duì)列，當(dāng)收到管道中Datanode返回的Ack隊(duì)列以后，所對(duì)應(yīng)的數(shù)據(jù)塊才會(huì)從隊(duì)列當(dāng)中進(jìn)行刪除。

（6）在完成寫(xiě)入文件后，進(jìn)行Close函數(shù)的調(diào)用，完成寫(xiě)入管道的關(guān)閉操作，此時(shí)整個(gè)HDFS的寫(xiě)入結(jié)束。

HDFS的讀取相對(duì)于寫(xiě)入過(guò)程要簡(jiǎn)單很多。

2 基于Hadoop的計(jì)算機(jī)分布式存儲(chǔ)策略

2.1 SR策略

在該策略中，基本思想為：RS（14，10）碼為基本，再加兩個(gè)本地校驗(yàn)塊，就可以很好的完成本地修復(fù)。所謂的SR碼，指的是本地可修復(fù)碼，這是一類新的再生碼。SR策略與RS策略比較相似，同樣是先分解原文件，需要將其分成10塊，然后在二元擴(kuò)域上編碼SR的幫助下，生成4個(gè)校驗(yàn)塊，它們分別是P1、P2、P3、P4。然后通過(guò)異或的運(yùn)算，能夠生成S1、S2、S3 3個(gè)本地校驗(yàn)塊，這三個(gè)本地檢驗(yàn)快的關(guān)系是S3-S1+S2，這樣來(lái)，就可減少存儲(chǔ)一個(gè)校驗(yàn)數(shù)據(jù)塊，而且系統(tǒng)存儲(chǔ)效率也會(huì)得到有效提升。在SR策略中，共包含三個(gè)本地組：其中一組可以用X1、X2、X3、X4、X5、S1來(lái)表示，二組在具體表示方面，可以采用：X6、X7、X8、X9、X10、S2。三組則是S1、S2、P1、P2、P3、P4。在進(jìn)行實(shí)際修復(fù)時(shí)，SR策略包含兩種，一是有輕修復(fù)，二是重修復(fù)，前者適用于本地組中只有任意1個(gè)數(shù)據(jù)塊丟失的場(chǎng)景，能夠通過(guò)訪問(wèn)本地組中其他的數(shù)據(jù)節(jié)點(diǎn)，并完成相應(yīng)數(shù)據(jù)塊的下載，通過(guò)在異或運(yùn)算的幫助下完成本地修復(fù)。后者適用于在一個(gè)本地組中存在兩塊以上的數(shù)據(jù)塊失效的場(chǎng)景，修復(fù)整個(gè)過(guò)程和RS策略是比較類似的，還有需通過(guò)RS解碼，才能夠完成修復(fù)、在SR策略中。輕修復(fù)能夠適用于所有單個(gè)數(shù)據(jù)塊修復(fù)工作，并且大多數(shù)兩個(gè)數(shù)據(jù)塊的修復(fù)我們也可采用第一種修復(fù)方式，甚至于在有些運(yùn)行三個(gè)數(shù)據(jù)塊修復(fù)的時(shí)候，也可采用第一種修復(fù)方式。在SR策略中，輕修復(fù)一般占用的計(jì)算開(kāi)銷比較小，重修復(fù)占用的計(jì)算開(kāi)銷比較大。

從可靠性的穩(wěn)定方面來(lái)考慮，通常是在一個(gè)掃描周期內(nèi)，如果存在不能通過(guò)重解碼修復(fù)的時(shí)候，就會(huì)存在原文件的失效，那原文件的可靠和之前的公式1是比較類似的，而且比公式1會(huì)略微小一些。但是由于策略一般很難滿足MDS的相關(guān)性質(zhì)，所以在遇到如果丟失的數(shù)據(jù)塊存在5塊或者6塊這種極少發(fā)生的情況時(shí)，一般采用SR策略將會(huì)無(wú)法修復(fù)，公式（1）如下所示：

2.2 XOR策略

在這個(gè)策略當(dāng)中，需分解原文件，具體也是將原文件分為十個(gè)數(shù)據(jù)塊，然后再采用異或算法生成一塊校驗(yàn)數(shù)據(jù)塊，因此在實(shí)際存儲(chǔ)中，會(huì)有11塊數(shù)據(jù)塊系統(tǒng)中，那么對(duì)于系統(tǒng)存儲(chǔ)開(kāi)銷而言，則是原文件的1.1倍。當(dāng)出現(xiàn)數(shù)據(jù)塊丟失的情況時(shí)，需要對(duì)其他10塊數(shù)據(jù)塊進(jìn)行訪問(wèn)，并在異或運(yùn)算的幫助下，完成數(shù)據(jù)修復(fù)。該策略的計(jì)算開(kāi)銷通常比較小。

從可靠性的穩(wěn)定方面來(lái)考慮，在掃描的一個(gè)周期內(nèi)，n塊數(shù)據(jù)塊中，假如存在任意兩塊丟失這種情況，那么就會(huì)導(dǎo)致原文件的失效，那么則原文件的可靠性可用公式（2）表示：

