数据立方大数据库DataCube.doc-云创大数据.docVIP

DataCube 数据立方大数据库 背景 近年来，随着计算机技术的发展，各领域数据的增长越来越快。这些数据来自方方面面，从搜集天气情况的感测器，接入社交媒体网站的指令，数码图片，在线的视频资料，到网络购物的交易记录，手机的全球定位系统信号等等。数据规模的急剧膨胀，各行业累积的数据量越来越巨大，数据类型也越来越多、越来越复杂，已经超越了传统数据管理系统、处理模式的能力范围，[1]技术、并行数据库技术以及云计算与数据库相结合的技术应运而生。 我们在大数据的背景下，对大数据处理技术进行了探讨，将其分为三类：MapReduce技术、并行数据库技术和云计算与数据库相结合的技术。通过研究这些技术的架构、适用环境，提出了一种全新的云计算数据库－－数据立方。 新一代EB级云计算数据库－－数据立方大数据库DataCube 通过对MapReduce、并行数据库和两者的混合技术研究，南京云创存储，通过执行方式，使查询达到了实时完成、简单易用、高可靠安全的效能，使级的数据能够秒级处理，极大地提高用户执行查询操作后的使用效率，不仅在查询和检索这部分数据的时候具有非常高的性能优势，数据立方还可以支持数据仓库存储、数据深度挖掘和商业智能分析等业务? 数据立方的体系架构 图4 数据立方架构 数据立方（DataCube）的结构分为部分词法分析、语法分析、编译、优化查询查询执行。 图5 DPCA架构 数据立方的分布式并行架构（DPCA）是典型的主从结构，主Master与从Master分别部署在HDFS的主从NameNode物理节点上，而Slave部署在DataNode物理节点上，主从Master使用Zookeeper同步，并共享系统日志，Master与Slave之间用心跳信息保持信息交换。 图6 并行计算架构上作业执行过程 图7 并行计算架构的三中分发方式 相对于MapReduce架构，DPCA具有实时性、计算的数据本地性以及数据平衡性。MapReduce架构的job提交过程较为复杂，客户端将job提交到JobTracker有较长的延迟， JobTracker将job处理为MapReduce task后，通过TaskTracker的心跳信息将task任务返回给TaskTracker，此过程中也存在延迟。MapReduce架构虽然也遵循数据本地性，但仍会有很大比例的数据处理不是本地的，相对于MapReducejob提交是实时性的，在提交job之前所需程序jar包已经分发到所有计算节点，在job提交之后，master在初始化处理之后即将task直接分发到所有slave节点上，如图6所示，在jobmaster根据数据文件所在位置分配task，这样在每个计算节点上要处理的HDFS上的数据块就在本地，这样避免了数据的移动，极大地减少了网络IO负载，缩短了计算时间，每个计算节点会根据Task中SQL解析器生成的执行计划对Task执行的结果进行分发，分发的方式有三种：分发所有中间数据到所有计算节点，分发所有中间数据到部分节点，根据数据所在位置分发，如图7所示。并行计算架构能够周期性地对HDFS上的数据表进行维护，保持数据表在所有的DataNode节点上所存储的数据量的平衡，减少因数据负载的不平衡而导致的计算负载的不平衡。 图7 小表与大表的join实例 举一个典型的小表与大表join连接的实例，如图7所示，Master解析Job中的执行计划，判断小表的位置后，将Task0发送给了Slave0，指令Slave0发送小表到所有节点，而其他节点接收到的子任务是等待接受小表的数据，接收到数据后将小表与大表连接并将数据返回给Master，当所有数据返回完成则这个job完成。 分布式索引 MapReduce是对每个查询都是直接从分布式文件系统中读入原始数据文件，I/O代价远高于数据库，相对于MapReduce架构以及在其之上的SQL解析器Hive，数据立方引入了一种高效的分布式索引机制，不同于并行数据库的 shared-nothing和shared-disk架构，数据立方的数据文件与索引文件都存放在分布式文件系统之上。 图8 B树索引 数据在入库的同时B树索引在内存中同步生成，B树中的叶子节点存储的是数据文件路径与记录在文件中的偏移量，如图所示，在B树中的叶子节点达到设置上限后，索引将被序列化到分布式文件系统之上，在根据条件进行单表查询的时，job被提交到并行计算框架，master节点首先分析该表的索引文件根据索引文件所在的节点将task发送到相应的节点，每个节点在查询本地的索引文件之后将符合条件的数据文件路径+偏移量打包成task根据数据文件位置进行再次分发，在数据文件中的记录查询