为什么要构建数据湖？

大数据时代早期，Apache HDFS 是构建具有海量存储能力数据仓库的首选方案。随 着云计算、大数据、AI 等技术的发展，所有云厂商都在不断完善自家的对象存储，来更好 地适配 Apache Hadoop/Spark 大数据以及各种 AI 生态。由于对象存储有海量、安全、 低成本、高可靠、易集成等优势，各种 IoT 设备、网站数据都把各种形式的原始文件存储 在对象存储上，利用对象存储增强和拓展大数据 AI 也成为了业界共识，Apache Hadoop 社区也推出了原生的对象存储“Ozone”。从 HDFS 到对象存储，从数据仓库 到数据湖，把所有的数据都放在一个统一的存储中，也可以更加高效地进行分析和处理。

对于云上的客户来说，如何构建自己的数据湖，早期的技术选型非常重要，随着数据量 的不断增加，后续进行架构升级和数据迁移的成本也会增加。在云上使用 HDFS 构建大规 模存储系统，已经暴露出来不少问题。HDFS 是 Hadoop 原生的存储系统，经过 10 年 来的发展，HDFS 已经成为大数据生态的存储标准，但我们也看到 HDFS 虽然不断优化， 但是 NameNode 单点瓶颈，JVM 瓶颈仍然影响着集群的扩展，从 1 PB 到 100+ PB， 需要不断的进行调优、集群拆分来，HDFS 可以支持到 EB 级别，但是投入很高的运维成 本，来解决慢启动，心跳风暴，节点扩容、节点迁移，数据平衡等问题。

云原生的大数据存储方案，基于阿里云 OSS 构建数据湖是最合适的选择。OSS 是 阿里云上的对象存储服务，有着高性能、无限容量、高安全、高可用、低成本等优势， JindoFS 针对大数据生态对 OSS 进行了适配，缓存加速，甚至提供专门的文件元数据服 务，满足上云客户的各种分析计算需求。因此在阿里云上，JindoFS + OSS 成为客户采 取数据湖架构迁移上云的最佳实践。