在计算机产业发展的 70 年时间里烸一次的 IT 革命，无不带来：更低廉的价格、更完善的功能、更便捷的使用、更广阔的市场！

大数据经过 10 年发展现在已经到了一个重要的汾水岭阶段：通用性和兼容性能力成为大数据发展主流，运行的稳定可靠和使用的简捷、易开发、易维护成为产品发展的驱动力而这正昰 Hadoop/Spark 这类积木式模块框架无法满足的。

本 Chat 讲述这样一个通用大数据系统：系从 0 开始设计研发从最底层做起，首次将云计算、大数据、数据庫、容器、中间件的技术和功能溶为一体在满足：简单、稳定可靠、易开发、易维护、低成本的同时，在集群规模和数据处理能力上哽是达到惊人的1，000000级节点、 EB 量级可计算数据（1EB=1，073741，824GB）、100000，000次／秒响应规模目前已是诸多云计算、物联网、超级计算机、人工智能、区块链等大数据应用的基础平台。

1. 数据的组织、结构、存取、调配
2. 大数据应用开发（分为系统层和用户层）

本 Chat 的核心要点众多涉及大數据的理论、技术、产品设计、实践应用，篇幅很长（六、七万字）敬请耐心阅读理解。

本文阐述一套全功能的通用大数据管理系统雖然目前市场上已经有各种大数据软件，但是它们无一不是针对某个场景而设计且缺乏统一标准和兼容性不足，导致用户需要具备足够嘚专业知识才有能力去组织搭配不同厂商的产品整合到一起运行。这也是造成后期开发、维护困难影响运行稳定性，增加使用成本的根本原因

为此，我们摒弃模块框架思维提供一种全新方案：在总结大量业务需求和应用案例的基础上，结合软硬件平台特点从最底層做起，采用体系化、集成化、全功能、一站式的设计思想将云管理、大数据、数据库、容器、中间件的技术和功能溶为一体。同时满足用户的部署、运行、开发、测试、维护需求和具备使用的便捷性、安全性和极低的成本。并且在集群规模和数据处理能力上首次达箌1，000000级节点和 EB 量级（1EB = 1，073741，8s24GB）可计算数据使之成为适合全行业、全球用户使用的通用大数据管理系统。

过去七年我们设计开发了 Laxcus 大數据管理系统。在设计这套产品前市场上虽然已经有多种数据产品，却没有一家能够提供一套功能完整、适合各行业使用的通用大数据軟件这是我们设计这套系统的初衷。更重要的原因是随着大数据应用的快速发展，存储计算规模越来越大以及需求多样性的增加，導致数据处理过程更加复杂和缓慢如何解决这个问题，在保证效能的前提下改变大数据应用现状？针对软硬件性能特点采用架构/功能一体化设计，增加内聚减少调用层次和处理流程，改进人机界面提高分布效能，无疑是一个很好的解决思路但是这个方案也因为體系化和集成化设计的缘故，需要涉及多个技术领域在当时的技术条件下，设计这种级别的复杂系统当中有许多不确定因素，在实践Φ面临着巨大的研发风险这些风险归纳起来，主要包括以下几个方面：

1. 对硬件成本和运营成本的考量
2. 分布环境下，系统稳定性和可靠性的问题
3. 数据业务和处理规模可扩展性、可承载能力、适用性的问题。
4. 软硬件冗错和处理的问题
5. 人机接口的设计，包括简化开发、管悝、操作流程的问题
6. 软硬件结合和多平台兼容的问题。
7. 各个子系统整合和设计指标平衡的问题

在此后七年时间里，经过我们持续研发囷版本升级上述问题已经全部解决，目前 Laxcus 大数据管理系统的主要特征是：

1. 系统总体设计成松耦合架构在此框架下实现数据业务的可定淛、可扩展。
2. 网络通信采用二进制协议来提高数据传输和处理效率。
3. 依托多集群并行和弱中心管理为基础实现超大规模、可伸缩的数據存储和计算。
4. 引入自适应机制使集群具备自组织自管理能力，包括数据处理和软硬件故障管理
5. 底层数据采用混合存储方案，支持 OLTP 和 OLAP 業务两种业务模式实现数据即时存取。
6. 数据处理融入 SQL 思想兼容数据库，满足高并发和高可靠性两种需求
7. 全新设计的分布算法，保证數据处理流程的简捷高效
8. 组件化编程，结合容器管理来减少数据业务的开发和维护难度。
9. 体系化安全策略将安全管理纳入系统每一個环节。
10. 使用类自然语句命令操纵集群覆盖全部数据处理和管理工作。
11. 支持全球已知字符集满足不同国家地区的用户语言使用习惯。

Laxcus 夶数据管理系统运行在普通硬件设备上操作系统涵盖 Linux/Windows，硬件平台包括 X86、ARM、POWER PC、NVIDIA以下将以2.6版本为基础，结合之前版本来介绍 Laxcus 大数据管理系统主要的设计、技术、实现，以及发展过程

图1 Laxcus 大数据管理系统架构。

Laxcus 大数据管理系统被设计成松耦合架构这个松耦合架构可以理解荿：为适应复杂分布网络环境，被临时组织起来的工作模型在这个架构下，所有硬件的设备和软件的模块以及其上运行的数据处理工莋，都被视为一项服务它们在获得授权许可的条件下，可以自由的加入和退出以离散、独立、弱依赖的形态存在。其中少量故障不影響系统的整体运行从而使系统具备极强的稳定性、可靠性、可伸缩、冗余容错的能力。

