云計算環境中的數據挖掘存儲管理設計

1.引言
    Hadoop提供了一個基于HDFs的簡單數據庫HBase，它的設計思想和數據模型都與Google開發的模型簡化的大規模分布式數據庫BigTabIe極為相似。HBase不支持完全的關系數據模型，只為用戶提供了簡單的數據模型，讓客戶來動態控制數據的分布和格式。從數據模型角度看，HBase是一個稀疏的、長期存儲的（存在硬盤上）、多維度的、排序的映射表。這張表的索引是行關鍵字、列關鍵字和時間戳。每個值是一個不解釋的字符數組，用戶需要自己解釋存儲的字串的類型和含義。這種模型具有很大的靈活性，通過仔細選擇數據表示，用戶可以控制數據的局部化。但是這種靈活性的代價就是不支持完全的關系數據模型，這導致傳統的數據存儲格式無法應用于HBase。Google自身的GFS是為網頁搜索功能量身定做的，采用BigTable的簡單數據模型可以以字符串形式靈活存儲網頁的URL、時間戳等信息。HDFS的設計完全借鑒了GFS的思想，因此從目前的版本來看，HDFS對網頁搜索具有較好的支持，但是對于使用傳統的關系數據模型的產品來說，HDFS并不是一個很好的選擇，因為它不能提供傳統的關系數據庫的相關功能。如上所述，以Hadoop為例，目前的開源解決方案并不完全適用于某公司的新產品需求，因此我們需要參照現有解決方案，設計符合自身需要的新方案。
   2.DDF的數據劃分策略
    面對大量的異構的用戶數據，我們有必要對數據進行劃分，以期得到更好的查詢性能。
    數據劃分策略可分為垂直數據劃分（Horizontal panition）和水平數據劃分（VerticaI partition），在DDF中同時采用了這兩種劃分策略。垂直數據劃分是按照功能劃分：
    （1）首先把對象數據、查詢數據和其他數據劃分到不同的數據表中（數據庫的表）。
    （2）對于對象數據，由于是按對象類型（Object type）訪問的，那么我們可以進一步按照對象類型進行垂直劃分，把不同類型的對象數據劃分到相應的數據表中。
    （3）對于查詢數據，在目前的研究階段，也將其按照對象類型進行垂直劃分，存儲到相應的數據表中。
    另外，采用對象的全局標識（UID）的哈希值（Hash）進行水平劃分，從而將對象數據劃分到不同的數據節點（Datanode）的策略，需要面對數據遷移的問題，即當增加新的數據節點時，如何確保原有數據節點上的數據不進行或者盡量少進行遷移。
   3.DDF的數據存儲策略
    DDF借鑒了HDFS的設計思想，在架構中引入了數據節點的概念，整個數據存儲策略的設計理念如下。
    （1）每個數據劃分只可能存放在同一個數據庫中，不允許一個數據劃分分裂存放在多個數據庫的情況出現。但是，具有相同數據對象類型的不同劃分可以存放在不同的數據庫中。
    （2）允許不同類型的數據（如對象數據和查詢數據）采用不同的劃分策略。
    （3）概念層次上的劃分和存儲層次上的數據庫是一個多對多的關系，也就是說，我們甚至可以將所有的劃分存放在同一個數據庫內。這種極端情況同樣是被允許的。
    （4）當我們將一個劃分指定給一個數據庫時，它們的對應關系應被記錄，這樣在查詢數據時可以定位到正確的數據庫。
   4.DDF的節點劃分策略
    DDF的節點劃分策略是建立在數據劃分和數據存儲策略的基礎之上的，節點劃分策略從應用層面上描述了DDF各節點的功能。
    對于收到的遠程更新和查詢操作的請求，調度節點必須進行分析，以判斷這些操作的作用域。如果操作與當前位置的數據無關，那么這些更新和查詢操作會被拒絕。數據節點則應具有以下功能：
    （1）存儲數據。
    （2）處理索引相關的請求。
    （3）處理查詢請求。
    （4）負責部分對查詢結果進行分頁的功能。
    （5）創建并管理集合對象（對緩存的查詢）。
    （6）負責對過期數據進行處理，這包括刪除與過期數據相關的對象和索引。
    數據節點本身并不關心數據的位置問題，調度節點應該關心數據所處的位置。數據對象的全局標識符決定了它應該位于哪個位置。