數(shù)據(jù)本地化是為了確保大數(shù)據(jù)集存儲在計算節(jié)點附近便于分析。對于Hadoop，這意味著管理數(shù)據(jù)節(jié)點，向MapReduce提供存儲以便充分執(zhí)行分析。它實用有效但也出現(xiàn)了大數(shù)據(jù)存儲集群的獨立操作問題。以下十項是Hadoop環(huán)境中管理大數(shù)據(jù)存儲技巧。

1.分布式存儲

傳統(tǒng)化集中式存儲存在已有一段時間。但大數(shù)據(jù)并非真的適合集中式存儲架構(gòu)。Hadoop設(shè)計用于將計算更接近數(shù)據(jù)節(jié)點，同時采用了HDFS文件系統(tǒng)的大規(guī)模橫向擴(kuò)展功能。

雖然，通常解決Hadoop管理自身數(shù)據(jù)低效性的方案是將Hadoop數(shù)據(jù)存儲在SAN上。但這也造成了它自身性能與規(guī)模的瓶頸?，F(xiàn)在，如果你把所有的數(shù)據(jù)都通過集中式SAN處理器進(jìn)行處理，與Hadoop的分布式和并行化特性相悖。你要么針對不同的數(shù)據(jù)節(jié)點管理多個SAN，要么將所有的數(shù)據(jù)節(jié)點都集中到一個SAN。

但Hadoop是一個分布式應(yīng)用，就應(yīng)該運行在分布式存儲上，這樣存儲就保留了與Hadoop本身同樣的靈活性，不過它也要求擁抱一個軟件定義存儲方案，并在商用服務(wù)器上運行，這相比瓶頸化的Hadoop自然更為。

2.超融合VS分布式

注意，不要混淆超融合與分布式。某些超融合方案是分布式存儲，但通常這個術(shù)語意味著你的應(yīng)用和存儲都保存在同一計算節(jié)點上。這是在試圖解決數(shù)據(jù)本地化的問題，但它會造成太多資源爭用。這個Hadoop應(yīng)用和存儲平臺會爭用相同的內(nèi)存和CPU。Hadoop運行在專有應(yīng)用層，分布式存儲運行在專有存儲層這樣會更好。之后，利用緩存和分層來解決數(shù)據(jù)本地化并補(bǔ)償網(wǎng)絡(luò)性能損失。

3.避免控制器瓶頸(Controller Choke Point)

實現(xiàn)目標(biāo)的一個重要方面就是——避免通過單個點例如一個傳統(tǒng)控制器來處理數(shù)據(jù)。反之，要確保存儲平臺并行化，性能可以得到顯著提升。

此外，這個方案提供了增量擴(kuò)展性。為數(shù)據(jù)湖添加功能跟往里面扔x86服務(wù)器一樣簡單。一個分布式存儲平臺如有需要將自動添加功能并重新調(diào)整數(shù)據(jù)。

4.刪重和壓縮

掌握大數(shù)據(jù)的關(guān)鍵是刪重和壓縮技術(shù)。通常大數(shù)據(jù)集內(nèi)會有70%到90%的數(shù)據(jù)簡化。以PB容量計，能節(jié)約數(shù)萬美元的磁盤成本?，F(xiàn)代平臺提供內(nèi)聯(lián)(對比后期處理)刪重和壓縮，大大降低了存儲數(shù)據(jù)所需能力。

5.合并Hadoop發(fā)行版

很多大型企業(yè)擁有多個Hadoop發(fā)行版本?？赡苁情_發(fā)者需要或是企業(yè)部門已經(jīng)適應(yīng)了不同版本。無論如何終往往要對這些集群的維護(hù)與運營。一旦海量數(shù)據(jù)真正開始影響一家企業(yè)時，多個Hadoop發(fā)行版存儲就會導(dǎo)致低效性。我們可以通過創(chuàng)建一個單一，可刪重和壓縮的數(shù)據(jù)湖獲取數(shù)據(jù)效率

6.虛擬化Hadoop

虛擬化已經(jīng)席卷企業(yè)級市場。很多地區(qū)超過80%的物理服務(wù)器現(xiàn)在是虛擬化的。但也仍有很多企業(yè)因為性能和數(shù)據(jù)本地化問題對虛擬化Hadoop避而不談。

7.創(chuàng)建彈性數(shù)據(jù)湖

創(chuàng)建數(shù)據(jù)湖并不容易，但大數(shù)據(jù)存儲可能會有需求。我們有很多種方法來做這件事，但哪一種是正確的?這個正確的架構(gòu)應(yīng)該是一個動態(tài)，彈性的數(shù)據(jù)湖，可以以多種格式(架構(gòu)化，非結(jié)構(gòu)化，半結(jié)構(gòu)化)存儲所有資源的數(shù)據(jù)。更重要的是，它必須支持應(yīng)用不在遠(yuǎn)程資源上而是在本地數(shù)據(jù)資源上執(zhí)行。

不幸的是，傳統(tǒng)架構(gòu)和應(yīng)用(也就是非分布式)并不盡如人意。隨著數(shù)據(jù)集越來越大，將應(yīng)用遷移到數(shù)據(jù)不可避免，而因為延遲太長也無法倒置。

理想的數(shù)據(jù)湖基礎(chǔ)架構(gòu)會實現(xiàn)數(shù)據(jù)單一副本的存儲，而且有應(yīng)用在單一數(shù)據(jù)資源上執(zhí)行，無需遷移數(shù)據(jù)或制作副本。

8.整合分析

分析并不是一個新功能，它已經(jīng)在傳統(tǒng)RDBMS環(huán)境中存在多年。不同的是基于開源應(yīng)用的出現(xiàn)，以及數(shù)據(jù)庫表單和社交媒體，非結(jié)構(gòu)化數(shù)據(jù)資源(比如，維基百科)的整合能力。關(guān)鍵在于將多個數(shù)據(jù)類型和格式整合成一個標(biāo)準(zhǔn)的能力，有利于更輕松和一致地實現(xiàn)可視化與報告制作。合適的工具也對分析/商業(yè)智能項目的成功至關(guān)重要。

9.大數(shù)據(jù)遇見大視頻

大數(shù)據(jù)存儲問題已經(jīng)讓人有些焦頭爛額了，現(xiàn)在還出現(xiàn)了大視頻現(xiàn)象。比如，企業(yè)為了以及操作和工業(yè)效率逐漸趨于使用視頻監(jiān)控，簡化流量管理，支持法規(guī)遵從性和幾個其它的使用案例。很短時間內(nèi)這些資源將產(chǎn)生大量的內(nèi)容，大量必須要處理的內(nèi)容。如果沒有專業(yè)的存儲解決方案很可能會導(dǎo)致視頻丟失和質(zhì)量降低的問題。

10.沒有的贏家

Hadoop的確取得了一些進(jìn)展。那么隨著大數(shù)據(jù)存儲遍地開花，它是否會成為贏家，力壓其它方案，其實不然。