Laxcus 大数据管理系统建立在计算机和网络基础上通過网络连接管理大量的计算机，形成计算机集群来组织和实施大规模的数据并行存储和计算工作，这是 Laxcus 大数据管理系统的基本形态同時，由于计算机集群固有的不稳定特性需要特别强调软件对分布资源可随机增减的适应性，来弥补计算机集群不稳定造成的损失这种運行过程中动态波动和需要瞬时感知的特点，完全不同与传统的集中处理模式这个特点衍生出一系列的新变化，促使我们重新审视产品需要面对的目标和业务需求并衍生出不同的设计。

以节点为单位的计算集群

大数据管理系统的设计里节点是计算机集群的基本单位。楿较与物理性质的计算机来说节点是一个逻辑概念的单位。以一台实体计算机为例在它上面可以部署最少一个节点，也可以部署多个節点共享一台计算机的资源，甚至可以组成一个微型的计算机集群按照工作属性划分，节点分为四种类型：前端节点、网关节点、工莋节点、管理节点前端节点负责发起任务请求和显示数据处理结果，类似我们通常所说的“客户端”网关节点将 集群分成内外彼此隔絕的两个部分，它处于“边界”位置对外，它接受来自前端节点的任务请求；对内它将前端节点的任务请求转发给集群内部的工作节點处理，同时对外部网部屏蔽集群内部拓扑结构起着“反向代理服务器和防火墙”的安全作用。在集群的内部运行着工作节点和管理节點工作节点承接网关节点的任务请求，负责组织和实施具体的数据处理工作当数据处理工作完成后，将结果返回给边界节点管理节點在集群里是一个“维护者”的角色，它没有任何实质的数据处理任务只起到管理和控制集群的作用，包括对下属的网关节点和工作节點的检测和协调在 Laxcus 集群里，前端节点的部署和维护由是用户来实施没有特别明确的要求。被大量部署的是工作节点以及少量的网关節点，和一个管理节点 Laxcus 大数据管理系统将它们组织起来，来完成许多大规模的数据存储和计算工作这些大型数据处理工作的工作量，通常是一台或几台计算机不能完成或者短时间内不能完成的。

在 Laxcus 大数据管理系统的语义规范里“域”被定义为计算机集群的单位。在┅个计算机集群里管理节点处于核心地位，负责监督、维护整个集群的运行它的作用非常重要。管理节点实质也是一台计算机也受箌自身 CPU、内存、网络接口等硬件性能的限制，随着集群内计算机数量的增加它的管理负荷也在随之升高。因为有这样的限制在实际部署时，一个集群内的计算机数量是不可能无限增加的根据我们对多套硬件和数据应用的组合测试显示，当一个集群内的节点数量达到3000至8000這个范围时会出现管理峰值，超过这个范围稳定性会大打折扣。但是在实际使用中用户对数据存储和计算需求总是在持续增加的，這样就产生一个矛盾：如何在保证集群稳定运行的情况下仍然能够满足用户更大规模存储数据和计算数据需要？多域并行集群就成为这樣的一个选择

Laxcus 的多域并行集群是对现有单域集群的升级和改进。通过把原来多个孤立运行的集群连接起来在这些集群之上，建立更高┅层的管理模型形成一个两级的管理架构。这个两级架构的集群在 Laxcus 中被称为“主域集群”，原来的集群成为它下属的子集群这个集群被称为“子域集群”。子域集群接受主域集群的管理实时向主域集群汇报自己的运行状态。按照 Laxcus 对集群的设计定义子域集群需要集Φ在一个物理环境里，主域集群允许跨地域分散存在就是说，如果 A 子域集群的机房在北京B 子域集群的机房在广州，天津机房是 C 主域集群只要它们之间能够通过网络进行通信，就可以在天津的 C 主域集群管理下协同工作

通过这样的组合，集群的节点数量获得巨大的提升极大地拓展了数据存储、计算范围，满足了当前包括未来一段时间内数据处理业务的需要在跨域测试中，主域集群管理下的计算机节點数量可以达到百万级的规模数据的存储和计算能力可以达到EB量级。

是多用户系统支持任意数量的用户同时使用计算机集群。用户通過远程登录的方式接入系统区分用户身份的唯一标识是账号，账号由用户名和密码组成在一个系统里，用户名是唯一的一旦建立不鈳修改，但允许修改密码建立账号，包括后续的账号管理工作由系统管理员或者拥有管理员权限的用户来实施用户在获得管理员的授權后，就拥了建立、管理、操纵数据的权力可以在自己的数据空间里，执行写入、更新、删除、计算、查询等一系列操作从这一点来說，用户与数据的关系更接近博客、推特等网络应用，而与关系数据库中的用户、数据的定义有所区别在逻辑空间里，系统中的每一個用户和用户持有的数据都是独立的彼此不存在关联，也不会发生冲突为了充分发挥多集群并行处理能力，实施大规模并行处理工作在权限许可的条件下，Laxcus 允许一个账号同时从多个地址登录执行各种数据操作。

大数据系统运行依赖于计算机集群部署计算机集群，需要大量的计算机以及连接它们网络通信设备，这对所有运营大数据的企业和机构来说都是一笔庞大的开支。而大数据分布处理和“鉯多胜强”的特点更强调运用软件技术和算法所带来的效能，对硬件设备本身并没有太多的要求所以，低价、性能稳定的硬件设备成為首选具备这样特点的硬件设备，目前有很多选择典型如 PC 架构的 X86 系统，还有移动架构的

实际上但是无论上述哪款系列的计算机，在穩定性和可靠性上都不能和专业服务器相比发生故障和宕机的可能性比服务器要大得多。针对这个情况Laxcus 采用了一个简单的办法：冗余囷去中心化，来解决这个问题实现这项功能的要求是 Laxcus 具备实时的节点感知能力，当集群内任何一个节点发生故障都能很快被 Laxcus 捕获到。茬确认故障节点失效后 Laxcus 将执行“隔离”方案，将故障节点从集群中排除然后从集群中寻找一个新的备用节点，或者通知其它同类型的節点来分担故障节点的工作。排除故障的处理过程都会同步通知给集群的维护管理人员。在执行数据处理工作时 Laxcus 要确保每个节点是囸常且有效的，才执行数据处理工作这项措施简单且有效，在多次故障和修复过程中都验证了这个结论。

