• 1
基于云的大数据 需复杂的虚拟化基础设施

在云上的大数据拥有跨越大量节点、集群和层的众多潜在功能服务层,而这些节点、集群和层很容易变得不堪重负。为了应对这些问题,应该规划一个全面的云数据虚拟化基础设施。而虚拟化云分析法是新时代中的大数据典范。

作为一种集成方法,它能够确保大数据的统一访问、建模、部署、优化和管理成为一种异构资源。 与任何虚拟化一样,数据虚拟化是一种允许用户访问、管理和优化异构基础架构的方法,就好像它们是一种单一、且在逻辑上是统一的资源一样。这使得用户能够从一些服务、功能或其他资源的内部部署中对外部界面进行抽象化。

与支持逻辑上统一的访问、查询、报告、预测分析,以及针对关系型、Hadoop、NoSQL等不同后端数据库应用的任何“SQL-虚拟化”解决方法相同,数据虚拟化的核心是抽象层。当然,数据虚拟化可能会转而依靠其他的基础设施虚拟化层,例如存储与服务器平台。在某些情况下,数据虚拟化可能会在地理上和多云环境中进行扩张。 在我们讨论的众多层中,虚拟化无疑是这些枯燥数据话题的一个缩影。但是如果你希望自己的大数据云平台能够解决以下业务需求,那么它们无疑是最基础的。这些具体的业务需求是: 基于弹性、灵活拓扑结构的先进分析型资源 汲取源自任何来源、格式和方案的纯消费性资源 能够留存、聚合、处理任何动静结合信息的“延迟-灵敏”资源 在价值链中扩展,在私有云和公有云中扩张的联合资源 能够让你通过现有工具和应用,调整、扩展和升级后端数据平台的无缝互操作资源 毫无疑问,这是一项艰巨的任务,数据虚拟化和虚拟的基础架构实践起来比说起来困难的多。此外,部署、管理和优化的工作也需要花费大量的资金。

基于云的大数据需要越来越复杂的虚拟化基础设施。对于大部分大数据专业人员而言,解决这一难题就如同天文学家试图绘制出宇宙中的暗物质一样困难。他们知道这项工作既重要,但又十分的乏味和烦琐。实际上,大数据专业人员更喜欢从事Hadoop和NoSQL的研究,因为它们正在新的技术领域中闪烁着最耀眼的光芒。

随着大数据应用范围的不断拓展,用户未来几乎必定要沿着虚拟化这条路前行。混合大数据云难以处理的异质性将推动用户选择这一方向。在私有云中,大数据平台融合需要一个虚拟化架构,以将新的方案与之前的投资相关联起来。然而,融合将会阻止用户持续的平台现代化与迁移尝试,妨碍用户将创新和适合的平台整合到云中,阻碍厂商的“产品-改良”循环。除非将所有的大数据方案都放到“通用的”公有云服务上,否则用户在多种组合方案中需要虚拟化公有云、私有云和混合云架构的访问。

当然,能沿着“数据-虚拟化”路线走多远,将取决于用户业务需求和大数据环境的复杂性。此外,还取决于用户对风险、复杂性和困难的承受程度。在未来,随着分析模型、规则和大数据云上汇聚的信息日益复杂,平台将成为虚拟化访问、执行和管理的核心。在这一新领域内,MapReduce将成为关键的(但并不是唯一的)开发框架。

此外,MapReduce还将成为针对内联分析和交易计算的虚拟化架构的一部分。不过,目前这一虚拟化架构虽然涵盖范围更广,但是大部分仍没有被明确定义。

迄今为止,还没有人能够对这些将云与大数据世界拼接在一起的层、界面和抽象化展开进一步概述,而这也是一项摆在我们面前的艰巨任务。

来源:51CTO.COM