結(jié)合阿里云上的EMR JindoFS優(yōu)化和實踐，數(shù)據(jù)湖怎么玩“加速”？

湖加速即為數(shù)據(jù)湖加速，是指在數(shù)據(jù)湖架構(gòu)中，為了統(tǒng)一支持各種計算，對數(shù)據(jù)湖存儲提供適配支持，進行優(yōu)化和緩存加速的中間層技術(shù)。那么為什么需要湖加速？數(shù)據(jù)湖如何實現(xiàn)“加速”？本文將從三個方面來介紹湖加速背后的原因，分享阿里云在湖加速上的實踐經(jīng)驗和技術(shù)方案。

在開源大數(shù)據(jù)領(lǐng)域，存儲/計算分離已經(jīng)成為共識和標準做法，數(shù)據(jù)湖架構(gòu)成為大數(shù)據(jù)平臺的首要選擇?；谶@一范式，大數(shù)據(jù)架構(gòu)師需要考慮三件事情：

第一，選擇什么樣的存儲系統(tǒng)做數(shù)據(jù)湖（湖存儲）？ 第二，計算和存儲分離后，出現(xiàn)了性能瓶頸，計算如何加速和優(yōu)化（湖加速）？ 第三，針對需要的計算場景，選擇什么樣的計算引擎（湖計算）？

湖存儲可以基于我們熟悉的HDFS，在公共云上也可以選擇對象存儲，例如阿里云OSS。在公共云上，基于對象存儲構(gòu)建數(shù)據(jù)湖是目前業(yè)界最主流的做法，我們這里重點探討第二個問題，結(jié)合阿里云上的EMR JindoFS優(yōu)化和實踐，看看數(shù)據(jù)湖怎么玩“加速”。

湖加速

在數(shù)據(jù)湖架構(gòu)里，湖存儲（HDFS，阿里云OSS）和湖計算（Spark，Presto）都比較清楚。那么什么是湖加速？大家不妨搜索一下…（基本沒有直接的答案）。湖加速是阿里云EMR同學(xué)在內(nèi)部提出來的，顧名思義，湖加速即為數(shù)據(jù)湖加速，是指在數(shù)據(jù)湖架構(gòu)中，為了統(tǒng)一支持各種計算，對數(shù)據(jù)湖存儲提供適配支持，進行優(yōu)化和緩存加速的中間層技術(shù)。這里面出現(xiàn)較早的社區(qū)方案應(yīng)該是Alluxio，Hadoop社區(qū)有S3A Guard，AWS有EMRFS，都適配和支持AWS S3，Snowflake在計算側(cè)有SSD緩存，Databricks有DBIO/DBFS，阿里云有EMR JindoFS，大體都可以歸為此類技術(shù)。

那么為什么需要湖加速呢？這和數(shù)據(jù)湖架構(gòu)分層，以及相關(guān)技術(shù)演進具有很大關(guān)系。接下來，我們從三個方面的介紹來尋找答案。分別是：基礎(chǔ)版，要適配;標配版，做緩存;高配版，深度定制。JindoFS同時涵蓋這三個層次，實現(xiàn)數(shù)據(jù)湖加速場景全覆蓋。

基礎(chǔ)版：適配對象存儲

以Hadoop為基礎(chǔ)的大數(shù)據(jù)和在AWS上以EC2/S3為代表的云計算，在它們發(fā)展的早期，更像是在平行的兩個世界。等到EMR產(chǎn)品出現(xiàn)后，怎么讓大數(shù)據(jù)計算（最初主要是MapReduce）對接S3，才成為一個真實的技術(shù)命題。對接S3、OSS對象存儲，大數(shù)據(jù)首先就要適配對象接口。Hadoop生態(tài)的開源大數(shù)據(jù)引擎，比如Hive和Spark，過去主要是支持HDFS，以Hadoop Compatible File System（HCFS）接口適配、并支持其他存儲系統(tǒng)。機器學(xué)習(xí)生態(tài)（Python）以POSIX接口和本地文件系統(tǒng)為主，像TensorFlow這種深度學(xué)習(xí)框架當然也支持直接使用HDFS 接口。對象存儲產(chǎn)品提供REST API，在主要開發(fā)語言上提供封裝好的SDK，但都是對象存儲語義的，因此上述這些流行的計算框架要用，必須加以適配，轉(zhuǎn)換成HCFS接口或者支持POSIX。這也是為什么隨著云計算的流行，適配和支持云上對象存儲產(chǎn)品成為Hadoop社區(qū)開發(fā)的一個熱點，比如S3A FileSytem。阿里云EMR團隊則大力打造JindoFS，全面支持阿里云OSS并提供加速優(yōu)化。如何高效地適配，并不是設(shè)計模式上增加一層接口轉(zhuǎn)換那么簡單，做好的話需要理解兩種系統(tǒng)（對象存儲和文件系統(tǒng)）背后的重要差異。我們稍微展開一下：