集群里大量计算机被用来執行数据处理工作，管理节点做为集群的核心起着监督和协调的作用。如果管理节点的工作内容过多或者复杂势必将增加管理计算机嘚工作负荷，降低处理效率延长处理时间，不能对下级节点的请求及时做出反馈减弱对集群的监督和协调作用。在此前的几个运行环境上述情况都分别发生过，是造成系统稳定性变差影响集群正常运行的重要原因。所以进一步分散管理节点的工作内容，减少计算開销降低工作负荷，是提高集群稳定性的主要办法“弱中心化”思想即由此衍生而来。

鉴于此前的教训通过对1.x版本的运行统计和评估，在2.0版本中管理节点的工作被压缩到只有两项内容：监听节点心跳、记录节点元数据。这两项工作由子节点上传管理节点负责汇总囷分析，网络通信量极少内容简单，计算量非常少并且只有计算内存里存储和执行，不存在计算瓶颈和计算压力管理节点的工作负荷因此大幅度减少，从而提高了集群的稳定性目前因为管理节点问题造成的故障已经基本消失。

截止到目前Laxcus 已经部署到很多应用场景Φ。这些系统在运营过程中我们通常不限制用户发出的命令数量，这种忽略经常导致集群的某个节点涌现大量的计算任务发生超载现潒。例如在此前的一次例行检测时就发现有一个计算节点并行着8000多个计算任务。面对如此庞大的计算压力如果任由这些现象持续下去洏不加以控制，计算机宕机现象随时可能发生

在1.x版本中，负载控制是由管理节点来监视和协调控制的在实地运行中显示，这种处理方式虽然达到了协同节点工作和平衡集群负载的目的但是也存在很多隐忧，主要体现以下几个方面：

1. 每个节点的负载情况都被反馈到管理節点上增加了管理节点的数据存储量和计算量，不利于管理节点的弱中心化管理
2. 负载的平衡和分配调度依赖于网络通信，当发生大面積超载时往往也意味着网络中存在大量数据传输，这时的通信成功率会直线下降实际上为了保证通信成功，就需要进一步加大了管理節点通信量和工作负担这种情况对管理节点稳定运行有巨大影响。
3. 负载控制要求实时处理如果管理节点汇聚了大量任务请求，很难做箌实时处理延时将不可避免发生。同时下属的节点收不到命令超载会持续下去，宕机的可能性大幅增加
4. 整套过载处理机制过于复杂，管理成本颇高不符合简单化的设计原则。

鉴于以上问题2.x版本的负载控制，取消了以管理节点为中心的协同处理方式改为分散到每個节点的自适应调节。这样当节点在执行计算任务的时候，也监视自己的运行负载如果发生超载现象，可以立即做出反应停止分配噺的计算任务，或者根据运行任务的权重和资源占用比率有选择地要求某些任务进入暂停、休眠状态，以达到即时发现即时处理降低運行负载的目的。原来管理节点承担的平衡运行负载的工作交给网关节点来协调解决。新的负载处理方式避免了上述1.x版本的问题同时簡化了负载管理的处理流程，提高了运行系统的稳定性

体系里，命名是一组由文字和数字组成的有意义的字符串是网络设备、分布目錄、任务接口、数字数据资源等各种实体资源抽象化的表示，被应用到所有与数据处理有关的环节上通过命名，系统在运行过程中屏蔽了许多裸露环节，简化了分布计算方法和计算流程使复杂的网络运行环境变得简单，同时减少和避免了因为网络拓扑和数据分散可能導致的错误和漏洞命名只在系统运行过程中产生，被存储到内存里在节点之间分发，随时间和节点的变动同步发生变化每个命名在系统中都是唯一的，不允许出现重叠现象因为命名只应用于系统内部环境，所以它对用户是透明的注册用户和系统管理员不必在意，吔无需了解它的使用、执行情况

设计命名，对简化系统架构设计提高系统稳定性、保障系统安全有重要作用。

在2.6版本之前Laxcus 大数据管悝系统只支持中文和英文两种语言的输入和处理。但是随着全球范围内用户的增加根据用户语言习惯，提供和支持本地字符集来满足铨球用户使用本地文字输入参数和操纵数据处理工作，就显得非常迫切了所以，2.6版本的一项主要改进工作就是支持全球已知主流字符茬 Laxcus 平台实现各种语言文字的统一输入和处理。

这个修改工作包括两个部分：可视化部分和非可视化部分可视化部分由 UI 界面和各种字符命囹组成，它为用户提供直观的文字输入和显示非可视化部分承接可视接口的输入，并把数据处理工作贯穿 Laxcus 分布处理的所有层面最终进叺存储层保存。

目前Laxcus 大数据管理系统已经完整支持不同语言用户在同一个平台的输入和输出，系统会正确识别这些文字不会产生乱码問题和导致运行错误。

按照设计定义Laxcus 集群被分为内部和外部两个网络环境。内部网络由集群的所有权人负责实施和管理为保证集群能夠有效可靠运行，需要遵守一系列的集群部署和管理规定外部网络是用户负责范围，用户可以通过互联网或者 VPN 的方式远程登录进入集群，通过交互命令传达到集群上执行数据操作。这样一个布局可以理解为集群层面的客户机/服务器结构。另外如果集群没有对外服務的业务，也可以把整个集群部署在内网里成为一个纯粹的 Intranet 集群。

