前言

HBase是当下流行的一款海量数据存储的分布式数据库。往往海量数据存储会涉及到一个成本问题，如何降低成本。常见的方案就是通过冷热分离来治理数据。冷数据可以用更高的压缩比算法（ZSTD），更低副本数算法（Erasure Coding），更便宜存储设备（HDD，高密集型存储机型）。

HBase冷热分离常见解决方案

1.主备集群

备（冷）集群用更廉价的硬件，主集群设置TTL，这样当数据热度退去，冷数据自然只在冷集群有。

优点：方案简单，现成内核版本都能搞
缺点：维护开销大，冷集群CPU存在浪费

1.x版本的HBase在不改内核情况下，基本只能有这种方案。

2.HDFS Archival Storage + HBase CF-level Storage Policy

需要在2.x之后的版本才能使用。结合HDFS分层存储能力 + 在Table层面指定数据存储策略，实现同集群下，不同表数据的冷热分离。

优点：同一集群冷热分离，维护开销少，更灵活的配置不同业务表的策略
缺点：磁盘配比是个很大的问题，不同业务冷热配比是不一样的，比较难整合在一起，一旦业务变动，集群硬件配置是没法跟着变的。

云HBase冷热分离解决方案

上述2套方案都不是最好的方案，对于云上来说。第一套方案就不说了，客户搞2个集群，对于数据量不大的客户其实根本降不了成本。第二套方案，云上客户千千万，业务各有各样，磁盘配置是很难定制到合适的状态。

云上要做 cloud native 的方案，必须满足同集群下，极致的弹性伸缩，才能真正意义上做到产品化。云上低成本，弹性存储，只有OSS了。所以很自然的想到如下架构：

实现这样的架构，最直接的想法是直接改HBase内核：1）增加冷表数据标记 2）根据标记增加写OSS的IO路径。

这样做的缺陷非常明显，你的外部系统（如：备份恢复，数据导入导出）很难兼容这些改动，他们需要感知哪些是冷文件得去OSS哪个位置读，哪些是热文件得去部署在云盘上的HDFS上读。这些本质上都是一些重复的工作，所以从架构设计角度来看必须抽象出一层。这一层能读写HDFS文件，读写OSS文件，感知冷热文件。这一层也就是我最后设计出的ApsaraDB FileSystem，实现了Hadoop FileSystem API。对于HBase，备份恢复，数据导入导出等系统只要替换原先FileSystem的实现即可获得冷热分离的功能。

下面将详细阐述，这套FileSystem设计的细节与难点。

ApsaraDB FileSystem 设计

核心难点A

1.OSS并非文件系统

OSS并不是一个真正意义上的文件系统，它仅仅是两级映射 bucket/object，所以它是对象存储。你在OSS上看到类似这样一个文件：
/root/user/gzh/file。你会以为有3层目录+1个文件。实际上只有一个对象，这个对象的key包含了/字符罢了。

这么带来的一个问题是，你要想在其上模拟出文件系统，你必须先能创建目录。很自然想到的是用/结尾的特殊对象代表目录对象。Hadoop社区开源的OssFileSystem就是这么搞的。有了这个方法，就能判断到底存不存在某个目录，能不能创建文件，不然会凭空创建出一个文件，而这个文件没有父目录。

当然你这么做依然会有问题。除了开销比较大（创建深层目录多次HTTP请求OSS），最严重的是正确性的问题。试想一下下面这个场景：
把目录/root/user/source rename 成 /root/user/target。这个过程除了该目录，它底下的子目录，子目录里的子文件都会跟着变。类似这样：/root/user/source/file => /root/user/target/file。这很好理解，文件系统就是一颗树，你rename目录，实际是把某颗子树移动到另一个节点下。这个在NameNode里的实现也很简单，改变下树结构即可。

但是如果是在OSS上，你要做rename，那你不得不递归遍历/root/user/source把其下所有目录对象，文件对象都rename。因为你没法通过移动子树这样一个简单操作一步到位。这里带来的问题就是，假设你递归遍历到一半，挂了。那么就可能会出现一半目录或文件到了目标位置，一半没过去。这样rename这个操作就不是原子的了，本来你要么rename成功，整个目录下的内容到新的地方，要么没成功就在原地。所以正确性会存在问题，像HBase这样依赖rename操作将临时数据目录移动到正式目录来做数据commit，就会面临风险。

