hadoop云存储解决方案

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。

用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。

Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

基于Hadoop的校园云存储系统

服务器使用Linux操作系统，采用MapReduce编程算法实现并行处理。

HDFS（Hadoop Distributed File System）是一个运行在普通硬件之上的分布式文件系统。HDFS系统采用Master/Slave框架，一个HDFS集群系统是由一个Master和多个Slaver构成。前者叫做名字节点（NameNode），是一个中心服务器负责元数据的管理工作，主要包括文件系统的名字空间管理和客户机对文件的访问操作。后者叫做数据节点（DataNode），在集群系统中一般一个节点是由一个DataNode构成的，主要负责对节点上它们附带的存储进行管理。

HDFS系统中文件的目录结构独立存储在NameNode上，对于具体的文件数据来说，一个文件数据其实被拆分成若干block，这些block冗余存储在DataNode集合数据里。NameNode负责执行文件系统的Namespace管理工作，主要包括关闭，打开和重命名数据文件和目录等操作，同时负责建立block和DataNode节点的映射关系。客户机的读写需求是由DataNode节点响应完成的，同时DataNode节点在NameNode的统一指挥下进行Block的创建，删除和复制等操作。

MapReduce编程模型是一种编程模型，是云计算的核心计算模式，用于大规模数据集的并行计算。MapReduce借用了函数式编程的思想，把海量数据集的常见操作抽象为Map（映射）和Reduce（化简）两种集合操作。通过Map函数将被分割后数据映射成不同的区块，然后由计算机集群对分配的数据进行分布式运算处理，再由Reduce函数对数据结果进行统一汇整，最后输出用户想要的数据结果。MapReduce的软件实现是指定一个Map函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（化简）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

Master包括NameNode和JobTracker，Slaves包括DataNodes和TaskTrackers.HDFS的工作主要由NameNode和DataNodes共同完成，MapReduce的工作主要由JobTracker和TaskTrackers共同完成。模型工作流程：服务控制集群SCC（Service Controller Cluster）主要负责对用户应用请求进行接收，并根据用户的请求完成应答工作。存储节点集群SNC（Storage Node Cluster）主要负责处理数据资源的存取工作。JobTracker可以运行在集群系统中的每一台计算机上，主要完成管理和调度其它计算机上的TaskTracker。

不同的是TaskTracker必须运行在数据存储节点的DataNode上，主要完成执行任务工作。JobTracker负责将每一个Map和Reduce任务分配给空闲的TaskTracker处理，完成对每个数据文件并行计算处理任务，同时将每个任务运行完成的情况进行监控。当其中一个TaskTracker发生故障时，JobTracker会主动将其负责的任务转交给另外一个空闲的TaskTracker重新执行完成这个任务。用户本身不直接通过Hadoop架构进行读写数据，这由可以避免大量的读写操作造成的系统拥塞。当用户通过Hadoop架构把信息传给SCC后，将直接与存储节点进行交互，同时完成数据读取操作。

系统采用Hadoop软件，7台PC，其中一台为Master，namenode（集群主节点）；另外六台为Slave， datanode（从节点）。

集群部署步骤：

（1）。 集群配置SSH，实现机器间免密码登陆。在每台机器上生成ssh密钥，然后交换公钥，将namenode的公钥拷贝到每台datanode，这样互相访问就不需要密码了。

（2）。 在每台机器上安装JDK，配置java环境。

（3）。 安装配置hadoop。

（4）。 启动hadoop服务。

（5）。 安装eclipse，搭建集成开发环境。

基于Hadoop平台的云存储

云计算（Cloud Computing）是一种基于因特网的超级计算模式，在远程的数据中心里，成千上万台电脑和服务器连接成一片电脑云。用户通过电脑、笔记本、手机等方式接人数据中心，按自己的需求进行运算。目前，对于云计算仍没有普遍一致的定义。结合上述定义，可以总结出云计算的一些本质特征，即分布式计算和存储特性、高扩展性、用户友好性、良好的管理性。

1云存储架构图

橘色的作为存储节点（Storage Node）负责存放文件，蓝色作为控制节点（（Control Node）则是负责文件索引，并负责监控存储节点间容量及负载的均衡，这两个部分合起来便组成一个云存储。存储节点与控制节点都是单纯的服务器，只是存储节点的硬盘多一些，存储节点服务器不需要具备RAID的功能，只要能安装Linux即可，控制节点为了保护数据，需要有简单的RAID level O1的功能。

