大数据存储平台之异构存储实践

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 经常做数据处理的伙伴们肯定会有这样一种体会:最近一周内的数据会被经常使用到,而比如最近几周的数据使用率会有下降,每周仅仅被访问几次;在比如3月以前的数据使用率会大幅下滑,存储的数据可能一个月才被访问几次。

经常做数据处理的伙伴们肯定会有这样一种体会:最近一周内的数据会被经常使用到,而比如最近几周的数据使用率会有下降,每周仅仅被访问几次;在比如3月以前的数据使用率会大幅下滑,存储的数据可能一个月才被访问几次。这就产生了一种热和冷数据,对需要频繁访问的数据我们称之为“热”数据,反之我们称之为”冷”数据,而处于中间的数据我们称之为”温”数据。在数据被视为公司资产的时代,每个公司基本都会保存最近数年的数据,而这些数据尤其是冷数据的累积也给存储平台带来了甜蜜的负担。下面就来分享下如何解决这些“负担”。首先如何定义数据为冷热数据呢,eBay公司根据数据年龄和使用频率来定义不失为一种办法,下图为eBay关于数据温度的定义

 

 数据age 

 使用频率

温度

Age < 7

1天20

HOT

天 > Age < 1 

1周5

WARM

月 < Age < 3 

1月5

COLD

月 < Age < 3 

1年2

FROZEN

 

从Hadoop2.6开始,HDFS更好的支持了这种冷热数据的分离存储,我们可以按HDFS路径指定其存储策略,目前HDFS支持的存储策略有:HOT、WARM、COLD、All_SSD、One_SSD、Lazy_Persist,我们着重介绍SSD相关的存储策略,具体如下:

  • All_SSD - 用于将所有副本存储在SSD中
  • One_SSD - 用于将其中一个副本存储在SSD中。剩余的副本存储在DISK中
  • Lazy_Persist - 用于在内存中写入单个副本的块。该副本首先写入RAM_DISK,然后在DISK中延续

创建文件或目录时,其存储策略未指定。可以使用“hdfs dfsadmin -setStoragePolicy 命令指定存储策略。文件或目录的有效存储策略由以下规则解决。

1.  如果文件或目录特定于存储策略,则返回。

2.  对于未指定的文件或目录,如果是根目录,则返回默认存储策略。否则,返回其父级的有效存储策略。

我们在实践过程中,因为有一部分实时分析的需求,一部分是历史数据的保存,历史数据很少参与计算,只需偶尔查询会用到。那么对于历史数据来说,我们可以使用一批计算能力较弱,而硬盘较多、容量较大的SATA盘,而实时分析的场景,需要高性能的计算力和硬盘吞吐能力,我们选用SSD硬盘来支撑,此外HDFS还提供了内存存储类型,但我们的内存还是有限,暂未使用到。实际上,我们的每台服务器的12块硬盘slot中有3个是SSD,其余9个是SATA我们实践结果表明,使用这种策略的效果比以前好了4倍以上。

要使用存储策略,我们需要在在每个数据节点上hdfs-site.xml中参数dfs.datanode.data.dir配置的由逗号分隔的存储位置使用的存储类型进行标记。例如:

1.      使用[DISK]file:///dfs/dn来标识这个存储位置为普通硬盘

2.      使用[SSD]file:/// dfs/dn来标识这个存储位置为SSD硬盘

此外,默认情况下的存储格式为DISK。

 

下面介绍设置存储策略命令:

         hdfsstoragepolicies -setStoragePolicy -path <path> -policy <policy>

 

相应的获取存储策略命令为:

         hdfs storagepolicies -getStoragePolicy -path <path>

 

 

总结下:我们可以在一个限定的Hadoop集群中进行设置不同的磁盘使用不同的存储策略,还可以利用API将数据存储到不同的存储层。HDFS设计的详细存储类型和存储策略如下表,有兴趣的同学可以看看:

Policy ID

Policy Name

Block Placement (n  replicas)

Fallback storages for creation

Fallback storages for replication

15

Lazy_Persist

RAM_DISK: 1, DISK: n-1

DISK

DISK

12

All_SSD

SSD: n

DISK

DISK

10

One_SSD

SSD: 1, DISK: n-1

SSD, DISK

SSD, DISK

7

Hot (default)

DISK: n

<none>

ARCHIVE

5

Warm

DISK: 1, ARCHIVE: n-1

ARCHIVE, DISK

ARCHIVE, DISK

2

Cold

ARCHIVE: n

<none>

<none>

 

注:HDFS新加的ARCHIVE存储类型, 它是一种支持PB级的高容量存储但很少的 计算能力,用于归档数据使用,从上图可以看出冷数据适合使用archive存储类型

