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(jì)算，對(duì)數(shù)據(jù)湖存儲(chǔ)提供適配支持，進(jìn)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(shí)現(xiàn)“加速”？本文將從三個(gè)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(shí)踐經(jīng)驗(yàn)和技術(shù)方案。

在開源大數(shù)據(jù)領(lǐng)域，存儲(chǔ)/計(jì)算分離已經(jīng)成為共識(shí)和標(biāo)準(zhǔn)做法，數(shù)據(jù)湖架構(gòu)成為大數(shù)據(jù)平臺(tái)的首要選擇。基于這一范式，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(chǔ)系統(tǒng)做數(shù)據(jù)湖（湖存儲(chǔ)）？ 第二，計(jì)算和存儲(chǔ)分離后，出現(xiàn)了性能瓶頸，計(jì)算如何加速和優(yōu)化（湖加速）？ 第三，針對(duì)需要的計(jì)算場景，選擇什么樣的計(jì)算引擎（湖計(jì)算）？

湖存儲(chǔ)可以基于我們熟悉的HDFS，在公共云上也可以選擇對(duì)象存儲(chǔ)，例如阿里云OSS。在公共云上，基于對(duì)象存儲(chǔ)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(diǎn)探討第二個(gè)問題，結(jié)合阿里云上的EMR JindoFS優(yōu)化和實(shí)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(chǔ)（HDFS，阿里云OSS）和湖計(jì)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(jì)算，對(duì)數(shù)據(jù)湖存儲(chǔ)提供適配支持，進(jìn)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(jì)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(jìn)具有很大關(guān)系。接下來，我們從三個(gè)方面的介紹來尋找答案。分別是：基礎(chǔ)版，要適配;標(biāo)配版，做緩存;高配版，深度定制。JindoFS同時(shí)涵蓋這三個(gè)層次，實(shí)現(xiàn)數(shù)據(jù)湖加速場景全覆蓋。

基礎(chǔ)版：適配對(duì)象存儲(chǔ)

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(jì)算，在它們發(fā)展的早期，更像是在平行的兩個(gè)世界。等到EMR產(chǎn)品出現(xiàn)后，怎么讓大數(shù)據(jù)計(jì)算（最初主要是MapReduce）對(duì)接S3，才成為一個(gè)真實(shí)的技術(shù)命題。對(duì)接S3、OSS對(duì)象存儲(chǔ)，大數(shù)據(jù)首先就要適配對(duì)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(chǔ)系統(tǒng)。機(jī)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(dāng)然也支持直接使用HDFS 接口。對(duì)象存儲(chǔ)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(duì)象存儲(chǔ)語義的，因此上述這些流行的計(jì)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(jì)算的流行，適配和支持云上對(duì)象存儲(chǔ)產(chǎn)品成為Hadoop社區(qū)開發(fā)的一個(gè)熱點(diǎn)，比如S3A FileSytem。阿里云EMR團(tuán)隊(duì)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(jì)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(duì)象存儲(chǔ)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(duì)象存儲(chǔ)提供海量低成本存儲(chǔ)，相比文件系統(tǒng)（比如HDFS），阿里云OSS更被用戶認(rèn)為可無限擴(kuò)展。同時(shí)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(jià)值變得切實(shí)可行，用戶便傾向于往數(shù)據(jù)湖（阿里云OSS）儲(chǔ)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(jí)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(duì)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(yàn)，我們對(duì)大目錄的listing操作和du/count這種統(tǒng)計(jì)操作從內(nèi)存使用和充分并發(fā)進(jìn)行了深度優(yōu)化，目前達(dá)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(duì)象的映射關(guān)系。

對(duì)象存儲(chǔ)提供key到blob對(duì)象的映射，這個(gè)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?yàn)橐磕M，而不是原生支持，一些關(guān)鍵的文件/目錄操作代價(jià)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(dòng)下位置即可，一個(gè)原子操作;但是在對(duì)象存儲(chǔ)上，往往受限于內(nèi)部的實(shí)現(xiàn)方式和提供出來的標(biāo)準(zhǔn)接口，適配器一般需要先copy該對(duì)象到新位置，然后再把老對(duì)象delete掉，用兩個(gè)獨(dú)立的步驟和API調(diào)用。對(duì)目錄進(jìn)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(gè)都是上述的copy+delete;如果目錄層次很深，這個(gè)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(duì)象的copy通常跟它的size相關(guān)，在很多產(chǎn)品上還是個(gè)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(jí)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(duì)象存儲(chǔ)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(qiáng)一致性語義。這帶來的影響就是，舉個(gè)栗子，程序明明往一個(gè)目錄里面剛剛寫好了10個(gè)文件，結(jié)果隨后去list，可能只是部分文件可見。這個(gè)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(jì)算的需求，Hadoop社區(qū)在S3A適配上花了很大力氣處理應(yīng)對(duì)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(qiáng)一致性，JindoFS基于這一特性大大簡化，用戶和計(jì)算框架使用起來也無須擔(dān)心類似的一致性和正確性問題。