2.OSS rename实则是数据拷贝

前面我们提到了rename，在正常文件系统中应该是一个轻量级的，数据结构修改操作。但是OSS并没有rename这个操作实际上，rename得通过 CopyObject + DeleteObject 两个操作完成。首先是copy成目标名字，然后delete掉原先的Object。这里有2个明显的问题，一个是copy是深度拷贝开销很大，直接会影响HBase的性能。另一个是rename拆分成2个操作，这2个操作是没法在一个事物里的，也就是说：可能存在copy成功，没delete掉的情况，此时你需要回滚，你需要delete掉copy出来的对象，但是delete依然可能不成功。所以rename操作本身实现上，正确性就难以保证了。

解决核心难点A

解决上面2个问题，需要自己做元数据管理，即相当于自己维护一个文件系统树，OSS上只放数据文件。而因为我们环境中仍然有HDFS存储在（为了放热数据），所以直接复用NameNode代码，让NodeNode帮助管理元数据。所以整体架构就出来了：

ApsaraDB FileSystem（以下简称ADB FS）将云端存储分为：主存（PrimaryStorageFileSystem）和 冷存（ColdStorageFileSystem）。由ApsaraDistributedFileSystem类（以下简称ADFS）负责管理这两类存储文件系统，并且由ADFS负责感知冷热文件。

ApsaraDistributedFileSystem： 总入口，负责管理冷存和主存，数据该从哪里读，该写入哪里（ADFS）。
主存：PrimaryStorageFileSystem 默认实现是 DistributedFileSystem（HDFS）
冷存：ColdStorageFileSystem 默认实现是 HBaseOssFileSystem（HOFS） ，基于OSS实现的Hadoop API文件系统，可以模拟目录对象单独使用，也可以只作为冷存读写数据，相比社区版本有针对性优化，后面会讲。

具体，NameNode如何帮助管理冷存上的元数据，很简单。ADFS在主存上创建同名索引文件，文件内容是索引指向冷存中对应的文件。实际数据在冷存中，所以冷存中的文件有没有目录结构无所谓，只有一级文件就行。我们再看下一rename操作过程，就明白了：

rename目录的场景也同理，直接在NameNode中rename就行。对于热文件，相当于全部代理HDFS操作即可，冷文件要在HDFS上创建索引文件，然后写数据文件到OSS，然后关联起来。

核心难点B

引入元数据管理解决方案，又会遇到新的问题：是索引文件和冷存中数据文件一致性问题。
我们可能会遇到如下场景：

• 主存索引文件存在，冷存数据文件不存在
• 冷存数据文件存在，主存索引文件不存住
• 主存索引文件信息不完整，无法定位冷存数据文件

先排除BUG或者人为删除数据文件因素，上诉3种情况都会由于程序crash产生。也就是说我们要想把法，把生成索引文件，写入并生成冷数据文件，关联，这3个操作放在一个事物里。这样才能具备原子性，才能保证要么创建冷文件成功，那么索引信息是完整的，也指向一个存在的数据文件。要么创建冷文件失败（包括中途程序crash），永远也见不到这个冷文件。

解决核心难点B

核心思想是利用主存的rename操作，因为主存的rename是具备原子性的。我们先在主存的临时目录中生产索引文件，此时索引文件内容已经指向冷存中的一个路径（但是实际上这个路径的数据文件还没开始写入）。在冷存完成写入，正确close后，那么此时我们已经有完整且正确的索引文件&数据文件。然后通过rename一把将索引文件改到用户实际需要写入到目标路径，即可。

如果中途进程crash，索引文件要么已经rename成功，要么索引文件还在临时目录。在临时目录我们认为写入没有完成，是失败的。然后我们通过清理线程，定期清理掉N天以前临时目录的文件即可。所以一旦rename成功，那目标路径上的索引文件一定是完整的，一定会指向一个写好的数据文件。

为什么我们需要先写好路径信息在索引文件里？因为如果先写数据文件，在这个过程中crash了，那我们是没有索引信息指向这个数据文件的，从而造成类似“内存泄漏”的问题。

冷热文件标记

对于主存，需要实现给文件冷热标记的功能，通过标记判断要打开怎样的数据读写流。这点NameNode可以通过给文件设置StoragePolicy实现。这个过程就很简单了，不详细赘述，下面说HBaseOssFileSystem写入优化设计。