云存储不是要取代现有的盘阵，而是为了应付高速成长的数据量与带宽而产生的新形态存储系统，因此云存储在设计时通常会考虑以下三点：

（1）容量、带宽的扩容是否简便

扩容是不能停机，会自动将新的存储节点容量纳入原来的存储池。不需要做繁复的设定。

图1云存储架构图

（2）带宽是否线形增长

使用云存储的客户，很多是考虑未来带宽的增长，因此云存储产品设计的好坏会产生很大的差异，有些十几个节点便达到饱和，这样对未来带宽的扩容就有不利的影响，这一点要事先弄清楚，否则等到发现不符合需求时，已经买了几百TB，后悔就来不及了。

（3）管理是否容易。

2云存储关键技术

云存储必须具备九大要素：①性能;②安全性;③自动ILM存储;④存储访问模式;⑤可用性;⑥主数据保护;⑦次级数据保护;⑧存储的灵活;⑨存储报表。

云计算的发展离不开虚拟化、并行计算、分布式计算等核心技术的发展成熟。下面对其介绍如下：

（1）集群技术、网格技术和分布式文件系统

云存储系统是一个多存储设备、多应用、多服务协同工作的集合体，任何一个单点的存储系统都不是云存储。

既然是由多个存储设备构成的，不同存储设备之间就需要通过集群技术、分布式文件系统和网格计算等技术，实现多个存储设备之间的协同工作，使多个的存 储设备可以对外提供同一种服务，并提供更大更强更好的数据访问性能。如果没有这些技术的存在，云存储就不可能真正实现，所谓的云存储只能是一个一个的独立 系统，不能形成云状结构。

（2）CDN内容分发、P2P技术、数据压缩技术、重复数据删除技术、数据加密技术

CDN内容分发系统、数据加密技术保证云存储中的数据不会被未授权的用户所访问，同时，通过各种数据备份和容灾技术保证云存储中的数据不会丢失，保证云存储自身的安全和稳定。如果云存储中的数据安全得不到保证，也没有人敢用云存储了。

（3）存储虚拟化技术、存储网络化管理技术

云存储中的存储设备数量庞大且分布多在不同地域，如何实现不同厂商、不同型号甚至于不同类型（例如FC存储和IP存储）的多台设备之间的逻辑卷管 理、存储虚拟化管理和多链路冗余管理将会是一个巨大的难题，这个问题得不到解决，存储设备就会是整个云存储系统的性能瓶颈，结构上也无法形成一个整体，而 且还会带来后期容量和性能扩展难等问题。

3部署Hadoop

从历史上看，数据分析软件面对当今的海量数据已显得力不从心，这种局面正在悄然转变。新的海量数据分析引擎已经出现。例如Apache的Hadoop，实践证明，Hadoop在数据处理方面是做得最好的且是开源的平台之一。

云存储中心是由大量服务器构成Hadoop的数据节点（（DataNodes），负责保存文件的内容，实现文件的分布式存储、负载平衡以及文件的容错控制。

下面将利用Hadoop作为实验平台，一步一步演示如何部署一个三个节点的集群，并测试一下MapRe-dace分布式处理的强大功能，在Hadoop分布式文件系统（HDFS）中存人两个文件，并采用MapReduce计算出两个namelist文件中各个名字出现的次数，程序架构设计如图2所示。

图2 3个节点的Hadoop集群

其中NameNode主节点和DataNode从节点的分布情况如下：

表1

（1）启动Hadoop集群

只需要在NameNode主节点上执行start-all.sh命令即可，同时Master节点可以通过ssh登录到各，lave节点去启动其他相关进程。

（2） MapRudce测试

在NameNode和DataNode两个结点都运行正常的时候，也就是Hadoop部署成功了之后，我们在NameNode主节点上准备两个名单文件。名单文件的内容如下：

4运行实验及结果

5结语

结果跟我们预期的一样，这样在以Hadoop为平台进行了对HDFS的文件存储，并且统计了文件中数据的数量，然后显示出来。