第四，原子性。

對(duì)象存儲(chǔ)自身沒有目錄概念，目錄是通過適配層模擬出來的。對(duì)一個(gè)目錄的操作就轉(zhuǎn)化為對(duì)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(duì)象調(diào)用操作是原子的，但對(duì)于用戶來說，對(duì)這個(gè)目錄的操作并不能真正做到原子性。舉個(gè)例子，刪除目錄，對(duì)其中任何一個(gè)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(gè)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(gè)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(shí)候，結(jié)合阿里云 OSS 的擴(kuò)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(jì)算，在pipeline 上下游之間保證正確處理。

第五，突破限制。

對(duì)象存儲(chǔ)產(chǎn)品是獨(dú)立演化發(fā)展的，少不了會(huì)有自己的一些獨(dú)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(diǎn)談下對(duì)象存儲(chǔ)的高級(jí)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(gè)大對(duì)象，使用起來有兩個(gè)好處，一個(gè)是可以按照并發(fā)甚至是分布式的方式寫入一個(gè)大對(duì)象，實(shí)現(xiàn)高吞吐，充分發(fā)揮對(duì)象存儲(chǔ)的優(yōu)勢(shì);另外一個(gè)是，所有parts都是先寫入到一個(gè)staging區(qū)域的，直到complete的時(shí)候整個(gè)對(duì)象才在目標(biāo)位置出現(xiàn)。利用阿里云OSS這個(gè)高級(jí)特性，JindoFS開發(fā)了一個(gè)針對(duì)MapReduce模型的Job Committer，用于Hadoop，Spark 和類似框架，其實(shí)現(xiàn)機(jī)制是各個(gè)任務(wù)先將計(jì)算結(jié)果按照part寫入到臨時(shí)位置，然后作業(yè)commit的時(shí)候再complete這些結(jié)果對(duì)象到最終位置，實(shí)現(xiàn)無須rename的效果。我們?cè)贔linkfile sink connector支持上也同樣往計(jì)算層透出這方面的額外接口，利用這個(gè)特性支持了Exactly-Once的語義。

標(biāo)配版：緩存加速

數(shù)據(jù)湖架構(gòu)對(duì)大數(shù)據(jù)計(jì)算的另外一個(gè)影響是存/算分離。存儲(chǔ)和計(jì)算分離，使得存儲(chǔ)和計(jì)算在架構(gòu)上解耦，存儲(chǔ)朝著大容量低成本規(guī)?；?yīng)，計(jì)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(jià)值也可以實(shí)現(xiàn)最大化。但是這種分離架構(gòu)帶來一個(gè)重要問題就是，存儲(chǔ)帶寬的供應(yīng)在一些情況下可能會(huì)跟計(jì)算對(duì)存儲(chǔ)帶寬的需求不相適應(yīng)。計(jì)算要跨網(wǎng)絡(luò)訪問存儲(chǔ)，數(shù)據(jù)本地性消失，訪問帶寬整體上會(huì)受限于這個(gè)網(wǎng)絡(luò);更重要的是，在數(shù)據(jù)湖理念下，多種計(jì)算，越來越多的計(jì)算要同時(shí)訪問數(shù)據(jù)，會(huì)競爭這個(gè)帶寬，最終使得帶寬供需失衡。我們?cè)诖罅康膶?shí)踐中發(fā)現(xiàn)，同一個(gè)OSS bucket，Hive/Spark數(shù)倉要進(jìn)行ETL，Presto要交互式分析，機(jī)器學(xué)習(xí)也要抽取訓(xùn)練數(shù)據(jù)，這個(gè)在數(shù)據(jù)湖時(shí)代之前不可想象，那個(gè)時(shí)候也許最多的就是MapReduce作業(yè)了。這些多樣化的計(jì)算，對(duì)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(jì)算;彈性伸縮的集群則希望盡快完成作業(yè)，把大量節(jié)點(diǎn)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(jí)返回不受任何其他計(jì)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(chǔ)側(cè)的吞吐是不現(xiàn)實(shí)的，因?yàn)檎w上受限于和計(jì)算集群之間的網(wǎng)絡(luò)。有效地保證豐富的計(jì)算對(duì)存儲(chǔ)帶寬的需求，業(yè)界早已給出的答案是計(jì)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(duì)阿里云OSS適配優(yōu)化的同時(shí)，提供分布式緩存和計(jì)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(duì)用戶透明的，本身并不需要計(jì)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(gè)配置開關(guān)，開啟數(shù)據(jù)緩存。疊加我們?cè)谶m配上的優(yōu)化，跟業(yè)界某開源緩存方案相比，我們?cè)诙鄠€(gè)計(jì)算場景上都具有顯著的性能領(lǐng)先優(yōu)勢(shì)。基于磁盤緩存，受益于我們能夠更好地balance多塊磁盤負(fù)載和高效精細(xì)化的緩存塊管理，我們用TPC-DS 1TB進(jìn)行對(duì)比測(cè)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(fù)擔(dān)，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(jì)算側(cè)部署緩存設(shè)備引入緩存，可以實(shí)現(xiàn)計(jì)算加速的好處，計(jì)算效率的提升則意味著更少的彈性計(jì)算資源使用和成本支出，但另一方面毋庸諱言也會(huì)給用戶帶來額外的緩存成本和負(fù)擔(dān)。如何衡量這個(gè)成本和收益，確定是否引入緩存，需要結(jié)合實(shí)際的計(jì)算場景進(jìn)行測(cè)試評(píng)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?cè)贘indoFS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(jī)器學(xué)習(xí)訓(xùn)練這些計(jì)算。現(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(jì)算側(cè)通過使用阿里云緩存定制機(jī)型，來達(dá)到多種計(jì)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(jì)算上的開放性和更加多樣性，上面這些計(jì)算可能是最主要的，但并不是全部，JindoFS在設(shè)計(jì)之初就希望實(shí)現(xiàn)一套部署，即能覆蓋各種主要場景。一個(gè)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(chǔ)系統(tǒng)。整理一下大概有下面幾種情況需要我們進(jìn)一步考慮。