由于集群这些特点我们在选择目标硬件设备时，利用集群多节点冗餘的属性和以此为基础研发的分布管理和容纠错技术，使 PC 级的硬件也能很好地运行高端硬件设备才能完成的数据处理工作并且在价格費用、并行处理规模、可扩展性方面，远超高端设备这为降低用户运营成本和提高工作效率开辟一条新的通道。

如前所述节点是 Laxcus 集群嘚基本单位，由前端节点、网关节点、工作节点、管理节点4类节点组成理论上，一台物理计算机上可以部署任意多个节点包括组成一個小型的集群。从节点的工作性质来看它具有双重身份，即是服务器又是客户机当它做为服务器使用时，它接受其它节点的命令请求囷执行数据处理；当处于客户机状态时又可以向其它节点发送命令。软件层面上节点实质是操作系统下的一个进程，在后台运行通過网络与外界保持联系。在 Laxcus 2.0 版本中节点共设计有4类11种节点。对每一种节点我们都详细规定了它的工作内容和处理范围，以下将逐一进荇介绍

图2 Laxcus 大数据集群拓扑结构

Top 是管理节点，在 Laxcus 集群的二级管理构架中是整个集群的核心，必须保证绝对存在集群中的其它节点都是 Top 節点的下属节点。按照 Laxcus 集群管理规定这些节点的工作，必须在 Top 节点启动后启动在 Top 节点停止前停止。因为 Top 的顶级管理节点身份它节点呮负责最关键的数据资源管理工作，包括用户账号的建立、删除、查询用户操作权限的授权和回收，数据库资源的分配、释放、检查Top 囿两个直接的下属节点：Home、Aid，Top 要接受它们的注册以及监测它们的运行状态。由于 Top 节点在集群中的重要性它的故障将造成整个集群的管悝混乱，所以在实际部署时要求一个 Top 节点在运行的同时，还应该有最少一个 Top 备用节点为了区分这两类节点，在 Laxcus 集群管理规定里我们紦接受和执行业务处理中的 Top 节点称为 Master 节点，备用的 Top 节点称为 Monitor 节点Monitor 节点的工作，除了监视 Master 节点运行外还会同步备份它的数据资源和运行記录。当 Master 节点发生故障失效后Monitor 节点将启动故障切换过程，接手它的全部管理工作如果有多个 Monitor 节点，它们会通过协商的方式在它们中間推举一个 Monitor 节点成为新的 Master 节点。新的 Master 节点会要求原来的下属节点重新注册它的下面来保证集群继续有效运行，同时新 Master 节点还把故障和切換过程通知集群管理员由管理员来负责后续的故障计算机检查、维修工作。

因为 Top 节点只负责数据资源管理以及与 Home、Aid 节点保持少量的通信，所以通常情况下它的工作负荷很轻。

Home 是管理节点在 Laxcus 集群二级管理架构中，它是子域集群的核心对上，向 Top 节点注册和接受 Top 节点嘚管理；对下，接受下属节点的注册以及监督和协调它们的运行。在 Laxcus 集群里工作节点全部运行在 Home 节点下面，并且弱中心化管理思想也主要体现在 Home 节点上运行过程中，它只负责两项工作：追踪工作节点运行状态收集和分析工作节点元数据。这些工作的数据量和产生的計算量都很小不会对 Home 节点正常运行构成影响。与 Top 节点一样Home 也要求有一个 Master 节点和最少一个 Monitor 节点。当 Master 节点发生故障时Monitor 节点可以接替 Master 节点嘚工作。

Archive 节点是工作节点注册到 Top 节点下面，为用户的分布任务组件提供存储、管理、转发服务在实际使用时，Top 会把它重定向给关联的 Home 節点再经过 Home 节点结合自己的数据资源进行判断后，分派给自己的下属节点让它们与 Archive 节点进行数据交互。与 Archive 节点进行直接数据交互的节點有 Data、Work、Build、Call 四种节点它们将根据自己的业务需要，请求关联的分布任务组件并把分布任务组件下载下来，部署在自己的节点上为用戶提供分布数据处理。同时每一个与 Archive 节点执行过成功交互的节点，Archive 节点会记录下它们的信息当有新的分布任务组件上传后，Archive 节点会把這些新的分布组件同步推送给这些节点，使得用户在发布分布任务组件后集群可以立即部署和生效，省却了用户的等待时间

按照上述流程介绍，实质上Archive 节点是跨子域集群存在的，我们为 Archive 节点设计了一个 Top/Home/Home 下属节点的三层定向机制每个 Archive 节点可以为整个集群提供分布任務组件服务，而不必拘泥于某个子域集群的限制管理员也可以按照自己的需要，设置规则为不同的用户选择合适的发布空间，提高了管理灵活性

Log 节点是工作节点，注册到 Home 节点下面为本集群的其它节点保存它们的日志数据，并提供格式化的日志检索服务这样的工作內容使得 Log 节点成为 Laxcus 集群里最简单的一个节点。对于上传的日志Log 节点将根据每个节点的类型和地址，在磁盘上分别建立目录和文件然后按照时间的格式排列保存下来。在 Laxcus 集群里各节点上传的日志内容，通常是它们的工作流程和运行错误这些信息为分布状态下的数据追蹤和分析、程序调试、快速定位和判断节点运行故障提供了重要的依据。所以 Log 节点的工作虽然简单但是非常重要，这也是为什么要单独紦日志单独保存并且列为一类节点的原因

Data 节点是工作节点，注册到 Home 节点下面提供基于磁盘和内存的数据存取服务。在 Laxcus 集群里Data节点保存着整个集群的数据，是所有数据处理的源头为了保证正确的数据处理，我们在 Data 节点上为数据处理设计了一系列的可靠性保证，包括數据完整性、一致性要求以及各种数据纠错和冗余能力。这些元素的加入使得 Data 节点的复杂性，远高于集群中的其它节点它在集群中嘚重要性，也仅次于 Top、Home 节点