第一，海量規(guī)模。

對象存儲提供海量低成本存儲，相比文件系統(tǒng)（比如HDFS），阿里云OSS更被用戶認為可無限擴展。同時隨著各種BI技術(shù)和AI技術(shù)的流行和普及，挖掘數(shù)據(jù)的價值變得切實可行，用戶便傾向于往數(shù)據(jù)湖（阿里云OSS）儲存越來越多不同類型的數(shù)據(jù)，如圖像、語音、日志等等。這在適配層面帶來的挑戰(zhàn)就是，需要處理比傳統(tǒng)文件系統(tǒng)要大許多的數(shù)據(jù)量和文件數(shù)量。千萬級文件數(shù)的超大目錄屢見不鮮，甚至包含大量的小文件，面對這種目錄，一般的適配操作就失靈了，不是OOM就是hang在那兒，根本就不可用。JindoFS一路走來積累了很多經(jīng)驗，我們對大目錄的listing操作和du/count這種統(tǒng)計操作從內(nèi)存使用和充分并發(fā)進行了深度優(yōu)化，目前達到的效果是，千萬文件數(shù)超大目錄，listing操作比社區(qū)版本快1倍，du/count快21%，整體表現(xiàn)更為穩(wěn)定可靠。

第二，文件和對象的映射關(guān)系。

對象存儲提供key到blob對象的映射，這個key的名字空間是扁平的，本身并不具備文件系統(tǒng)那樣的層次性，因此只能在適配層模擬文件/目錄這種層次結(jié)構(gòu)。正是因為要靠模擬，而不是原生支持，一些關(guān)鍵的文件/目錄操作代價昂貴，這里面最為知名的就是rename了。文件rename或者mv操作，在文件系統(tǒng)里面只是需要把該文件的inode在目錄樹上挪動下位置即可，一個原子操作;但是在對象存儲上，往往受限于內(nèi)部的實現(xiàn)方式和提供出來的標準接口，適配器一般需要先copy該對象到新位置，然后再把老對象delete掉，用兩個獨立的步驟和API調(diào)用。對目錄進行rename操作則更為復(fù)雜，涉及到該目錄下的所有文件的rename，而每一個都是上述的copy+delete;如果目錄層次很深，這個rename操作還需要遞歸嵌套，涉及到數(shù)量巨大的客戶端調(diào)用次數(shù)。對象的copy通常跟它的size相關(guān)，在很多產(chǎn)品上還是個慢活，可以說是雪上加霜。阿里云OSS在這方面做了很多優(yōu)化，提供Fast Copy能力，JindoFS充分利用這些優(yōu)化支持，結(jié)合客戶端并發(fā)，在百萬級大目錄rename操作上，性能比社區(qū)版本接近快3X。

第三，一致性。

為了追求超大并發(fā)，不少對象存儲產(chǎn)品提供的是最終一致性（S3），而不是文件系統(tǒng)常見的強一致性語義。這帶來的影響就是，舉個栗子，程序明明往一個目錄里面剛剛寫好了10個文件，結(jié)果隨后去list，可能只是部分文件可見。這個不是性能問題，而是正確性了，因此在適配層為了滿足大數(shù)據(jù)計算的需求，Hadoop社區(qū)在S3A適配上花了很大力氣處理應(yīng)對這種問題，AWS自己也類似提供了EMRFS，支持ConsistentView。阿里云OSS提供了強一致性，JindoFS基于這一特性大大簡化，用戶和計算框架使用起來也無須擔心類似的一致性和正確性問題。

