HDFS负载均衡

你的名字 2022-03-20 15:30 264阅读 0赞

### 1. 前言 ###

HDFS的数据可能并不总是被均匀的置于所有的DataNode中，最常见的原因是向一个已经存在的集群添加一个新的节点。当放置新的块时(块：一个文件的数据会被存储为一系列的块)。NameNode 在选择DataNode节点存储这些块之前会考虑多方面参数。一些注意事项如下：

1.  策略保证一个块的其中之一个副本在同一个节点(这个节点是块写的节点)
2.  需要将一个块的副本分配到不同的机架上 ，这样可以确保集群丢失整个机架也没有影响
3.  众多副本中的其中之一通常放在文件写入节点的同一个机架上，这样可以减少跨机架的网络I/O
4.  HDFS的数据均匀的分步到一个集群的所有节点中

由于多个相互竞争的考虑，整个datanode数据可能不是均匀放置。HDFS为管理员提供了一个工具,分析整个DataNode的块 位置和平衡数据。

### 2. Hadoop HDFS数据负载均衡原理 ###

数据均衡过程的核心是一个数据均衡算法，该数据均衡算法将不断迭代数据均衡逻辑，直至集群内数据均衡为止。该数据均衡算法每次迭代的逻辑如下：  
![在这里插入图片描述][SouthEast]  
**步骤分析如下：**

1.  数据均衡服务（Rebalancing Server）首先要求 NameNode 生成 DataNode 数据分布分析报告,获取每个DataNode磁盘使用情况；
2.  Rebalancing Server汇总需要移动的数据分布情况，计算具体数据块迁移路线图。数据块迁移路线图，确保网络内最短路径；
3.  开始数据块迁移任务，Proxy Source Data Node复制一块需要移动数据块；
4.  将复制的数据块复制到目标DataNode上；
5.  删除原始数据块；
6.  目标DataNode向Proxy Source Data Node确认该数据块迁移完成；
7.  Proxy Source Data Node向Rebalancing Server确认本次数据块迁移完成。然后继续执行这个过程，直至集群达到数据均衡标准。

#### 2.1 DataNode归类策略 ####

在第2步中，HDFS会把当前的DataNode节点,根据阈值的设定情况划分到Over、Above、Below、Under四个组中。在移动数据块的时候，Over组、Above组中的块向Below组、Under组移动。四个组定义如下：  
![在这里插入图片描述][SouthEast 1]

**Over组：**  
此组中的DataNode的均满足：`DataNode_usedSpace_percent > Cluster_usedSpace_percent + threshold`  
**Above组：**  
此组中的DataNode的均满足：`Cluster_usedSpace_percent + threshold > DataNode_ usedSpace _percent > Cluster_usedSpace_percent`  
**Below组：**  
此组中的DataNode的均满足：`Cluster_usedSpace_percent > DataNode_ usedSpace_percent > Cluster_ usedSpace_percent – threshold`  
**Under组：**  
此组中的DataNode的均满足：`Cluster_usedSpace_percent – threshold > DataNode_usedSpace_percent`

#### 2.2 Hadoop HDFS 数据自动平衡脚本使用方法 ####

在Hadoop中，包含一个`start-balancer.sh`脚本，通过运行这个工具，启动HDFS数据均衡服务。该工具可以做到热插拔，即无须重启计算机和 Hadoop 服务。`$HADOOP_HOME/sbin/`目录下的`start−balancer.sh`脚本就是该任务的启动脚本。启动命令为：`$HADOOP_HOME/sbin/start-balancer.sh`  
查看shell脚本发现其实就是启动了如下这个命令

$HADOOP_HOME/bin/hdfs balancer

脚本内容：

more  $HADOOP_HOME/sbin/start-balancer.sh
    
    ....省略....
    "$HADOOP_PREFIX"/sbin/hadoop-daemon.sh --config $HADOOP_CONF_DIR --script "$bin"/hdfs start balancer $@

参数如下：

Usage: hdfs balancer
            [-policy <policy>]      the balancing policy: datanode or blockpool
            [-threshold <threshold>]        Percentage of disk capacity
            [-exclude [-f <hosts-file> | <comma-separated list of hosts>]]  Excludes the specified datanodes.
            [-include [-f <hosts-file> | <comma-separated list of hosts>]]  Includes only the specified datanodes.
            [-idleiterations <idleiterations>]      Number of consecutive idle iterations (-1 for Infinite) before exit.

常用参数是-threshold 指定阀值

> 注： 在实际操作中发现 默认的负载均衡复制block的速度很慢，在集群压力较小时可考虑调整`hdfs-site.xml`如下配置提高速度。

# 默认1048576 是 1M/s
    
    <property>
        <name>dfs.balance.bandwidthPerSec</name>
        <value>1048576</value>
        <description> Specifies the maximum bandwidth that each datanode can utilize for the balancing purpose in term of the number of bytes per second. </description>
    </property>

--------------------

##### 转自：[https://blog.csdn.net/xinganshenguang/article/details/55810047][https_blog.csdn.net_xinganshenguang_article_details_55810047] #####

[SouthEast]: /images/20220320/c7d25dda0118461ca2dfeb4536ca2276.png
[SouthEast 1]: /images/20220320/0e3a31d438eb4d5bb8f2edca54599419.png
[https_blog.csdn.net_xinganshenguang_article_details_55810047]: https://blog.csdn.net/xinganshenguang/article/details/55810047