阿里云：基于JindoFS+OSS构建高效数据湖

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。

JindoFS介绍

Jindo是阿里云基于Apache Spark/Apache Hadoop在云上定制的分布式计算和存储引擎。Jindo原是阿里云开源大数据团队的内部研发代号，取自筋斗(云)的谐音，Jindo在开源基础上做了大量优化和扩展，深度集成和连接了众多阿里云基础服务。

JindoFS是阿里云针对云上存储自研的大数据缓存加速服务，JindoFS的设计理念是云原生：弹性、高效、稳定和低成本。JindoFS完全兼容Hadoop文件系统接口，给客户带来更加灵活、高效的数据湖加速方案，完全兼容阿里云EMR中所有的计算服务和引擎：Spark、Flink、Hive、MapReduce、Presto、Impala等。JindoFS有两种使用模式，块存储模式(BLOCK)和缓存模式(CACHE)。下面我们介绍下如何在EMR中配置和使用JindoFS以及不同模式对应的场景。

JindoFS架构

JindoFS主要包含两个服务组件：元数据服务(NamespaceService)和存储服务(StorageService)：

NamespaceService主要负责元数据管理以及管理StorageService。

StorageService主要负责管理节点的本地数据和OSS上的缓存数据。

下图是JindoFS架构图：元数据服务NamespaceService部署在独立的节点，对于生产环境推荐部署三台(Raft)来实现服务高可用；存储服务StorageService部署在集群的计算节点，管理节点上的闲置存储资源（本地盘/SSD/内存等），为JindoFS提供分布式缓存能力。

JindoFS元数据服务

JindoFS的元数据服务叫JindoNamespaceService，内部基于K-V结构存储元数据，相对于传统的内存结构有着操作高效，易管理，易恢复等优势。

高效元数据操作。JindoFS NamespaceService基于内存+磁盘管理和存储元数据，但是性能上比使用内存的HDFS NameNode还要好，一方面是JindoFS使用C++开发，没有GC等问题，响应更快；另一方面是由于Namespace Service内部有更好的设计，比如文件元数据上更细粒度的锁，更高效的数据块副本管理机制。

秒级启动。有大规模HDFS集群维护经验的同学比较清楚，当HDFS元数据存储量过亿以后，NameNode启动初始化要先加载Fsimage，再合并edit log，然后等待全部DataNode上报Block，这一系列流程完成要花费一个小时甚至更长的时间，由于NameNode是双机高可用（Active/Standby），如果standby节点重启时active节点出现异常，或两台NameNode节点同时出现故障，HDFS将出现停服一小时以上的损失。JindoFS的元数据服务基于Raft实现高可用，支持2N+1的部署方式，允许同时挂掉N台；元数据服务(NamespaceService)在元数据内部存储上进行了设计和优化，进程启动后即可提供服务，可以做到了快速响应。由于NamespaceService近实时写入OTS的特点，元数据节点更换，甚至集群整体迁移也非常容易。

低资源消耗。HDFS NameNode采用内存形式来存储文件元数据。在一定规模下，这种做法性能上是比较不错的，但是这样的做法也使HDFS元数据的规模受限于节点的内存，经过推算，1亿文件HDFS文件大约需要分配60 GB Java Heap给NameNode，所以一台256 GB的机器最多可以管理4亿左右的元数据，同时还需要不断调优JVM GC。JindoFS的元数据采用Rocksdb存储元数据，可以轻松支持到10亿规模，对于节点的内存需求也非常小，资源开销不到NameNode的十分之一。

JindoFS缓存服务

JindoFS的数据缓存服务叫JindoStorageService，本地StorageService主要提供高性能缓存加速，所以运维上可以基于这样的设定大大简化。

弹性运维。HDFS使用DataNode在存储节点上来管理节点存储，全部数据块都存储在节点的磁盘上，依靠DataNode定期检查和心跳把存储状态上报给NameNode，NameNode通过汇总和计算，动态地保证文件的数据块达到设定的副本数（一般3副本）。对于大规模集群（节点1000+），经常需要进行集群节点扩容，节点迁移，节点下线，节点数据平衡这样的操作，大量的数据块的副本计算增加了NameNode负载，同时，节点相关操作要等待NameNode内部的副本调度完成才能进行，通常一个存储节点的下线需要小时级别的等待才能完成。JindoFS使用StorageService来管理节点上的存储，由于JindoFS保证了数据在OSS上有一副本，所以本地的副本主要用来进行缓存加速。对于节点迁移、节点下线等场景，JindoFS无需复杂副本计算，通过快速的“标记”即可完成下线。