第四，原子性。

對象存儲自身沒有目錄概念，目錄是通過適配層模擬出來的。對一個目錄的操作就轉(zhuǎn)化為對該目錄下所有子目錄和文件的客戶端多次調(diào)用操作，因此即使是每次對象調(diào)用操作是原子的，但對于用戶來說，對這個目錄的操作并不能真正做到原子性。舉個例子，刪除目錄，對其中任何一個子目錄或文件的刪除操作失?。ò卦嚕?，哪怕其他文件刪除都成功了，這個目錄刪除操作整體上還是失敗。這種情況下該怎么辦？通常只能留下一個處于中間失敗狀態(tài)的目錄。JindoFS在適配這些目錄操作（rename，copy，delete and etc）的時候，結(jié)合阿里云 OSS 的擴展和優(yōu)化支持，在客戶端盡可能重試或者回滾，能夠很好地銜接數(shù)據(jù)湖各種計算，在pipeline 上下游之間保證正確處理。

第五，突破限制。

對象存儲產(chǎn)品是獨立演化發(fā)展的，少不了會有自己的一些獨門秘籍，這種特性要充分利用起來可能就得突破HCFS抽象接口的限制。這里重點談下對象存儲的高級特性Concurrent MultiPartUpload （CMPU），該特性允許程序按照分片并發(fā)上傳part的方式高效寫入一個大對象，使用起來有兩個好處，一個是可以按照并發(fā)甚至是分布式的方式寫入一個大對象，實現(xiàn)高吞吐，充分發(fā)揮對象存儲的優(yōu)勢;另外一個是，所有parts都是先寫入到一個staging區(qū)域的，直到complete的時候整個對象才在目標位置出現(xiàn)。利用阿里云OSS這個高級特性，JindoFS開發(fā)了一個針對MapReduce模型的Job Committer，用于Hadoop，Spark 和類似框架，其實現(xiàn)機制是各個任務(wù)先將計算結(jié)果按照part寫入到臨時位置，然后作業(yè)commit的時候再complete這些結(jié)果對象到最終位置，實現(xiàn)無須rename的效果。我們在Flinkfile sink connector支持上也同樣往計算層透出這方面的額外接口，利用這個特性支持了Exactly-Once的語義。

標配版：緩存加速

數(shù)據(jù)湖架構(gòu)對大數(shù)據(jù)計算的另外一個影響是存/算分離。存儲和計算分離，使得存儲和計算在架構(gòu)上解耦，存儲朝著大容量低成本規(guī)?；?yīng)，計算則向著彈性伸縮，豐富性和多樣化向前發(fā)展，在整體上有利于專業(yè)化分工和大家把技術(shù)做深，客戶價值也可以實現(xiàn)最大化。但是這種分離架構(gòu)帶來一個重要問題就是，存儲帶寬的供應(yīng)在一些情況下可能會跟計算對存儲帶寬的需求不相適應(yīng)。計算要跨網(wǎng)絡(luò)訪問存儲，數(shù)據(jù)本地性消失，訪問帶寬整體上會受限于這個網(wǎng)絡(luò);更重要的是，在數(shù)據(jù)湖理念下，多種計算，越來越多的計算要同時訪問數(shù)據(jù)，會競爭這個帶寬，最終使得帶寬供需失衡。我們在大量的實踐中發(fā)現(xiàn)，同一個OSS bucket，Hive/Spark數(shù)倉要進行ETL，Presto要交互式分析，機器學(xué)習(xí)也要抽取訓(xùn)練數(shù)據(jù)，這個在數(shù)據(jù)湖時代之前不可想象，那個時候也許最多的就是MapReduce作業(yè)了。這些多樣化的計算，對數(shù)據(jù)訪問性能和吞吐的需求卻不遑多讓甚至是變本加厲。常駐的集群希望完成更多的計算;彈性伸縮的集群則希望盡快完成作業(yè)，把大量節(jié)點給釋放掉節(jié)省成本;像Presto這種交互式分析業(yè)務(wù)方希望是越快越好，穩(wěn)定亞秒級返回不受任何其他計算影響;而GPU訓(xùn)練程序則是期望數(shù)據(jù)完全本地化一樣的極大吞吐。像這種局面該如何破呢？無限地增加存儲側(cè)的吞吐是不現(xiàn)實的，因為整體上受限于和計算集群之間的網(wǎng)絡(luò)。有效地保證豐富的計算對存儲帶寬的需求，業(yè)界早已給出的答案是計算側(cè)的緩存。Alluxio一直在做這方面的事情，JindoFS核心定位是數(shù)據(jù)湖加速層，其思路也同出一轍。下面是它在緩存場景上的架構(gòu)圖。

