infoQ 百度技术沙龙第25期回顾：海量数据处理技术解析

在4月7日由 @百度主办、 @InfoQ 策划组织和实施的第25期百度技术沙龙活动上，来自百度数据流计算系统DStream项目负责人杨栋（ @Sherlock__Yang）、58同城(58.com)云平台技术负责人，58同城技术中心架构部架构师徐振华（ @浊者）分别分享了各自在海量数据存储和处理上取得的成果及经验，话题涉及“Hypertable Goes Realtime at Baidu”，以及“58同城在分布式存储方面的架构实践”等。本文将对他们各自的分享做下简单的回顾，同时提供相关资料的下载。

主题一：Hypertable Goes Realtime at Baidu（微盘下载讲稿）

来自百度数据流计算系统DStream项目负责人杨栋第一个为大家分享，本次演讲的主要内容包括：Hypertable能够满足应用的哪些需求、实际应用中遇到的挑战有哪些、可靠性or性能、如何应对这些挑战以及Hypertable和HBase有哪些异同。杨栋提到，在Noah系统最初建设时，主要遇到了以下的问题：

MySQL
Not inherently distributed（数据的无序增长、频繁地手工分配数据）；表大小的限制；不够灵活的结构
Hadoop
不支持随机写入；随机读取的支持也不理想

由此，Hypertable+Hadoop的组合成为了最终的理想方案，在此基础上S，不仅从系统的角度有了足够多的灵活性，数据写入的高吞吐量、高可用的灾难恢复特性、错误隔离机制以及随机扫描等特性都得以大大增强。在详细介绍了模型设计和评估方法之后，杨栋对主要的设计关键点进行了总结：

应用层面
表设计
加载策略
去重处理

高可用层面
数据集中化
日志与数据隔离
负载均衡

内存使用
内存池
简洁策略

读/写性能
内存/SSD/SAS/SATA
块/队列缓存
压缩策略
资源隔离

最后，杨栋从多个角度对Hypertable和HBase进行了对比：

社区（Hypertable：Hypertable；HBase：Apache）
实现语言（Hypertable：Boost C++；HBase：Java）
内存管理（Hypertable：详尽的内存管理；HBase：垃圾回收）
缓存管理（Hypertable：动态的缓存管理；HBase：Java堆栈缓存）
性能（Hypertable：高；HBase：一般）
编译配置（Hypertable：容易；HBase：复杂）
压缩机制（Hypertable：直接的Native压缩；HBase：基于JNI方式）

主题二：58同城在分布式存储方面的架构实践（微盘下载讲稿）

58同城(58.com)云平台技术负责人，58同城技术中心架构部架构师徐振华第二个为大家分享，徐振华主要从理论、分析和实践三个层次分享了58同城在分布式存储领域的思考和实践。首先，通过Draw Something成功和C10K问题，引出分布式系统的目标是提高资源利用率,做到线性扩展；同时分享了分布式存储的主要存储模型，分布式hash表和分布式B+树，以及常用的用空间换时间，用错误率换空间，用查询性能换插入性能等思想：

Consistent hash（去中心化）
B+ tree（实时、随机）
LSM tree（批量、顺序）

接着，和大家分享了58同城做为一个创业公司，如何根据自身业务的特点，选择适合自己的技术和架构,用最小的成本获得最大的回报：

分析需求，做好平衡
使用Kiss原则，做到RAS（可靠、可用、可扩展）
设计和充分利用硬件，分级存储

然后，和大家分享了58同城在分布式存储方面的实践：

信息系统：Search engine(index) +MySQL(shard + M/S)+ memcached
统计数系统：MongoDB + Auto sharding
图片系统：CDN+Nginx+simple GFS(master-slave)
统计分析：Hadoop + HBase

最后，徐振华提到58同城在使用开源软件的同时，也在积极参与和回报开源社区，推动开源社区的发展。

Open Space（开放式讨论环节）

和以往的环节一样，为了让参会者能够有更多的时间进行相互的交流，本次活动依然设置了Open Space（开放式讨论）环节。除了讲师杨栋、徐振华外，新浪微博唐福林、阿里云王乐珩也参与了小组讨论。在Open Space的总结环节，几位话题小组长分别对讨论的内容进行了总结。

杨栋：主要分享了“如何构建一套完整的数据分析平台”的话题，包括如何构建分布式的存储系统、如何构建分布式的计算系统以及如何构建分布式的数据仓库，此外还讨论了关于实时计算和数据量方面的问题，并与个别参会者就如何处理压缩的问题进行了细节的讨论。

徐振华：主要分享了“如何构建一个弹性计算平台”的话题，并就Hadoop的使用经验与大家进行了讨论。

唐福林：主要分享了“最简单的大数据实现（微博计数器）”的话题，从微博计数器出发，引出每种大数据解决方案在特定限制条件下都有不足，并就如何选择和开发适合自己的大数据解决方案工具进行了讨论。

王乐珩：主要分享了“Offline 大数据处理”的话题，并就云平台上数据分析的工具和方法进行了讨论。

会后，一些参会者也通过新浪微博分享了他们的参会感受：

@genstoneV：即时心得：云集算服务需要满足很多业务特点，所以什么边界条件都要研究。

@gqgl_work：58实现计算资源的统筹，任务与计算不绑定，灵活部署。

@Andy平安：Draw Something为什么可以这么火？出色的产品创意不可否认，另外一方面是Zynga早在用户膨胀之前就提前做了Couchbase方面的技术储备。兵马未动，粮草先行，用户数据量的增长是难以准确hold的，我们不能总是被动升级现有系统。

@genstoneV：刚听完#百度技术沙龙# 的Hypertable的分享，对分布式系统的搭建过程，需要面临的细节问题提了些，很有心得。不过分享时能否尽量不要用e文呢，毕竟大家都是说中文，理解有些慢。

@Baidu朱涛：百度需要的是持续创新，永葆活力，这样才能赢得更多百度用户的好评和网民的认可。

@solochar：#百度技术沙龙#hypertable高可用，内存，读写优化。Hypertable很多思想与HBase很一致，优化的想法也很一致。C++的优势在于操控性，用于较苛刻的场景。

@赵国栋TMT：百度技术沙龙，讨论大数据技术。主题是海量数据处理技术。人非常多，许多人席地而座。我们准时到达，也只能站边上。

@ujnjing：#百度技术沙龙# 诺亚最开始使用MySQL存储数据量确实太大了，而且数据格式无规律。