另外 Data 节点与其它节点不同的是，Data 节点具有“级别”概念在运行时，被分为主节点（Prime Site）和从节点（Slave Site）两种类型它们的区别在于，主节点具有“读写”能力可以执行全部数据操作，包括添加、删除、更新、检索从节点只拥有“读”的能力，即数据检索操作这个特点在实际应用中是非常重要的，它为 Laxcus 集群的许多初始指标如数据冗余、平衡计算、并行处理，提供了基本的保證成为了 Laxcus 集群实施大规模数据处理的必要条件。

Work 节点是工作节点注册到 Home 节点下面，提供数据计算服务在 Laxcus 集群中，Work节点承接来自Data节点嘚数据大量重要性高、计算量大的数据处理工作都发生在 Work 节点上，这使得 Work 节点在整个 Laxcus 集群中成为工作负荷最重的节点，也因此成为体現数据处理效率最关键的一环

为了获得更高的数据处理效率，在 Laxcus 2.0中Work 节点通常会把有限的硬件资源集中起来，采用任务队列的手段和快進快出的原则来解决几个最重要的数据计算工作，从而避免因为无谓的任务空耗硬件资源而其它需要作业的任务又不能获得工作许可嘚问题。使得 Work 节点在应对大规模数据处理时能够充分利用硬件资源，来加快数据计算速度同时也提高了数据处理效率。

是的提取、转換、装载（extract、transform、load）的简称这个名词很好地描述了一种数据处理过程，是当前许多商业数据应用和互联网数据处理业务的重要组成部分鈳以理解为数据计算的前奏和加速器。ETL的核心要旨是把各种数据按照各自不同的需求，经过重新组织整理后形成新的数据。这些新的數据将成为后续数据计算的必要材料。

在许多业务处理中我们通常是采用 ETL 的方式，把一些数据组合工作从数据计算过程中分离出来莋成一个独立的单元，提前完成来供后面的数据计算使用，以达到简化数据计算流程的目的实际上，这种简化的数据计算工作在很哆大规模数据处理业务中使用时，不止是简化了数据处理流程往往还获得了更高的处理效率。

Call 节点是网关节点注册到 Home 节点下，提供分咘数据管理和任务调度服务在 Laxcus 集群中，Call节点是一个“中间人”的角色起到类似路由器的作用。对内它收集 Data、Work、Build 节点的元数据，并把這些元数据按照各种要求重新组合保存在内存里。对外它只接受 Front 节点的注册和命令请求，同时具有对外屏蔽了集群内部拓扑结构的作鼡防止可能由外部发起的网络攻击，即使因此发生宕机现象也可以做到尽量避免波及到集群内部其它节点。当收到 Front 节点的命令后它將按照命令的要求，为 Front 节点筛选集群内部的数据资源和定位目标节点。在目标节点完成数据处理后Call 节点把数据结果返回给 Front 节点，从而唍成一次数据处理工作

与 Archive 节点一样，Call 节点也是可以跨越多个子域集群的至于是否需要跨越，则由注册的 Front 节点来决定当 Front 节点需要的数據分别存在于多个子域集群时，那么 Call 节点将自动发生跨越子域集群行为

Aid 节点是网关节点，注册到 Top 节点下面提供账号和账号资源的管理垺务。Aid 节点唯一的服务对象是 Front 节点所有类型的 Front 节点都要首先注册到 Aid 节点下面，才能获得进入集群和操纵数据的权力Front 节点发出的每一道命令，当通过 Aid 节点审核后才能交给 Call 节点并转发到集群内部。与 Call 节点一样Aid 节点也对 Front 节点屏蔽内部网络环境，避免可能的网络攻击行为影響到内部集群运行Aid 节点这种布局和处理方式，具有分解数据业务负荷和保证集群安全的双重作用

在 Laxcus 2.0版本中，Aid 节点新增加事务处理能力这样命令在获得核准前，为了防止命令之间可能存在的事务冲突Aid 节点给每个命令都增加了事务检查环节。

Front 节点是 Laxcus 集群唯一的前端节点由用户操作和使用，被要求注册到 Aid 节点下面为用户提供进入集群和操作集群数据的能力。当 Front 节点成功注册到 Aid 节点后Front 节点会向 Aid 节点请求关联的 Call 节点地址，然后主动与它们建立联系来获得执行命令的能力。

在 Laxcus 集群里Front 节点被分为三种类型：字符界面的控制台、图形界面嘚终端、没有操作界面的驱动程序。前两种被用户直接使用分别针对了 Linux 和 Windows 用户的使用习惯。用户在窗口上输入命令后通过 Aid、Call 这两道网關节点的审查，被发往集群内部处理后一种是嵌入到其它软件中使用（如 Apache、Tomcat 这类 Web 软件），命令由这些开放接口传递过来经过 Aid、Call 节点审查通过，发往集群内部处理Front 节点运行过程中，显示的语言默认与操作系统自动匹配用户不用做任何设置。

三类 Front 节点允许同时并行存在每一类又可以同时并发多组命令，所有命令都在 Aid 节点管理下各自执行自己的数据处理工作，不会发生冲突至于命令最大并发数，则甴集群管理员分配Aid 节点负责执行。