JindoFS在對阿里云OSS適配優(yōu)化的同時，提供分布式緩存和計算加速，剛剛寫出去的和重復(fù)訪問的數(shù)據(jù)可以緩存在本地設(shè)備上，包括HDD，SSD和內(nèi)存，我們都分別專門優(yōu)化過。這種緩存加速是對用戶透明的，本身并不需要計算額外的感知和作業(yè)修改，在使用上只需要在OSS適配的基礎(chǔ)上打開一個配置開關(guān)，開啟數(shù)據(jù)緩存。疊加我們在適配上的優(yōu)化，跟業(yè)界某開源緩存方案相比，我們在多個計算場景上都具有顯著的性能領(lǐng)先優(yōu)勢?；诖疟P緩存，受益于我們能夠更好地balance多塊磁盤負載和高效精細化的緩存塊管理，我們用TPC-DS 1TB進行對比測試，SparkSQL性能快27%;Presto大幅領(lǐng)先93%;在HiveETL場景上，性能領(lǐng)先42%。JindoFS 的 FUSE支持完全采用 native 代碼開發(fā)而沒有 JVM 的負擔，基于SSD緩存，我們用TensorFlow程序通過JindoFuse來讀取JindoFS上緩存的OSS數(shù)據(jù)來做訓(xùn)練，相較該開源方案性能快40%。

在數(shù)據(jù)湖架構(gòu)下在計算側(cè)部署緩存設(shè)備引入緩存，可以實現(xiàn)計算加速的好處，計算效率的提升則意味著更少的彈性計算資源使用和成本支出，但另一方面毋庸諱言也會給用戶帶來額外的緩存成本和負擔。如何衡量這個成本和收益，確定是否引入緩存，需要結(jié)合實際的計算場景進行測試評估，不能一概而論。

高配版：深度定制，自己管理文件元數(shù)據(jù)

我們在JindoFS上優(yōu)化好OSS適配，把Jindo分布式緩存性能做到效能最大化，能滿足絕大多數(shù)大規(guī)模分析和機器學(xué)習(xí)訓(xùn)練這些計算?，F(xiàn)有的JindoFS大量部署和使用表明，無論Hive/Spark/Impala這種數(shù)倉作業(yè)，Presto交互式分析，還是TensorFlow訓(xùn)練，我們都可以在計算側(cè)通過使用阿里云緩存定制機型，來達到多種計算高效訪問OSS數(shù)據(jù)湖的吞吐要求。可是故事并沒有完，數(shù)據(jù)湖的架構(gòu)決定了計算上的開放性和更加多樣性，上面這些計算可能是最主要的，但并不是全部，JindoFS在設(shè)計之初就希望實現(xiàn)一套部署，即能覆蓋各種主要場景。一個典型情況是，有不少用戶希望JindoFS能夠完全替代HDFS，而不只是Hive/Spark夠用就可以了，用戶也不希望在數(shù)據(jù)湖架構(gòu)下還要混合使用其他存儲系統(tǒng)。整理一下大概有下面幾種情況需要我們進一步考慮。

第一、上面討論對象存儲適配的時候我們提到，一些文件/目錄操作的原子性需求在本質(zhì)上是解決不了的，比如文件的rename，目錄的copy，rename和delete。徹底解決這些問題，完全滿足文件系統(tǒng)語義，根本上需要自己實現(xiàn)文件元數(shù)據(jù)管理，像HDFS NameNode那樣。

第二、HDFS有不少比較高級的特性和接口，比如支持truncate，append，concat，hsync，snapshot和Xattributes。像HBase依賴hsync/snapshot，F(xiàn)link依賴truncate。數(shù)據(jù)湖架構(gòu)的開放性也決定了還會有更多的引擎要對接上來，對這些高級接口有更多需求。

第三、HDFS重度用戶希望能夠平遷上云，或者在存儲方案選擇上進行微調(diào)，原有基于HDFS的應(yīng)用，運維和治理仍然能夠繼續(xù)使用。在功能上提供Xattributes支持，文件權(quán)限支持，Ranger集成支持，甚至是auditlog支持;在性能上希望不低于HDFS，最好比HDFS還好，還不需要對NameNode調(diào)優(yōu)。為了也能夠享受到數(shù)據(jù)湖架構(gòu)帶來的各種好處，該如何幫助這類用戶基于OSS進行架構(gòu)升級呢？