第一、上面討論對(duì)象存儲(chǔ)適配的時(shí)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(shí)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(jí)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(huì)有更多的引擎要對(duì)接上來，對(duì)這些高級(jí)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(chǔ)方案選擇上進(jìn)行微調(diào)，原有基于HDFS的應(yīng)用，運(yùn)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(duì)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(jìn)行架構(gòu)升級(jí)呢？

第四、為了突破S3這類對(duì)象存儲(chǔ)產(chǎn)品的局限，大數(shù)據(jù)業(yè)界也在針對(duì)數(shù)據(jù)湖深度定制新的數(shù)據(jù)存儲(chǔ)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(jìn)一步考慮。

基于這些因素，我們進(jìn)一步開發(fā)和推出JindoFS block模式，在OSS對(duì)象存儲(chǔ)的基礎(chǔ)上針對(duì)大數(shù)據(jù)計(jì)算進(jìn)行深度定制，仍然提供標(biāo)準(zhǔn)的HCFS接口，因?yàn)槲覀儓?jiān)信，即使同樣走深度定制路線，遵循現(xiàn)有標(biāo)準(zhǔn)與使用習(xí)慣對(duì)用戶和計(jì)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(duì)標(biāo)HDFS，不同的是采取云原生的架構(gòu)，依托云平臺(tái)我們做了大量簡化，使得整個(gè)系統(tǒng)具有彈性，輕量和易于運(yùn)維的特點(diǎn)和優(yōu)勢(shì)。

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(shí)借助于本地集群上的緩存?zhèn)浞?，可以?shí)現(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(shí)方便JindoFS集群重建恢復(fù);元數(shù)據(jù)在正常讀寫時(shí)走本地RocksDB，內(nèi)存做LRU緩存，因此支撐的文件數(shù)在億級(jí);結(jié)合元數(shù)據(jù)服務(wù)的文件/目錄級(jí)別細(xì)粒度鎖實(shí)現(xiàn)，JindoFS在大規(guī)模高并發(fā)作業(yè)高峰的時(shí)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(cè)試，對(duì)于最關(guān)鍵的open和create操作，JindoFS的IOPS比HDFS高60%。在千萬級(jí)超大目錄測(cè)試上，文件listing操作比HDFS快130%;文件統(tǒng)計(jì)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(hù)比HDFS簡化太多。在IO吞吐上，因?yàn)槌吮镜卮疟P，還可以同時(shí)使用OSS帶寬來讀，因此在同樣的集群配置下用DFSIO實(shí)測(cè)下來，讀吞吐JindoFS比HDFS快33%。

JindoFS在湖加速整體解決方案上進(jìn)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(shí)借助于本地管理的存儲(chǔ)設(shè)備進(jìn)行緩存加速，我們也在探索將更多的開源引擎對(duì)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(jiān)持使用HDFS的客戶也被block模式這種輕運(yùn)維，有彈性，低成本和高性能的優(yōu)勢(shì)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(duì)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(fù)擔(dān)。

總結(jié)

行文至此，我們做個(gè)回顧和總結(jié)?；跀?shù)據(jù)湖對(duì)大數(shù)據(jù)平臺(tái)進(jìn)行架構(gòu)升級(jí)是業(yè)界顯著趨勢(shì)，數(shù)據(jù)湖架構(gòu)包括湖存儲(chǔ)、湖加速和湖分析，在阿里云上我們通過 JindoFS 針對(duì)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?jǐn)?shù)據(jù)湖管理的Data Lake Formation，可全面支持?jǐn)?shù)據(jù)湖。
責(zé)任編輯:pj