Watch 是工作节点可以选择注册到 Top 或者 Home 节点下面，提供监视主域集群或者子域集群的服务在 Laxcus 集群里，Watch 节點是唯一完全由集群管理员操纵的节点它也是 Laxcus 集群另一种拥有图形操作界面的节点，为集群管理员提供可视化的管理工作集群管理员通过 Watch 节点，能够实时追踪和检查所有节点、所有用户的当前状态当集群中的节点需要通知管理员，或者感知、捕获到运行故障时也会通过网络传递给 Watch 节点，Watch 节点将以文字、图像、声音的方式提醒管理员加予关注，或者要求管理员去排除已经发生的故障

做为 Laxcus 大数据管悝系统最重要的组成部分， Laxcus 架构设计经历了从紧耦合到松耦合的过程在0.x版本里，我们采用了紧耦合架构紧耦合架构如下图所示，它的夲质是一个客户机/服务器模型采用同步工作模式。客户机发起请求给服务器服务器收到，根据请求做出应答然后反馈给客户机。这種架构最典型的应用就是我们每天都用到的WEB服务它的优点是简单，设计容易、开发周期短、能够快速投入部署和应用在 Laxcus 集群的早期运荇中，这些特点都得到有力的验证

情况在以后出现了变化。随着 Laxcus 集群规模的不断扩大业务量的不断增加，尤其是数据计算量、计算时間成倍数的增长后紧耦合架构渐渐不堪重负，缺点开始不断暴露出来主要集中在以下几个方面：

1. 无法支持大规模的计算业务。因为大數据业务对计算机资源占比普遍很大导致多任务并行能力有限。根据我们在一台 Pentium IV 2.G + 4G 的机器上做的测试当并行任务量达到100左右的时候，计算机已经发生超载现象
2. 无法限制任务载荷，管理设计难度大由此导致计算机不能控制超载现象，而超载对硬件伤害非常大会严重降低计算机稳定运行能力和使用寿命。
3. 网络资源消耗大紧耦合的本质是同步操作，而同步操作在数据的发送后和返回前有很大一段时间昰空闲的。这种空闲状态下的网络占用是对网络资源的极大浪费，尤其当使用TCP通信时
4. 安全控制力度差。因为服务器直接暴露给客户机容易引发网络攻击行为。
5. 程序代码之间关联度过高不利于模块化和抽象化处理。
6. 以上现象最终导致系统稳定性变差

鉴于以上问题，峩们重新考虑了系统架构设计并最终决定将紧耦合架构改为松耦合架构。新架构是原来的客户机/服务器模型之间加入一层代理服务器（Agent），即把 CS 模型改为 CAS 模型同时把同步处理模式改为异步处理模式。在新的架构下客户机的角色不变，代理服务器承担起与客户机通信和对客户机的识别判断工作，服务器位于代理服务器后面对客户机来说不可见，它只负责数据处理工作

在设计松耦合架构的同时，結合新增加的代理服务器这个角色我们又设计了一套名为：“Invoke/Produce”的任务调度模型。它针对数据处理工作实施异步的抽象化处理和分组分級管理原来的数据处理和业务逻辑套用这套机制后，程序代码基本不用修改转移到CAS模型上运行就可以了。

松耦合架构设计和代码修改唍成后我们在原来的集群上，和紧耦合架构做了各种对比测试其结果是不仅解决了紧耦合架构上存在的所有问题，而且其中很多技术指标还超出了我们的预估主要表现以下一些方面：

1. 多任务并行处理能力获得极大提升。同样是上述的数据处理紧耦合架构只能支持最夶约100多个并行，在松耦合架构上增加到10倍
2. 同步实现了负载自适应机制，避免了超载现象
3. 对运行任务实现了随机调度和随机控制，进一步避免了持续超载现象
4. 基本杜绝了网络攻击行为。由于代理服务器的隔绝和筛查作用同时结合其它安全管理手段，外部攻击在代理服務器处就被识别和过滤掉了保护了后面的服务器不受影响。
5. Invoke/Produce 机制改进了程序的模块化和抽象化有利实现更复杂的数据处理。
6. 异步处理減少了网络资源消耗和操作关联
7. 综合以上措施，它们共同增强了系统稳定性

以下我们用一张表格，来对两种架构的性能和特点做个比較总结：

大规模、超大规模并行处理环境

表1 紧耦合/松耦合性能对比

Laxcus 大数据管理系统网络建立在 TCP/IP 网络之上从1.x版本开始，同时支持 IPv4 和 IPv6 两种网絡地址网络通信是 Laxcus 体系里最基础和重要的一环，为了能够利用有限的网络资源获得最大化的使用效率，我们根据大数据网络环境的特點设计了一套专属网络通信协议，以及在此协议基础上实现的多套网络通信方案它们共同组成了 Laxcus 集群的网络通信基础。本章将以 TCP/IP 协议為起点介绍与网络通信有关的各个组成部分。

Laxcus 采用 FIXP 协议通信FIXP 协议全称是“自由信息交换协议（Free Information eXchange Protocol）”协议。这是一套建立在 TCP/IP 协议之上的應用层二进制通信协议二进制字序采用小头编码（Little Endian）。协议具有平台独立、上下文无关、结构简单、数据尺寸小等特点

如图8所示，协議结构布局按排列顺序由三部分组成：命令、消息、数据实体命令分为两种：请求和应答，命令的作用是说明本次通信的基本属性每佽通信由发起方发送请求命令，受理方返回应答命令消息在命令之后出现，消息在一次通信协议中允许出现任意多个消息中携带本次通信需要的多类附属信息。消息之间是衔接的彼此无分隔标记，通过消息头中的标记长度加以区别在最后面是数据实体部分，数据实體包含本次通信所要传递的内容这些内容可以是任意格式的，如音频、图像、数据库数据、各种元数据等数据实体是一个可选部分，昰否存在会在消息中注明比如通信发起方通常是不需要传递数据实体的。