第四、為了突破S3這類對象存儲產(chǎn)品的局限，大數(shù)據(jù)業(yè)界也在針對數(shù)據(jù)湖深度定制新的數(shù)據(jù)存儲格式，比如Delta，Hudi，和Iceberg。如何兼容支持和有力優(yōu)化這類格式，也需要進一步考慮。

基于這些因素，我們進一步開發(fā)和推出JindoFS block模式，在OSS對象存儲的基礎(chǔ)上針對大數(shù)據(jù)計算進行深度定制，仍然提供標準的HCFS接口，因為我們堅信，即使同樣走深度定制路線，遵循現(xiàn)有標準與使用習(xí)慣對用戶和計算引擎來說更加容易推廣和使用，也更加符合湖加速的定位和使命。JindoFS block模式對標HDFS，不同的是采取云原生的架構(gòu)，依托云平臺我們做了大量簡化，使得整個系統(tǒng)具有彈性，輕量和易于運維的特點和優(yōu)勢。

如上圖示，是JindoFS在block模式下的系統(tǒng)架構(gòu)，整體上重用了JindoFS緩存系統(tǒng)。在這種模式下，文件數(shù)據(jù)是分塊存放在OSS上，保證可靠和可用;同時借助于本地集群上的緩存?zhèn)浞荩梢詫崿F(xiàn)緩存加速。文件元數(shù)據(jù)異步寫入到阿里云OTS數(shù)據(jù)庫防止本地誤操作，同時方便JindoFS集群重建恢復(fù);元數(shù)據(jù)在正常讀寫時走本地RocksDB，內(nèi)存做LRU緩存，因此支撐的文件數(shù)在億級;結(jié)合元數(shù)據(jù)服務(wù)的文件/目錄級別細粒度鎖實現(xiàn)，JindoFS在大規(guī)模高并發(fā)作業(yè)高峰的時候表現(xiàn)比HDFS更穩(wěn)定，吞吐也更高。我們用HDFS NNBench做并發(fā)測試，對于最關(guān)鍵的open和create操作，JindoFS的IOPS比HDFS高60%。在千萬級超大目錄測試上，文件listing操作比HDFS快130%;文件統(tǒng)計du/count操作比HDFS快1X。借助于分布式Raft協(xié)議，JindoFS支持HA和多namespaces，整體上部署和維護比HDFS簡化太多。在IO吞吐上，因為除了本地磁盤，還可以同時使用OSS帶寬來讀，因此在同樣的集群配置下用DFSIO實測下來，讀吞吐JindoFS比HDFS快33%。

JindoFS在湖加速整體解決方案上進一步支持block模式，為我們拓寬數(shù)據(jù)湖使用場景和支持更多的引擎帶來更大的想象空間。目前我們已經(jīng)支持不少客戶使用HBase，為了受益于這種存/算分離的架構(gòu)同時借助于本地管理的存儲設(shè)備進行緩存加速，我們也在探索將更多的開源引擎對接上來。比如像Kafka，Kudu甚至OLAP新貴ClickHouse，能不能讓這些引擎專注在它們的場景上，將它們從壞盤處理和如何伸縮這類事情上徹底解放出來。原本一些堅持使用HDFS的客戶也被block模式這種輕運維，有彈性，低成本和高性能的優(yōu)勢吸引，通過這種方式也轉(zhuǎn)到數(shù)據(jù)湖架構(gòu)上來。如同對OSS的適配支持和緩存模式，JindoFS這種新模式仍然提供完全兼容的HCFS和FUSE支持，大量的數(shù)據(jù)湖引擎在使用上并不需要增加額外的負擔。

總結(jié)

行文至此，我們做個回顧和總結(jié)?；跀?shù)據(jù)湖對大數(shù)據(jù)平臺進行架構(gòu)升級是業(yè)界顯著趨勢，數(shù)據(jù)湖架構(gòu)包括湖存儲、湖加速和湖分析，在阿里云上我們通過 JindoFS 針對各種場景提供多種數(shù)據(jù)湖加速解決方案。阿里云推出的專門支持數(shù)據(jù)湖管理的Data Lake Formation，可全面支持數(shù)據(jù)湖。
責任編輯:pj