HBaseOssFileSystem 写入优化

在说HOFS写设计之前，我们先要理解Hadoop社区版本的OssFileSystem设计（这也是社区用户能直接使用的版本）。

社区版本写入设计

Write -> OutputStream -> disk buffer(128M) -> FileInputStream -> OSS

这个过程就是先写入磁盘，磁盘满128M后，将这128M的block包装成FileInputStream再提交给OSS。这个设计主要是考虑了OSS请求成本，OSS每次请求都是要收费的，但是内网流量不计费。如果你1KB写一次，费用就很高了，所以必须大块写。而且OSS大文件写入，设计最多让你提交10000个block（OSS中叫MultipartUpload），如果block太小，那么你能支持的最大文件大小也是受限。

所以要攒大buffer，另外一个因素是Hadoop FS API提供的是OutputStream让你不断write。OSS提供的是InputStream，让你提供你要写入内容，它自己不断读取。这样你必然要通过一个buffer去转换。

这里会有比较大的一个问题，就是性能慢。写入磁盘，再读取磁盘，多了这么两轮会比较慢，虽然有PageCache存在，读取过程不一定有IO。那你肯定想，用内存当buffer不就好了。内存当buffer的问题就是前面说的，有费用，所以buffer不能太小。所以你每个文件要开128M内存，是不可能的。更何况当你提交给OSS的时候，你要保证能继续写入新数据，你得有2块128M内存滚动，这个开销几乎不能接受。

HBaseOssFileSystem 写入设计

我们既要解决费用问题，也要解决性能问题，同时要保证开销很低，看似不可能，那么怎么做呢？

这里要利用的就是这个InputStream，OSS让你提供InputStream，并从中读取你要写入的内容。那么我们可以设计一个流式写入，当我传入这个InputStream给OSS的时候，流中并不一定得有数据。此时OSS调read读取数据会block在read调用上。等用户真的写入数据，InputStream中才会有数据，这时候OSS就能顺利读到数据。当OSS读了超过128M数据时候，InputStream会自动截断，返回EOF，这样OSS会以为流已经结束了，那么这块数据就算提交完成。

所以我们本质只要开发这么一个特殊的InputStream即可。用户向Hadoop API提供的OutputStream中写入数据，数据每填满一个page（2M）就发给InputStream让其可读取。OuputStream相当于生产者，InputStream相当于消费者。这里的内存开销会非常低，因为生产者速度和消费者速度相近时，也就2个page的开销。最后将这整套实现封装成OSSOutputStream类，当用户要写入冷文件时，实际提供的是OSSOutputStream，这里面就包含了这个特殊InputStream的控制过程。

当然实际生产中，我们会对page进行控制，每个文件设置最多4个page。并且这4个page循环利用，减少对GC对影响。所以最后我们得到下面一个环形缓冲的写入模式：

性能对比1：社区版本 vs 云HBase版

因为不用写磁盘，所以写入吞吐可以比社区的高很多，下图为HBase1.0上测试结果。在一些大KV，写入压力更大的场景，实测可以接近1倍。这个比较是通过替换ADFS冷存的实现(用社区版本和云HBase版本)，都避免了rename深拷贝问题。如果直接裸用社区版本而不用ADFS那性能会差数倍。

性能对比2：热表 vs 冷表

热表数据在云盘，冷表数据在OSS。

得益于上述优化，加上冷表WAL也是放HDFS的，并且OSS相对HBase来说是大集群（吞吐上限高），冷表的HDFS只用抗WAL写入压力。所以冷表吞吐反而会比热表略高一点点。

不管怎么说，冷表的写入性能和热表相当了，这样的表现已经相当不错了。基本是不会影响用户灌数据，否则使用冷存后，吞吐掉很多，那意味着要更多机器，那这功能就没什么意义了。

总结

这大约是1年多前落地的项目，已经稳定运行很久。之前也有出去分享过，但是没有今天这么细致。现在写出来主要是自我总结下。当设计一个服务去解决某个问题的时候，上下游的关系，可能存在的问题得考虑清楚。在做这个项目最初的时候，想把HBase直接架设在社区版本OssFileSytem上，发现性能不行外，正确性也存在很大风险。不断思考，考虑各种情况后才有了今天这套方案。