分布式系统
大数据系统是实现大数据存储、管理、处理和服务的分布式信息系统。
- M Steen, AS Tanenbaum, Distributed systems: principles and paradigms, Prentice Hall, 2007.
系统的设计原则
基本原则：信息系统组织计算、存储、通信的模式和系统的功用的相适应，类似“经济基础与上层建筑”
问题：集中式与分布式？
系统的设计思路
大数据系统设计的基本思路：
- 单台机器能力有限，需要多机系统；（并行性）
- 数据要分布在不同机器上，之间需要网络通信；（扩展性）
- 单台机器容易出现故障，系统要能容错；（可靠性）
- 用户程序在多台机器上运行，编程要简单。（易用性）
大数据的存储/管理/处理
- Hadoop项目集成了大数据存储与处理技术
- Spark项目是目前最热门的大数据平台
分布式存储与并行处理系统
分布式文件系统
运行在由很多机器组成的集群上的文件系统；
所有文件都做了冗余备份，存放在不同的机器上；
机器的随机宕机，不会导致文件系统的可用性问题；
谷歌文件系统GFS
- 每台机器分配不同角色，称为Master和Slave
Master负责存储文件的元数据和在slave中的具体位置
Slave负责存储文件的具体内容，以块为单位，每块64MB
研究论文：
- Sanjay Ghemawat, Howard Gobioff, and Shun-Tak Leung. "The Google file system." SOSP 2003.
MapReduce
Map/Reduce编程模型 (Abstraction)和实现框架。
用户只要编写 Map()和 Reduce()函数。
Map/Reduce编程框架(programming framework)能够自动将MapReduce程序分配到集群上运行，并汇总运行结果
研究论文：
- Jeffrey Dean and Sanjay Ghemawat, MapReduce: Simplified Data Processing on Large Clusters, OSDI 2004.
Hadoop
Hadoop分布式文件系统HDFS（Hadoop Distributed File System)，是谷歌文件系统GFS的一个开源实现。
每台机器分配不同角色，称为Namenode和Datanode
Namenode负责存储文件的元数据和在datanode中的具体位置
Datanode负责存储文件的具体内容，以块为单位
Spark
- Zaharia, Matei, et al. "Spark: cluster computing with working sets.“ Proceedings of the 2nd USENIX conference on Hot topics in cloud computing. Vol. 10. 2010.