2.3 RS策略

在糾刪碼中，RS碼非常常見(jiàn)，本身容錯(cuò)和糾錯(cuò)能力比較強(qiáng)，在數(shù)字電視傳輸及衛(wèi)星通信等領(lǐng)域中有著較為廣泛的應(yīng)用。近些年RS碼開(kāi)始在分布式存儲(chǔ)領(lǐng)域應(yīng)用場(chǎng)景中“嶄露頭角”。該策略在實(shí)際應(yīng)用方面，同樣需要進(jìn)行原文件分解，分解的數(shù)據(jù)塊為10個(gè)，然后通過(guò)RS編碼可以由4個(gè)校驗(yàn)數(shù)據(jù)塊，這就對(duì)系統(tǒng)存儲(chǔ)而言，在其整體開(kāi)銷上會(huì)成為是原文件的1.4倍。在有數(shù)據(jù)塊丟失這樣的問(wèn)題出現(xiàn)后，可以通過(guò)對(duì)其他10塊數(shù)據(jù)塊進(jìn)行任意訪問(wèn)，就可以實(shí)現(xiàn)解碼修復(fù)，由于在整個(gè)修復(fù)過(guò)程中需要進(jìn)行解碼操作，所以在實(shí)際中計(jì)算開(kāi)銷就會(huì)變得很大，從而導(dǎo)致實(shí)際的系統(tǒng)設(shè)計(jì)會(huì)變得復(fù)雜而且多變。

從穩(wěn)定可靠性方面來(lái)進(jìn)行考慮，在一個(gè)掃描周期內(nèi)，若任意5塊數(shù)據(jù)塊丟失，導(dǎo)致原文件失效，那么原文件的可靠性可用以下公式（3）表示：

2.4復(fù)制策略

在分布式存儲(chǔ)系統(tǒng)中，復(fù)制策略是一種最為常見(jiàn)的存儲(chǔ)策略.這個(gè)策略的基本思想是：首先把原文件通過(guò)分解從而獲得多個(gè)數(shù)據(jù)塊，隨后針對(duì)分解獲得的每一個(gè)數(shù)據(jù)塊，都需給它進(jìn)行三個(gè)副本的備份，最后可以在不同的數(shù)據(jù)節(jié)點(diǎn)中對(duì)此進(jìn)行存儲(chǔ)，這樣一來(lái)，如果出現(xiàn)部分?jǐn)?shù)據(jù)節(jié)點(diǎn)失效，那么系統(tǒng)可以通過(guò)對(duì)其他備份數(shù)據(jù)節(jié)點(diǎn)訪問(wèn)，從而獲取原文件或修復(fù)失效時(shí)的數(shù)據(jù)節(jié)點(diǎn)。從這里面我們能夠發(fā)現(xiàn)，此時(shí)的存儲(chǔ)開(kāi)銷會(huì)更大，通常是3倍的原文件大小。所以在遇到數(shù)據(jù)塊丟失這種狀況時(shí)，通常系統(tǒng)可直接從有效的數(shù)據(jù)節(jié)點(diǎn)中進(jìn)行新備份數(shù)據(jù)節(jié)點(diǎn)的下載，而且在整個(gè)操作過(guò)程中不需要進(jìn)行解碼計(jì)算，因此整個(gè)設(shè)計(jì)是非常易于實(shí)現(xiàn)的[2]。

從穩(wěn)定可靠性方面進(jìn)行考慮，在掃描的一個(gè)周期內(nèi)，一般只有存在三個(gè)副本都丟失的情況，原文件才會(huì)達(dá)到失效的條件。那么從概率來(lái)分析，如果是針對(duì)一個(gè)數(shù)據(jù)塊，通常至少還會(huì)有一個(gè)副本能夠應(yīng)用的概率為1一（1-p）3，那么我們可作出如下假設(shè)，原文件被分解為k塊，那么原文件可靠性P可用以下公式表示：

3 基于的數(shù)據(jù)分發(fā)策略

3.1 數(shù)據(jù)分法策略

如今我們處于信息大爆炸時(shí)代，很多網(wǎng)站點(diǎn)擊、視頻點(diǎn)擊在短時(shí)間內(nèi)均會(huì)突破數(shù)百萬(wàn)甚至數(shù)千萬(wàn)，當(dāng)用戶在集中進(jìn)行讀取這些文件時(shí)，受分布式系統(tǒng)多次讀取特點(diǎn)影響，容易造成網(wǎng)絡(luò)堵塞，不利于文件可用性與可靠性提升。為有效解決這一問(wèn)題，我們可以在分布式存儲(chǔ)網(wǎng)絡(luò)的基礎(chǔ)上，嘗試與CND網(wǎng)絡(luò)進(jìn)行融合，將二者的優(yōu)點(diǎn)集中在一起，網(wǎng)絡(luò)中的每個(gè)用戶，我們可以視為一個(gè)“邊緣”數(shù)據(jù)節(jié)點(diǎn)，不僅可以進(jìn)行存儲(chǔ)任務(wù)分擔(dān)，還能將內(nèi)容發(fā)布至網(wǎng)絡(luò)邊緣，便于用戶能夠?qū)崿F(xiàn)數(shù)據(jù)的就近讀取，解決可能造成的網(wǎng)絡(luò)堵塞問(wèn)題。具體而言，首先在網(wǎng)絡(luò)不擁堵時(shí)，可以先將文件的部分?jǐn)?shù)據(jù)塊提前向用戶進(jìn)行推送，以減輕后續(xù)集中文件讀取的壓力，通過(guò)在分布式系統(tǒng)中加入文件數(shù)據(jù)塊副本機(jī)制，隨機(jī)將其置于數(shù)據(jù)節(jié)點(diǎn)之中，有效分擔(dān)原節(jié)點(diǎn)網(wǎng)絡(luò)流量的壓力，有效緩解網(wǎng)絡(luò)堵塞的壓力。