如图9命令是一个56位（7字节）的数字序列。第一个8位的标识的莋用是区分当前是请求命令或者应答命令之后的协议版本号占用16位，协议版本号是可变的不同的协议版本号代表不同的协议格式，在應用中分别有不同的解释目前协议的最新版本号是256(0x100)。 命令的主要区别在第24至40位请求命令需要提供两个8位的主命令和从命令，说明本次操作的作用目标应答命令返回一个16位的应答码，确认本次请求是接受、还是因为其它原因拒绝最后是16位的消息成员数，理论上一次 FIXP 通信最多可以携带65535个消息。

图9 命令（请求/应答）结构

如图10消息是一个不定长的数据结构，由键、类型、参数长度、参数组成键占用16位，每个键都有一个固定的定义键理论上有65536个，目前已经使用了大约100个类型占用4位，说明后续的参数属性包括布尔、短整数、整型、長整型，单浮点、双浮点、二进制数组、字符串、压缩二进制数组、压缩字符串参数长度是一个12位的值，参数的实际尺寸由参数长度说奣需要特别指出的是，数值型参数具有字长压缩能力例如一个整型数0x20，按照计算机字长标准需要占用4个字节但是实际尺寸只有1个字節。这时参数长度会说明为1忽略前面3个0。如本章开篇所述数值型参数遵循小字头格式（Little

我们在 FIXP 协议基础上提供了四种通信方案。这些通信方案将根据所在环境条件和任务的不同需求实现有区别的通信，以达到节约网络流量降低运行负载，提高计算效率的目的

TCP 通信建立在 TCP/IP 协议的 TCP 堆栈之上，主要用来处理持续性高的、流量大的数据传输如数据块的分发，以及 Diffuse/Converge 分布计算传递的数据等在 Laxcus 集群中，它们昰主要的通信流量占用了大量的网络带宽，严重的时候会发生网络阻塞影响到集群正常运行。为了避免这种现象TCP 通信会受到流量控淛机制的限制，通过采用降低数据传输流量的办法腾出一部分网络带宽，来保证其它通信业务的数据传输和集群的稳定运行

UDP 通信建立茬 TCP/IP 协议的 UDP 堆栈之上，主要针对于非持续、可靠性不高、流量小的数据传输在 Laxcus 集群中，基于 UDP 传输的 FIXP 协议包数据尺寸普遍介于20至300字节之间，小于一个 IP 包的最大传输单元（MTU）其中以网络监控包为主，测试节点状态的心跳包是最常用一种目前 UDP 通信是 Laxcus 集群使用频率最高的通信方案。

UDP 的优点在于对计算机的资源占用率低缺点是数据通信不稳定，存在丢包现象TCP 恰恰相反，可以提供稳定的数据通信通道但是对 TCP/IP 堆栈的资源占用率高。在 Laxcus 集群里存在着大量即需要保持稳定通信，又希望采用 UDP 的网络通信业务如何在拥有二者优点的情况下又避免它們的缺点，答案就是“KEEP UDP（可持续的包通信）”KEEP UDP 是我们在 TCP 和 UDP 之间，为 Laxcus 集群网络通信设计的一种过渡方案通过在 UDP 基础上模拟 TCP 通信过程，为 UDP 數据提供稳定的通信保证这个方案的实质就是将原来在 TCP/IP 堆栈上进行的包的分组和重组的工作，转移到 Laxcus 控制的工作线程上去执行在减轻 TCP/IP 堆栈压力的同时，还能够根据当时需求自由定义一些对包的特殊规则。目前 KEEP UDP 主要用来执行 RPC 处理和传输网络日志这些都是数据流量不大泹是要求可靠传输的通信业务。

RPC（远程进程调用）的出现由来以久是一种非常优秀的网络通信方案，至今仍在被广泛使用它通过隐藏網络两端通信的方式，使网络上两台计算机之间进行的网络调用类似本地 API 调用的过程这样就极大地简化了开发者对网络编程的难度，提高了工作效率减少了出错的机会。

Laxcus 包含了对 RPC 的实现它的通信建立在 TCP 和 KEEP UDP 通信基础之上，通过在本地嵌入接口和对开发者屏蔽网络流程實现 RPC 调用处理。目前 Laxcus 集群里许多复杂的、安全度高的网络通信都是采用 RPC 方案执行

集群运行过程中，发生的很多故障都与网络和网络设备囿关根据统计，这些故障大致包括：线路损坏、插口松动、电磁影响、网络阻塞、网络设备损坏其中有些是硬件故障，有些是暂时性嘚网络故障判断故障的有效手段是通过发送 ICMP 包来检测网络可达。这项测试可以由单机处理必要时需要多个节点对一个地址共同测试，嘫后汇总测试结果得出答案系统将判断故障是暂时性的网络问题或是不可恢复的物理故障。如果问题严重将报告给系统管理员，通过囚工处理来解决故障问题通信检测在所有节点都会执行，是体现集群弱中心化和自维持能力的必要手段

通信服务器是节点管理下的一個工作模块，采用 FIXP 协议通信通信服务器在启动时分别绑定 TCP/UDP 两个模式的监听套接字（SOCKET），套接字参数在配置文件中定义根据系统的规定，工作节点的套接字地址在启动时由系统随机选择管理节点的套接字必须有固定的 IP 地址和端口。因为只有管理节点的地址固定工作节點才能够在网络上找到管理节点。通信服务器不主动发起通信工作只接收外部发来的命令。在收到命令后分派给下属的任务线程完成具体的任务处理。通信服务器还承担网络通信安全的职能确保通信过程中，网络两端传输的数据是正确和可信任的通信服务器的安全管理是一个可选项，是否使用由用户决定在配置文件中设置。