高性能存储。StorageService采用C++语言开发，在对接最新高性能存储硬件上也有着天然优势。StorageService的存储后端不仅可以同时对接SSD、本磁盘、OSS满足Hadoop/Spark大数据框架各种海量、高性能的存储访问需求，可以对接内存、AEP这样的高性能设备满足AI/机器学习的低延时、高吞吐的存储使用需求。

JindoFS适用场景

JindoFS的元数据存储在Master节点的NamespaceService（高可用部署）上，性能和体验上对标HDFS；Core节点的StorageService将一份数据块存储在OSS上，本地数据块可以随着节点资源进行快速的弹性伸缩。多集群之间也可以相互打通。

为了支持数据湖多种使用场景，一套JindoFS部署同时提供两种OSS使用方式，存储模式（Block）和缓存模式（Cache）。

缓存模式。对于已经存在于OSS上的数据，可以使用缓存模式访问，正如“缓存”本身的含义，通过缓存的方式，在本地集群基于JindoFS的存储能力构建了一个分布式缓存服务，把远端数据缓存在本地集群，使远端数据“本地化”。使用上也沿用原来的路径访问，如oss://bucket1/file1，这种模式全量的文件都在OSS上面，可以做到集群级别的弹性使用。

存储模式。存储模式（Block）适用于高性能数据处理场景，元数据存储在NamespaceService（支持高可用部署）上，性能和体验上对标HDFS；StorageService将一份数据块存储在OSS上，本地数据块可以随着节点资源可以进行快速的弹性伸缩。基于JindoFS Block模式这样的特性，可以用作构建高性能数仓的核心存储，多个计算集群可以访问JindoFS主集群的数据。

JindoFS方案优势

基于JindoFS+OSS来构建数据湖相比于其他数据湖方案同时具有性能和成本优势。

性能上，JindoFS针对一些常用的场景和Benchmark进行了对比测试，如DFSIO、NNbench、TPCDS、Spark、Presto等，通过测试我们可以看到性能上，Block模式完全领先于HDFS，Cache模式完全领先于Hadoop社区的OSS SDK实现，由于篇幅的原因，后续我们会发布详细的测试报告。

成本上。成本是也是用户上云的重要考量，JindoFS的成本优势主要体现在运维成本和存储成本两方面。运维成本指的是集群日常维护，节点上下线、迁移等。如前面分析，当HDFS集群增长到一定规模时，比如10PB+，除了对HDFS进行专家级别调优外，还需要业务上的拆分规划，避免达到HDFS元数据上的瓶颈。同时，随着集群数据不断增长，一些节点和磁盘也会出现故障，需要进行节点下线和数据平衡，也给大集群的运维带来一定的复杂度。JindoFS可以使用OSS+OTS的存储模式，OSS上保留原始文件和数据块备份，对节点和磁盘出现的问题可以更好兼容；元数据（NamespaceService）采用C++开发加上工程打磨，相比NameNode+JVM在容量上和性能上也更有优势。

下面我们重点来看存储成本。存储成本指的是存放数据后产生的存储费用，使用OSS是按量付费的，相比基于本地盘创建的HDFS集群有更好的成本优势，下面来计算和对比一下二者成本：

基于HDFS+本地盘方案构建大数据存储：

由于本地盘机型为整体价格，需要如下进行换算，预估存储成本如下：

考虑到实际使用HDFS会有3副本以及一定的预留空间，我们以HDFS 3副本、80%使用率进行成本计算：

基于JindoFS加速方案构建数据湖：

我们可以看到使用JindoFS加速方案构建数据湖，要节省25%的存储成本。同时OSS是按量计费，即计算存储分离，当计算和存储比例存在差异时，比如存储资源高速增长，计算资源增加较小时，成本优势会更加明显。

对OSS数据进行缓存加速，需要额外使用计算节点上部分磁盘空间，带来一定成本。这部分成本，一般取决于热数据或者要缓存数据的大小，跟要存储的数据总量关系不大。增加这部分成本，可以换取计算效率的提升和计算资源的节省，整体效果可以根据实际场景进行评估。

JindoFS生态

数据湖是开放的，需要对接各种计算引擎。目前JindoFS已经明确支持Spark、Flink、Hive、MapReduce、Presto和Impala组件。同时，JindoFS为了支持更好地使用数据湖，还提供JindoTable对结构化数据进行优化和查询加速；提供JindoDistCp来支持HDFS离线数据往OSS迁移；支持JindoFuse方便数据湖上加速机器学习训练。

相关推荐: 亚马逊卖家开店必知的产品图片优化原则

厦门商城系统开发 亚马逊卖家们都知道，每次listing图片的优化是为了获得更多的订单，提高更多的点击率和转化率。然而，一些卖家的点击率和转化率急剧下降，因为他们没有使用正确的方法或优化错误的方向。那么如何优化产品图片呢？   产品图片的优化应符合三个原则：一…