相关实践学习
基于Hologres轻松玩转一站式实时仓库
本场景介绍如何利用阿里云MaxCompute、实时计算Flink和交互式分析服务Hologres开发离线、实时数据融合分析的数据大屏应用。
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
目录
相关文章
|
1月前
|
数据采集 SQL 搜索推荐
大数据之路:阿里巴巴大数据实践——OneData数据中台体系
OneData是阿里巴巴内部实现数据整合与管理的方法体系与工具,旨在解决指标混乱、数据孤岛等问题。通过规范定义、模型设计与工具平台三层架构,实现数据标准化与高效开发,提升数据质量与应用效率。
大数据之路:阿里巴巴大数据实践——OneData数据中台体系
|
1月前
|
存储 SQL 分布式计算
大数据之路:阿里巴巴大数据实践——元数据与计算管理
本内容系统讲解了大数据体系中的元数据管理与计算优化。元数据部分涵盖技术、业务与管理元数据的分类及平台工具,并介绍血缘捕获、智能推荐与冷热分级等技术创新。元数据应用于数据标签、门户管理与建模分析。计算管理方面,深入探讨资源调度失衡、数据倾斜、小文件及长尾任务等问题,提出HBO与CBO优化策略及任务治理方案,全面提升资源利用率与任务执行效率。
|
1月前
|
存储 监控 大数据
大数据之路:阿里巴巴大数据实践——事实表设计
事实表是数据仓库核心,用于记录可度量的业务事件,支持高性能查询与低成本存储。主要包含事务事实表(记录原子事件)、周期快照表(捕获状态)和累积快照表(追踪流程)。设计需遵循粒度统一、事实可加性、一致性等原则,提升扩展性与分析效率。
|
2月前
|
存储 搜索推荐 算法
Java 大视界 -- Java 大数据在智慧文旅旅游线路规划与游客流量均衡调控中的应用实践(196)
本实践案例深入探讨了Java大数据技术在智慧文旅中的创新应用,聚焦旅游线路规划与游客流量调控难题。通过整合多源数据、构建用户画像、开发个性化推荐算法及流量预测模型,实现了旅游线路的精准推荐与流量的科学调控。在某旅游城市的落地实践中,游客满意度显著提升,景区流量分布更加均衡,充分展现了Java大数据技术在推动文旅产业智能化升级中的核心价值与广阔前景。
|
存储 分布式计算 大数据
大数据之路:阿里巴巴大数据实践——大数据领域建模综述
数据建模解决数据冗余、资源浪费、一致性缺失及开发低效等核心问题,通过分层设计提升性能10~100倍,优化存储与计算成本,保障数据质量并提升开发效率。相比关系数据库,数据仓库采用维度建模与列式存储,支持高效分析。阿里巴巴采用Kimball模型与分层架构,实现OLAP场景下的高性能计算与实时离线一体化。
|
2月前
|
SQL 缓存 监控
大数据之路:阿里巴巴大数据实践——实时技术与数据服务
实时技术通过流式架构实现数据的实时采集、处理与存储,支持高并发、低延迟的数据服务。架构涵盖数据分层、多流关联,结合Flink、Kafka等技术实现高效流计算。数据服务提供统一接口,支持SQL查询、数据推送与定时任务,保障数据实时性与可靠性。
|
2月前
|
存储 Java 大数据
Java 大视界 —— 基于 Java 的大数据隐私保护在金融客户信息管理中的实践与挑战(178)
本文探讨了基于 Java 的大数据隐私保护技术在金融客户信息管理中的应用与挑战。随着金融行业数字化转型加速,客户信息的安全性愈发重要。文章详细分析了数据加密、脱敏、访问控制、区块链及联邦学习等关键技术,并结合实际案例展示了其在金融机构中的应用效果,为金融科技从业者提供了宝贵的实践经验与技术参考。
|
2月前
|
数据采集 分布式计算 DataWorks
ODPS在某公共数据项目上的实践
本项目基于公共数据定义及ODPS与DataWorks技术,构建一体化智能化数据平台,涵盖数据目录、归集、治理、共享与开放六大目标。通过十大子系统实现全流程管理,强化数据安全与流通,提升业务效率与决策能力,助力数字化改革。
72 4
|
2月前
|
分布式计算 DataWorks 数据处理
在数据浪潮中前行:记录一次我与ODPS的实践、思考与展望
本文详细介绍了在 AI 时代背景下,如何利用阿里云 ODPS 平台(尤其是 MaxCompute)进行分布式多模态数据处理的实践过程。内容涵盖技术架构解析、完整操作流程、实际部署步骤以及未来发展方向,同时结合 CSDN 博文深入探讨了多模态数据处理的技术挑战与创新路径,为企业提供高效、低成本的大规模数据处理方案。
163 3
|
2月前
|
SQL 人工智能 分布式计算
ODPS:数据浪潮中的成长与突围
本文讲述了作者在大数据浪潮中,通过引入阿里云ODPS体系(包括MaxCompute、DataWorks、Hologres)解决数据处理瓶颈、实现业务突破与个人成长的故事。从被海量数据困扰到构建“离线+实时”数据架构,ODPS不仅提升了数据处理效率,更推动了技术能力与业务影响力的双重跃迁。