3.2 驗(yàn)證

在具體驗(yàn)證過(guò)程中，可以通過(guò)應(yīng)用上面介紹的計(jì)算機(jī)分布式存儲(chǔ)策略來(lái)實(shí)現(xiàn)，主要是可以應(yīng)用的有復(fù)制策略、XOR策略和RS策略。為什么沒(méi)有應(yīng)用SR策略，是因?yàn)樵摬呗缘男迯?fù)碼是一種本地的修復(fù)碼，難以滿足MDS性質(zhì)，因此在實(shí)際驗(yàn)證過(guò)程中，無(wú)法明確得出得出已知數(shù)據(jù)和重構(gòu)原文件消耗網(wǎng)絡(luò)流量的關(guān)系。在具體驗(yàn)證時(shí)，通過(guò)將集群Datanodel與集群Datanode2置于同一個(gè)局域網(wǎng)之內(nèi)，將集群Datanode3與集群Datanode4作為外部網(wǎng)絡(luò)的節(jié)點(diǎn)，同時(shí)為了進(jìn)行更加真實(shí)的網(wǎng)絡(luò)環(huán)境模擬，還需要進(jìn)行上述外部網(wǎng)絡(luò)節(jié)點(diǎn)文件上傳與下載速度的限制。在集群Datanodel與集群Datanode2之間，放置部分?jǐn)?shù)據(jù)塊，用于數(shù)據(jù)分發(fā)效果的模擬，且其中的存儲(chǔ)數(shù)據(jù)均為已知數(shù)據(jù)。通過(guò)進(jìn)行設(shè)置集群Datanode1與集群Datanode2分發(fā)數(shù)據(jù)閥值為640M，并在OM、128M、256M、384M、512M、640M的條件下，測(cè)試集群Datanodel應(yīng)用上述策略重構(gòu)1280M和640M的文件所消耗的外部網(wǎng)絡(luò)流量，并作對(duì)比分析。在外部網(wǎng)絡(luò)流量中，包括在重構(gòu)文件過(guò)程中，包括集群Datanode3與集群Datanode4流入集群Datanodel的網(wǎng)絡(luò)流量[3]。

從相應(yīng)結(jié)果中我們能夠認(rèn)識(shí)到，在集群Datanodel己知一部分?jǐn)?shù)據(jù)的情況下，在采用復(fù)制策略進(jìn)行文件存儲(chǔ)重構(gòu)時(shí)，隨著己知數(shù)據(jù)的增加，消耗的外部流量在逐漸減少，由此我們能夠認(rèn)識(shí)到，數(shù)據(jù)分發(fā)策略對(duì)于應(yīng)用復(fù)制策略存儲(chǔ)的文件是可行的。而對(duì)于XOR策略和RS策略而言，實(shí)際消耗的外部網(wǎng)絡(luò)流量并沒(méi)有出現(xiàn)減少情況，這就說(shuō)明在分布式存儲(chǔ)架構(gòu)下的數(shù)據(jù)分發(fā)策略對(duì)應(yīng)用編碼策略存儲(chǔ)的文件是不可行的。

4 結(jié)束語(yǔ)

綜上所述，對(duì)于Hadoop而言，本身有著“一次寫(xiě)入.多次讀取”的特點(diǎn)，而在文件讀取高峰期，Hadoop這種特點(diǎn)很容易造成網(wǎng)絡(luò)堵塞，因此為有效解決這一問(wèn)題，需要在了解Hadoop以及工作流程的基礎(chǔ)上，分析其基于Hadoop的數(shù)據(jù)分發(fā)策略，這對(duì)于提升Hadoop整體性能而言有著重要意義。

參考文獻(xiàn)

[1]余輝.面向微博輿情的Hadoop存儲(chǔ)平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[D].中國(guó)科學(xué)院大學(xué)，2016.

[2]涂竹松.基于Hadoop的數(shù)據(jù)共享模型研究[D].合肥工業(yè)大學(xué)，201 5.

[3]吳夢(mèng)瀟，基于HADOOP的分布式云平臺(tái)搜索系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].湖南大學(xué)，2016.

作者簡(jiǎn)介

趙穎（1979-），女，青海省互助縣人。青海廣播電視大學(xué)，碩士，副教授。研究方向?yàn)橛?jì)算機(jī)應(yīng)用（數(shù)據(jù)處理）。