云计算（1.1）Google云计算三大核心技术 - 分布式文件系统GFS
前言
Google云计算有三大核心技术：分布式文件系统GFS、
分布式处理模型MapReduce、分布式结构化表Bigtable
后期可以通过Hadoop深入理解
GFS
Google File System(GFS)
存储海量数据的分布式文件系统
GFS是基于数据块存储的大型分布式文件存储系统
分布式存储系统
分布式存储系统，是将数据分散存储在多台独立的设备上
传统的网络存储系统采用集中的存储服务器存放所有数据，存储服务器成为系统性能的瓶颈，也是可靠性和安全性的焦点，不能满足大规模存储应用的需要
分布式网络存储系统采用可扩展的系统结构，利用多台存储服务器分担存储负荷，利用位置服务器定位存储信息，它不但提高了系统的可靠性、可用性和存取效率，还易于扩展（来自百度）
基于数据块
file1:将180M文件分为3个数据块-chunk1、chunk2、chunk3
GFS结构
GFS包括一个master结点（元数据服务器/主服务器），多 个chunkserver（数据块服务器）和多个client（运行各种应用的客户端）
GFS文件被划分为固定大小的数据块（Chunk），由Master在创建时分配一个64位全局唯一的Chunk句柄。Chunkserver以普通的Linux文件的形式将Chunk存储在磁盘中。为了保证可靠性，Chunk在不同的机器中复制多份，默认为三份
Master中维护了系统的元数据，包括文件及Chunk名字空间，GFS文件到Chunk之间的映射，Chunk位置信息。它也负责整个系统的全局控制，如Chunk租约管理，垃圾回收无用Chunk，Chunk复制，等等。Master会定期与Chunkserver通过心跳的方式交换信息。
Client是GFS提供给应用程序的访问接口，它是一组专用接口，不遵守POSIX规范，以库文件的形式提供。
Client访问GFS时，首先访问Master节点，获取与之进行交互的Chunkserver信息，然后直接访问这些Chunkserver，完成数据存取工作
GFS存取数据
- 写入数据
- 读取数据
- 实际过程
访问Master节点，获取与之进行交互的Chunkserver信息，访问这些Chunkserver，完成数据存取工作
GFS的特点
GFS的特点:
- 采用中心服务器模式
可以方便地增加Chunk Server
Master掌握系统内所有Chunk Server的情况，方便进行负载均衡
不存在元数据的一致性问题
- 不缓存数据
文件操作大部分是流式读写，不存在大量重复读写，使用Cache对性能提高不大
Chunk Server上数据存取使用本地文件系统从可行性看，Cache与实际数据的一致性维护也极其复杂
- 在用户态下实现
利用POSIX编程接口存取数据降低了实现难度，提高通用性
POSIX接口提供功能更丰富
用户态下有多种调试工具
Master和Chunk Server都以进程方式运行，单个进程不影响整个操作系统
GFS和操作系统运行在不同的空间，两者耦合性降低
GFS容错机制
- Master的容错机制
Master保存元数据:Name Space，即文件系统的目录结构
Chunk 与 文件名的映射 （因为一个文件会被划分成多个Chunk*，因此需要一个映射来告诉系统，这个文件对应哪几个chunk）的容错通过操作日志完成，当系统发生故障时，通过分析log就可以知道当时存了哪些文件，这些文件又被分成了哪些个chunks
Chunk副本的位置信息存储在Chunk Server上的，当发生故障时，进行磁盘恢复即可
- ChunkServer容错机制
GFS采用副本的方式实现Chunk Server的容错：
每一个Chunk有多个存储副本（默认为三个）
每个Chunk的默认大小是64MB。而每个Chunk又会被划分为多个block，每个block为64K。并且，每个Block都会对应32bit的校验码。当读取某个Chunk中的某个block时，如果与校验码产生出入，则表示此block存在错误，那么将抛弃这个Chunk，转而读取另一个Chunk副本
相关的副本出现丢失或不可恢复等情况，Master自动将该副本复制到其他Chunk Server
Chunk分布
块的大小设置原则：最小化寻址开销
每一个Chunk有多个存储副本，默认大小是64MB
块大小分为64MB比传统文件系统块大:
- 减少了客户端和master的交互，因为对同一块的读写只需要发送一次初始化请求给master以获取块所在的地址信息。
- 如果块值大，那么客户端更倾向于只和一个chunkserver建立tcp长连接，而避免和好几个chunkserver建立连接带来网络开销。
- 块值大就会减少文件分块的数目，文件的元信息也就不需要包括更多的块信息，master就可以把文件的元信息放到内存中提高访问效率
- 块过大，文件的访问几乎都会集中在某一个chunkserver上，这就容易造成热点问题
- master存储的元数据信息，元数据要放到内存以提供快速访问，快太小会造成元数据太多，访问速度慢
将块分为64MB即最小化寻址开销