Dimensionando seu Hadoop Cluster - dummies

Dimensionar qualquer sistema de processamento de dados é tanto uma ciência quanto é uma arte. Com o Hadoop, você considera a mesma informação que você faria com um banco de dados relacional, por exemplo. Mais importante, você precisa saber quanto de dados você possui, estimar suas taxas de crescimento esperadas e estabelecer uma política de retenção (quanto tempo para manter os dados).

As respostas a essas perguntas servem como ponto de partida, que é independente de quaisquer requisitos relacionados à tecnologia.

Depois de determinar a quantidade de dados você precisa armazenar, você pode começar a avaliar as considerações específicas do Hadoop. Suponha que você tenha uma empresa de telecomunicações e você estabeleceu que você precisa de 750 terabytes (TB) de espaço de armazenamento para seus arquivos de registro de registro de detalhes de chamadas (CDR). < Você retém esses registros para obedecer os regulamentos governamentais, mas você também pode analisá-los o veja padrões de churn e monitorar a saúde da rede, por exemplo. Para determinar quanto espaço de armazenamento você precisa e, como resultado, quantos racks e nós escravos você precisa, você faz seus cálculos com esses fatores em mente:

Replicação:

• O fator de replicação padrão para dados em HDFS é 3. Os 500 terabytes de dados de CDR para a empresa de telecomunicações no exemplo, em seguida, converte-se em 1500 terabytes. Espaço de troca:

• Qualquer análise ou processamento dos dados pelo MapReduce precisa de mais 25% do espaço para armazenar os conjuntos de resultados provisórios e finais. (A empresa de telecomunicações agora precisa de 1875 terabytes de espaço de armazenamento.)

  Compressão:

• A empresa de telecomunicações armazena as CDRs em uma forma comprimida, onde a taxa média de compressão deverá ser de 3: 1. Agora você precisa de 625 terabytes. Número de nós escravos:

• Supondo que cada nó escravo tenha doze unidades 3TB dedicadas a HDFS, cada nó escravo possui 36 terabytes de armazenamento HDFS bruto disponível, portanto a empresa precisa de 18 nós escravos. Número de racks:

• Como cada nó escravo usa 2RU e a empresa no exemplo precisa de três nós mestres (1RU cada) e dois switches ToR (1RU cada), você precisa de um total de 41RU. É 1RU menor do que a capacidade total de um rack padrão, de modo que um único rack é suficiente para esta implantação. Independentemente, não há espaço para o crescimento neste cluster, por isso é prudente comprar um segundo rack (e dois switches ToR adicionais) e dividir os nós escravos entre os dois racks.

  Teste:

• A manutenção de um cluster de teste que é uma representação em escala menor do cluster de produção é uma prática padrão. Não precisa ser enorme, mas você quer pelo menos cinco nós de dados para que você obtenha uma representação precisa do comportamento de Hadoop.Tal como acontece com qualquer ambiente de teste, ele deve ser isolado em uma rede diferente do cluster de produção. Backup e recuperação de desastres:

• Como qualquer sistema de produção, a empresa de telecomunicações também precisará considerar requisitos de backup e recuperação de desastres. Esta empresa poderia ir tão longe quanto para criar um cluster espelho para garantir que eles tenham um modo de espera quente para todo o sistema. Esta é obviamente a opção mais cara, mas é apropriada para ambientes onde o tempo de atividade constante é crítico. No final menos dispendioso do espectro (além de não fazer backup dos dados), a empresa de telecomunicações poderia fazer backup regularmente todos os dados (incluindo o próprio dado, aplicativos, arquivos de configuração e metadados) armazenados em seu cluster de produção gravar. Com a fita adesiva, os dados não são imediatamente acessíveis, mas isso permitirá um esforço de recuperação de desastres no caso de todo o cluster Hadoop de produção falhar.

  Tal como acontece com o seu próprio computador pessoal, quando a unidade de disco rígido principal preenche o espaço, o sistema diminui consideravelmente. Hadoop não é exceção. Além disso, um disco rígido funciona melhor quando está menos de 85 a 90 por cento cheio. Com esta informação em mente, se o desempenho for importante para você, você deve superar o fator de espaço de troca de 25 a 33 por cento.