[[187946]]

在現如今，隨著IT互聯網信息技術的飛速發(fā)展和進步。目前大數據行業(yè)也越來越火爆，從而導致國內大數據人才也極度缺乏，下面介紹一下關于Hadoop環(huán)境中管理大數據存儲技巧。

1、分布式存儲

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

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

但Hadoop是一個分布式應用，就應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，并在商用服務器上運行，這相比瓶頸化的Hadoop自然更為高效。

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，但通常這個術語意味著你的應用和存儲都保存在同一計算節(jié)點上。這是在試圖解決數據本地化的問題，但它會造成太多資源爭用。這個Hadoop應用和存儲平臺會爭用相同的內存和CPU。Hadoop運行在專有應用層，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據本地化并補償網絡性能損失。

3、避免控制器瓶頸(ControllerChokePoint)

實現目標的一個重要方面就是——避免通過單個點例如一個傳統(tǒng)控制器來處理數據。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展性。為數據湖添加功能跟往里面扔x86服務器一樣簡單。一個分布式存儲平臺如有需要將自動添加功能并重新調整數據。

4、刪重和壓縮

掌握大數據的關鍵是刪重和壓縮技術。通常大數據集內會有70%到90%的數據簡化。以PB容量計，能節(jié)約數萬美元的磁盤成本?，F代平臺提供內聯(對比后期處理)刪重和壓縮，大大降低了存儲數據所需能力。

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。可能是開發(fā)者需要或是企業(yè)部門已經適應了不同版本。無論如何最終往往要對這些集群的維護與運營。一旦海量數據真正開始影響一家企業(yè)時，多個Hadoop發(fā)行版存儲就會導致低效性。我們可以通過創(chuàng)建一個單一，可刪重和壓縮的數據湖獲取數據效率

6、虛擬化Hadoop

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

7、創(chuàng)建彈性數據湖

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

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

理想的數據湖基礎架構會實現數據單一副本的存儲，而且有應用在單一數據資源上執(zhí)行，無需遷移數據或制作副本。

8、整合分析

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