了解分布式缓存系统 Alluxio

从技术上来讲，Alluxio 是一个数据编排技术（数据编排，大概类似于一个平台，这个平台是用来管理数据的，主要是管理，对象是数据），它相当于一个数据层，在应用层和存储层之间加了一层，为上下两层搭建了桥梁，将数据移到离应用更近的地方，从而更容易访问数据。

数据驱动型应用是什么样的应用？

数据驱动：以数据为基础，将数据组织成信息，然后利用机器学习、算法等手段处理信息，最终形成自动化的决策模型。数据驱动型应用是以数据为基础，对新数据进行处理，得到处理结果。数据驱动型应用会使用大量的数据，对数据的访问会更为频繁。

简单的说，Alluxio 是一个分布式缓存系统，使用分布式的结构来提供缓存的服务。Alluxio 统一了不同存储系统中的数据，让上层的应用能够使用统一的接口和命名空间来访问数据。

所以分布式是什么，缓存又是什么。

分布式是什么？？

提起来分布式，顺便把集群也说一句。

• 单机或者本地运行：只需要一台主机。
• 集群：需要多台主机，至少是2台。集群是一群主机，简单的理解为很多台电脑。使用集群的方式来运行代码，就是把代码运行在多个主机中。

从主机的规模来看，一台主机是单机结构，多台主机是集群结构。

分布式，是从业务上将一个系统进行划分，把系统分成多个独立的子系统，就像拼图一样，每个子系统是其中的一块，每个子系统可以部署在不同的机器上。分布式是从业务功能的方面划分的，不是按照现实中有多少台真实的主机（也可以是虚拟机中的主机）来区分是不是分布式系统，所以分布式可以在单机上运行，也可以在集群上运行。

缓存是什么？？

缓存存储的是临时性的数据，与底层持久层存储系统相反。Alluxio 存储的是热数据，数据使用的更多，那它所有的较多的副本，再次访问数据会比没有缓存的速度快。

分布式缓存是不同的服务器将其缓存拿出来一部分，组成一个缓存系统。

Alluxio 基础概念

Alluxio 怎么统一了不同存储系统中的数据？

Alluxio 系统集成了不同的底层存储系统，包括文件系统HDFS、Amazon 的S3、谷歌云存储GCS、EMC ECS等。它对接了很多种不同的持久化存储系统，可以同时使用不同类型的存储系统，也可以使用多个相同的存储系统作为它的底层存储系统。

不同的持久化存储系统有各自的命名空间，它们有各自访问自己系统中的文件的命名方式，比如 HDFS 系统的命名方式 hdfs://namenode:port/ ，S3存储桶的命名方式 s3a://bucketName/。Alluxio 将底层存储系统挂载到 Alluxio 的空间目录下，即使有多个底层存储系统，它们挂载的目录是相同的，都在 Alluxio 的命名空间中，都可以使用 Alluxio 的命名方式（alluxio://host:port/）访问 。这样，只要访问 Alluxio 的命名空间，就可以访问到不同底层存储系统中的文件。即使它们是相互独立的存储系统，对于上层应用来说，应用访问不同存储系统中数据的方式是一样的。

举个例子：

如果有2个底层存储系统 S3 和 HDFS，s3 中存储了一个文件 s3-test.txt ，HDFS 中存储了一个文件 hdfs-test.txt ，将这2个存储系统都挂载到 Alluxio 命名空间的根目录下。那么，在Alluxio 的根目录下就有2个文件，s3-test.txt 和 hdfs-test.txt 。

直接访问 s3 中的文件，访问路径是 s3://bucketName/s3-test.txt。直接访问 HDFS 中的文件，访问路径是 http://hostName:port/hdfs-test.txt。需要知道数据存储在哪个存储系统中，然后按照那个存储系统的访问方式才能访问数据。

通过 Alluxio 访问两个文件的路径是 alluxio://hostName:port/s3-test.txt 和 alluxio://hostName:port/hdfs-test.txt 。在不同的存储系统中，访问数据的方式是一样的。只要知道数据在 Alluxio 中的路径，就可以访问到数据，而上层应用只需要知道存储系统中有没有自己要的数据，而不需要考虑底层是怎么存储数据的。

Alluxio 基础组成

一个 Alluxio 系统，在逻辑上，包括 master 节点、worker 节点、客户端和底层存储系统。

• master 节点，负责管理 Alluxio 中的全局元数据，客户端访问数据的请求都会由 master 节点处理，然后 master 节点交给相应的 worker 节点传输数据。
• worker 节点，负责数据的传输。

worker 节点在哪里？worker 节点是在应用所在的主机上。

woker 节点是怎么存储数据的？worker 节点可以由多种存储介质组成（内存 MEM，固态存储SSD，硬盘存储HDD），用户可以指定使用其中的一种或多种。

worker 节点什么时候存储数据？如果 worker 节点所在的客户端请求访问的文件没有在 worker 节点中，worker 节点就会在本节点中生成一个文件副本，这样客户端下次再访问该文件的时候，就可以直接从 worker 节点中读取文件。这里有两种情况：

• 如果客户端访问的文件不在 Alluxio 空间中，那么 Alluxio 会先从底层存储系统中读取文件，并在客户端所在的 worker 节点中生成文件副本。
• 如果客户端访问的文件不在本地的 worker 节点中，而是在其他的 worker 节点中，那么 Alluxio 会先从其他的 worker 节点中读取文件，并在客户端所在的 worker 节点中生成文件副本。

在读源码的时候，遇到了很多客户端和服务端，开始时一头雾水。这里记一下用到的客户端和服务端。

• master 节点管理所有的元数据，worker 节点在客户端所在的主机中，所以 master 节点和 worker 节点之间的通信是由 rpc 完成的。对于 master 节点和 worker 节点之间的通信来说， worker 节点是使用服务的一端，也就是客户端，而 master 节点是提供服务的一端，也就是服务端。
• master 节点和 worker 节点作为一个整体，提供了数据访问的服务，上层应用通过命令行或者 API 接口可以访问数据。应用获取数据也是通过 rpc ，所以，应用是客户端，Alluxio 是服务端。因为 master 节点管理所有的元数据，接收所有的请求，所以 master 节点是处理应用请求的服务端。
• 在实际的代码实现中，Alluxio 通过 job 模块来管理它的任务调度，所以 master 节点在调用 worker 节点进行实际的操作时，会调用 job 的客户端，由其分配任务，调用 worker 节点执行实际的操作，而不是 master 节点直接直接与 worker 节点通信。同样的，在命令行执行命令，也是通过调用 job 的客户端来请求服务。