大数据服务上云的思考

最近看到亚马逊第一次单独公布AWS财报，一年营收57亿美元，市场份额占比第一。混合云市场，2014年，IBM以综合的IT能力，收入70亿夺魁。云计算喊了这么多年，不知不觉已经变成了几十亿美元的大生意。云计算时代真的来了！

AWS的财报可以看看下面的图解：

<!--[endif]-->

今天不是来说AWS的，说说大数据怎么上云的一些思考：

1、首先说说，大数据和云的关系，云是一种网络形态的概念，是继1980年代大型计算机到客户端-服务器的大转变之后的又一种巨变。云计算（Cloud Computing）是分布式计算（Distributed Computing）、并行计算（Parallel Computing）、效用计算（Utility Computing）、网络存储（Network Storage Technologies）、虚拟化（Virtualization）、负载均衡（Load Balance）、热备份冗余（High Available）等传统计算机和网络技术发展融合的产物。除了技术上的融合形态，更重要的体现了一种服务模式的一种融合和改变，对于云来说，大数据只是上面的一种服务，和其他的web服务，数据库服务没有区别。

2、I层（云的基础设施）现在业界最火的方案是OpenStack，OpenStack是一个由NASA（美国国家航空航天局）和Rackspace合作研发并发起的，以Apache许可证授权的自由软件和开放源代码项目。

OpenStack是一个开源的云计算管理平台项目，由几个主要的组件组合起来完成具体工作。OpenStack支持几乎所有类型的云环境，项目目标是提供实施简单、可大规模扩展、丰富、标准统一的云计算管理平台。OpenStack通过各种互补的服务提供了基础设施即服务（IaaS）的解决方案，每个服务提供API以进行集成。

OpenStack云计算平台，帮助服务商和企业内部实现类似于 Amazon EC2 和 S3 的云基础架构服务(Infrastructure as a Service, IaaS)。OpenStack 包含两个主要模块：Nova 和 Swift，前者是 NASA 开发的虚拟服务器部署和业务计算模块；后者是 Rackspace开发的分布式云存储模块，两者可以一起用，也可以分开单独用。OpenStack除了有 Rackspace 和 NASA 的大力支持外，还有包括 Dell、Citrix、 Cisco、 Canonical等重量级公司的贡献和支持，发展速度非常快。

在云环境中，Openstack解决了I层的问题，所有物理资源的管理和分配由I层来负责。

3、正是因为I层将资源和存储进行了虚拟化然后对上提供，大数据上云最大的两个问题是资源管理和数据存储。同时大数据又是重载的业务，对资源的需求非常高，因此需要大数据和openstack充分配合，大数据上云才能运行的好。

4、传统数据中心，大数据集群的资源管理和分配目前主要的方案是mesos/YARN。

 
<!--[endif]-->

从上图大家可以看出，Mesos/YARN来对物理资源直接进行管理，然后分配给上层的组件使用。 资源隔离方面，docker方案发展很快，所以又有YARN和kubernets结合的方案。PaaS作为一个服务直接架在YARN上。在没有直接I层能力的情况下，应该是非常合适的一种的过渡方案，但是如果YARN管理的不是直接的物理资源，而是I层虚拟出来的VM/docker之类，mesos/YARN和I层的能力就出现了一定的重合和冲突，这个时候mesos/YARN应该把VM/Docker级资源管理和分配的能力释放给I层，聚焦于job级资源的分配和调度。此时PaaS在架构在YARN/MESOS上就非常多余。

5、对于存储存在同样的问题，HDFS是对物理硬盘的直接抽象成对象存储，并提供3份冗余来保障数据的可靠性。云上的I层对存储通常也会抽象，并且进行一定的冗余，来动态分配给上层应用。HDFS直接架在I层上，就存在反复冗余的问题。同时大数据的核心是对数据的处理，数据存储的位置对性能起到非常关键的作用，多层反复虚拟化之后，数据存储的不确定性，性能损耗非常大。因此I层最好将物理硬盘直接提供出来给大数据服务可见，让用数据的人直接管理数据效率最高。