【IT168 技术】数据库和文件中储存的数据量每天都在增长，因此我们需要构建能够储存大量数据(“大数据”)，并且廉价、可维护、可伸缩的环境。传统的关系数据库(RDBMS)系统在当前的需求下成本过高并且不可伸缩，因此开发、使用能够满足需求的新技术正合时宜。

　　在这些方向中，云计算是其中一项领先的技术。云计算有许多不同的实现，我们选择的是Hadoop，这是一个拥有Apache许可、基于Google Map Reduce的框架。

　　在本文中，我将尝试说明如何构建一个可伸缩的Hadoop集群，以存储、索引、检索和维护理论上无限容量的数据。

　　本文将逐步介绍这些部分的安装和配置：

　　·网络体系结构

　　·操作系统

　　·硬件要求

　　·Hadoop软件安装/设置

　　网络架构

　　根据我们目前能够拿到的文档，可以认为云内的节点越在物理上接近，越能获得更好的性能。根据经验，网络延时越小，性能越好。

　　为了减少背景流量，我们为这个云创建了一个虚拟专用网。另外，还为应用服务器们创建了一个子网，作为访问云的入口点。

　　这个虚拟专用网的预计时延大约是1-2毫秒。这样一来，物理临近性就不再是一个问题，我们应该通过环境测试来验证这一点。

　　建议的网络架构：

　　·专用TOR(Top of Rack)交换机

　　·使用专用核心交换刀片或交换机

　　·确保应用服务器“靠近”Hadoop

　　·考虑使用以太网绑定

▲图1 - Hadoop集群的网络架构

　　操作系统

　　我们选择Linux作为操作系统。Linux有许多不同的发行版，包括Ubuntu、RedHat和CentOS等，无论选择哪一个都可以。基于支持和许可费用的考虑，我们最终选择了CentOS 5.7。最好是定制一个CentOS的映像，把那些需要的软件都预装进去，这样所有的机器可以包含相同的软件和工具，这是一个很好的做法。

　　根据Cloudera的建议，OS层应该采用以下设置：

　　·文件系统

　　Ext3文件系统

　　取消atime

　　不要使用逻辑卷管理

　　·利用alternatives来管理链接

　　·使用配置管理系统(Yum、Permission、sudoers等)

　　·减少内核交换

　　·撤销一般用户访问这些云计算机的权限

　　·不要使用虚拟化

　　·至少需要以下Linux命令：

　　硬件要求

　　由于Hadoop集群中只有两种节点(Namenode/Jobtracker和Datanode/Tasktracker)，因此集群内的硬件配置不要超过两种或三种。

▲图2 - Hadoop集群服务器角色

　　硬件建议：

　　·Namenode/Jobtracker：1Gb/s以太网口x2、16GB内存、4个CPU、100GB磁盘

　　·Datanode：1Gb/s以太网口x2、8GB内存、4个CPU、多个磁盘，总容量500GB以上

　　实际的硬件配置可以与我们建议的配置不同，这取决于你们需要存储和处理的数据量。但我们强烈建议不要在集群中混用不同的硬件配置，以免那些较弱的机器成为系统的瓶颈。

　　Hadoop的机架感知

　　Hadoop有一个“机架感知”特性。管理员可以手工定义每个slave数据节点的机架号。为什么要做这么麻烦的事情?有两个原因：防止数据丢失和提高网络性能。

▲图3 - Hadoop集群的机架感知

　　为了防止数据丢失，Hadoop会将每个数据块复制到多个机器上。想象一下，如果某个数据块的所有拷贝都在同一个机架的不同机器上，而这个机架刚好发生故障了(交换机坏了，或者电源掉了)，这得有多悲剧?为了防止出现这种情况，必须要有一个人来记住所有数据节点在网络中的位置，并且用这些知识来确定——把数据的所有拷贝们放在哪些节点上才是最明智的。这个“人”就是Name Node。

　　另外还有一个假设，即相比不同机架间的机器，同一个机架的机器之间有着更大的带宽和更小的延时。这是因为，机架交换机的上行带宽一般都小于下行带宽。而且，机架内的延时一般也小于跨机架的延时(但也不绝对)。

　　机架感知的缺点则是，我们需要手工为每个数据节点设置机架号，还要不断地更新这些信息，保证它们是正确的。要是机架交换机们能够自动向Namenode提供本机架的数据节点列表，那就太棒了。