云时代的大数据存储-云HBase

为什么

纵观数据库发展的几十年，从网状数据库、层次数据库到RDBMS数据库，在最近几年的NewSQL的兴起，加上开源的运动，再加上云的特性，可以说是日新月异。在20世纪80年代后，大部分的业务确定了使用RDBMS数据为存储基础。新世纪开始，随着互联网的发展，数据量的增大，慢慢RDBMS数据库撑不住了，就出现了读写分离策略。随着压力增加，Master撑不住了，这时就要分库了，把关联不大的数据分开部署，一些join查询不能用了，需要借助中间层。随着数据量的进一步增加，一个表的记录越来越大，查询就变得很慢，于是又得搞分表，比如按ID取模分成多个表以减少单个表的记录数。经历过这些事的人都知道过程是多么的折腾。在不同的场景下，就出现各自优秀的分布式数据库，比如在文档型存储下的MongoDB，KV类型的Redis，再比如今天讲的列族类型的HBase。

大数据时代数据存储的特点为：基础量大、增长快、计算与存储的实时性要求迫切、支持时效性短、易发散、易产生脏数据，这些HBase自出生起，就满足这些需求。在大数据时代，我们认为HBase是公认的大数据存储。HBase的原型出自Google的BigTable，这个跟大数据的GFS及MapReduce齐名的三篇论文，由此开创了大数据时代。目前在阿里，已经有上万台的HBase集群，在各个场景下有广泛的应用。

为什么要上云，需要了解到HBase本身比较复杂，这涉及到分布式、数据存储、响应延迟，索引等一些分布式、数据库的知识，对于运维好这个复杂系统还是有一定的难度;要有很好的使用姿势，虽然API比较简单，但是各种组合情况下，畅玩好HBase还是需要一定的功力; 上云是趋势，自己去基于ECS建设又不太了解云环境下，怎么正确部署HBase，怎么跟OSS等云上组件配合。

为此，我们提供云HBase加上专家服务 解决以上3个问题

最后，HBase在阿里集团使用了6年之久，已经在HBase的性能、运维等积累了大量的经验，我们希望把这些回馈给客户，例如：我们仅仅单条低字节高频写入情况就比社区版本高出30%+的性能。

目前提供的价值点有，以下几点：

高可靠： 数据备份，数据可靠性9个9

高可用：Master节点强制HA机制，出现问题后直接切换

易运维：一键构建、配置修改、一键扩容、自动备份、数据流入

高性能：比如开源性能大幅度提升30%+

低成本：后续本地盘、云盘、OSS分级别存储

技术架构

从技术架构层面看，大致如下：

基础资源层：我们底层使用了ECS及本地磁盘的架构，保证在低成本的同时又具备高性能

基础软件层，我们使用了ALi-JDK及ALi-Liunx，这两个都有专门的团队在维护，对云HBase的贡献，比如：改进gc算法减少毛刺，改进linux中断提升性能。

HBase内核层，目前使用是跟阿里集团内部一致的版本，也就是说内部所有的性能优化、功能增强在公有云的客户都可以享受到。这些包括但不限于：提升读写性能、增强稳定性、降低磁盘、网络抖动引起的毛刺等等。 -另外就是运维平台，逐步完善，后续会包括 监控报警、配置管理、健康诊断等等 易于运维的功能。

目前支持两种访问网络类型，第一种是经典网络、第二种是VPC网络。区别就是VPC再加了一层网络隔离。

经典网络：

VPC网络：

使用场景

HBase作为默认的大数据时代的存储，基本解决以下三大类的场景：

平台类，基本存放是平台的产品，就是其它软件的存储，比如 目前很就行的kylin，阿里内部的日志同步工具TT，图组件Titan等。此类存放的往往平台的数据，有时候往往是无业务含义的。作为平台的底层存储使用。

用户行为类，此类主要是面向各个业务系统。这里的用户不仅仅指的人，也包括物，比如物联网。在阿里主要还是人产生的数据，比如：淘宝收藏夹、交易数据、旺旺聊天记录等等。这里使用比较直接，就直接存放HBase，再读取。难度就是需要支持千万级别的并发写访问及读取，需要解决服务质量的问题，比如GC了，就出现大量的毛刺。

报表类的需求，比如报表、大屏等，最出名的就是阿里巴巴的天猫双十一大屏。

基本上：Mysql支持小数据量，查询较为复杂的数据应用;HBase支持大数据，查询较为简单的数据应用。

后续计划

一些功能，比如同步等，产品化，直接从rds及离线系统导入数据到云HBase系统中

完善云HBase功能，不断做精细化

提供HBase on OSS的能力，降低数据存储的成本

提供双集群多写多度的能力，做多区多地域容灾

关注HBase2.0，与社区一起提升HBase内核的能力及稳定性