CDH初期集群构建方案

集群规模计算
集群规模取决于用户数据及应用需求，最终规划值为以下各种计算方式得出的最小集群规模的最大值
• 容量需求
– 估算相对容易且准确
– 大多数案例可以通过容量来决定集群规模
• 计算需求
– 准确的估算计算资源只能通过小规模测试并合理估算
• 其他资源限制
– 如用户MapReduce应用可能对内存等资源有特殊要求，且单节点可配置资源相对有限，则集群最小规模需满足用户此类资源要求
网络建议
• 建议使用万兆网络或更高速度网络
– 如要充分利用磁盘并行操作带宽，至少需要万兆网络
– 即使带宽足够，使用高带宽网络也能带来性能提升
• 对网络带宽敏感的场景：
– ETL类型或其他高输入输出数据量的MapReduce任务
– 对于空间或者电力资源有限的环境中，可使用大容量节点并配合高速度网络
– HBase等时延敏感类应用也对网络传输速度有要求

传统树状网络
• 网络超额(Oversubscription)
– 通过增加层次扩充网络，但会有如下问题
– 节点间网络距离增加
– 网络超额问题恶化
• 因此尽量采用超多端口交换机或扩充交换机背板扩充端口容量
– 小型或中型网络可以使用双层树形架构
– 仅通过顶层交换机上行端口和外部系统进行交互
– 避免Hadoop的网络传输风暴污染外部网络
组件架构
• 管理节点(Head/Master Node)：如NameNode, Yarn及Master等
– 提供关键的、集中的、无替代的集群管理服务
– 若该管理服务停止，则对应集群Hadoop服务停止
– 需要可靠性高的硬件设备
• 数据节点(Data/Worker/Slave Node)
– 处理实际任务，如数据存储，子任务执行等
– 同节点运行多个服务，为保证局部性
– 若该服务停止，则由其他节点自动代替服务
– 硬件各部件皆可能损坏，但能方便的替换
• 边缘节点(Edge Node)
– 对外提供Hadoop服务代理以及包装
– 作为客户端访问实际Hadoop服务
– 需要可靠性高的硬件设备
管理节点硬件要求
• 管理节点角色主要包括NameNode，Secondary NameNode，Yarn RM
– Hive Meta Server以及Hive Server通常部署在管理节点服务器上
– Zookeeper Server以及Hmaster可以选取数据节点服务器，由于一般负载有限，对节点无太大特殊要求
– 所有HA候选服务器(Active以及Standby)使用相同配置
– 通常对内存要求高但对存储要求低
• 建议使用高端PC服务器甚至小型机服务器，以提高性能和可靠性
– 双电源、冗余风扇、网卡聚合、RAID…
– 系统盘使用RAID1
– 由于管理节点数目很少且重要性高，高配置一般不是问题
数据节点配置策略建议
• 数量少但单点性能高的集群 vs. 数量多但单点性能低的集群
– 一般而言，使用更多的机器而不是升级服务器配置
– 采购主流的最”合算”配置的服务器，可以降低整体成本
– 数据多分布可获得更好的scale-out并行性能以及可靠性
– 需要考虑物理空间、网络规模以及其他配套设备等综合因素来
• 考虑集群服务器数目
– 计算密集型应用考虑使用更好的CPU以及更多的内存
内存需求计算
• 需要大内存的主节点角色：
– NameNode, Secondary NameNode,YARN AM, Hbase Regionserver
• 节点内存算法：
– 大内存角色内存相加
– 计算类应用需要大内存，如Spark/Impala建议至少256GB内存
硬盘容量选择
• 通常建议使用更多数目的硬盘
– 获得更好的并行能力
– 不同的任务可以访问不同的磁盘
– 8个1.5TB的硬盘性能好于6个2TB的硬盘
– 除去数据永久存储需求外，一般建议预留20%至30%的空间用于存储临时数据
• MapReduce任务中间数据
• 实际部署中每服务器配备12个硬盘非常常见
– 单节点存储容量最大值不超过48TB
存储服务需求