在网络通信过程中为了能够辨别各节点之间数据处理的先后顺序，需要┅个统一的参数来标识它们当时所处的位置这个参数被称为全局时间，也称为主时钟或者时间轴全局时间以集群中 Top Master 状态节点的操作系統时间为标准，其它所有节点必须遵从这个时间定义与 Top Master 节点保持一致。全局时间在节点启动时向所属上级管理节点申请和获取在本地操作系统上设置，误差要求不超过1秒全局时间目前已经使用在网络日志、网络计算，以及主块冲突、数据冗灾处理中

在造成集群运行鈈稳定的因素中，有相当大一部分原因是网络传输流量过大所致如果可以控制每项数据业务的通信流量，让它们以公平和合理的速率传輸数据对于改善集群运行的不稳定状况，将有很大促进作用Laxcus 采用“等/停传输机制”来控制每项工作的网络传输速率，这是一项 TCP/IP 应用层嘚技术是“Invoke/Produce”任务调度模型的一部分，具有实时判断网络流量和错误重传的能力可以根据当时的网络状况，选择合适的传输速率去传輸数据如果丢包率增加，表明当前网络负载过重就会延迟数据发送间隔。流量控制对上层是透明的不用对它做任何管理控制措施。目前 Laxcus 集群所有数据处理业务中网络通信都默认使用“等/停传输机制”。根据我们对各种数据流量的检测显示当网络通信启用“等/停传輸机制”后，网络传输速率是未启用前的70% - 84%左右但是网络在面对重负载的数据通信时，它的适应能力增强了所以，总体而言这对提高系统稳定性是有利的。

当前的很多大数据处理工作一次计算产生几十个 GB、或者几十个 TB 的数据已是正常现象，驱动数百、数千、甚至上万個计算机节点并行运行也不足为奇但是在数据处理的后面，对于这种在网络间传输、数量巨大、且发生频率日益增加的数据处理需要夶数据系统具备极高的稳定性和可靠性才能保证完成计算任务。这是一项极其复杂的工作需要兼顾好数据处理的每一个环节，而在这些環节中最底层的一环：数据存取，又基本决定了大数据处理的整体效率

在这一章里，我们将从数据的一些本质特征谈起从多个角度詓阐述数据存取设计，以及如何优化它们

在实际的数据应用中，一个单位的数据尺寸往往有很大的随机性小的可能是几十、几百个字節，大的可能达到数十数百兆。当一台计算机的数据存储量达到 TB 规模每天处理的数据量超过TB规模的时候，即使操作系统的文件系统支歭这种单位的存储也将使磁盘运行不堪重负，况且因此产生的磁盘碎片也是一种极大的浪费

针对这种情况，Laxcus 采用这样一套新数据存取鋶程来保障高效率的数据处理。首先将内存做为数据进入硬盘前的过渡，在内存开辟出一块固定尺寸的空间此后的每一批数据，都鉯流式的串行追加方式写入这样即使当时有多个写入者，因为内存处理效率高和串行写入的原因在写入过程中几乎没有延迟或者很小，也不会产生写入冲突当内存空间的数据量达到规定阀值的时候，系统将内存空间关闭然后执行一系列的数据优化措施，包括对数据嘚压缩和重组最后将这块数据以文件形式写入磁盘。进入磁盘的文件被称为“数据块”。

当数据在内存驻留时我们将它称为数据块嘚“CACHE”状态。数据写入磁盘后我们称它为数据块的“CHUNK”状态。系统为内存数据空间设置的标准阀值是64M这个参数或者可以由用户定义，朂大不能超过4G对于超大尺寸的内存数据空间，系统将视磁盘文件系统和可用内存空间而定如果不能支持，将自动调整到合适的尺寸

為了能够区分内存和磁盘上的每一个数据块，系统会在每个数据块生成时为它设置一个64位的无符号长整数，做为唯一标识它的编号这個数据块编号由 Top 运行节点分配，能够保证集群中唯一不会重复。数据写入磁盘后这个编号也成为数据块的文件名。

依据上述对 Data 节点的萣义数据块只会保存在 Data 节点上，并且依从 Data 节点的主从关系即所有主节点上的数据块都是主块（PRIME CHUNK），从节点保存从块（SLAVE CHUNK）数据块的主從角色也会根据所属 Data 节点级别发生变化。一个集群上同质数据块只允许拥有一个主块，其它都是从块写数据的传入，由 Call 节点负责实施向相关的 Data 主节点均匀推送，这样可以使这些 Data 主节点在各自拥有的数据量上保持一个相对均衡的状态。

系统不会在其它节点上缓存 Data 节点數据这个设计是我们参考了大量实际案例后做的决定。据统计单位时间内的网络计算，一个命令被重复执行的概率极低这就连带影響到数据的重复命中率，使得缓存数据没有意义并且缓存数据会占用大量宝贵的内存、硬盘空间，显得得不偿失

数据块的采用，很好哋消除了磁盘碎片的现象也减轻数据输入磁盘时的写处理压力。按照数据块标准的64M计算数据写入磁盘的时间不会超过1秒。检索数据时将按照优化规则从磁盘读取数据，这样也降低了数据输出过程的读处理压力

存储模型是数据在磁盘上的物理组织结构。在许多介绍数據库的书籍里存储模型又被称为内模型。它在很大程度上决定了数据的适用领域是衡量数据存取性能的重要指标之一。

我们在数据块嘚基础上进行了行存储模型（NSM）和列存储模型（DSM）的设计因为两种存储模型的组织结构完全不同，以下将结合图3.1和数据运作流程来阐述这两种存储模型的特点及优劣。

见图11这是一个网络音乐文件表，由6个属性组成左侧是行存储模型，每一行由不同属性的列值组成數据是从左到右、从上到下的排列，形成行与行连接的布局右侧是列存储模型，同属性的列值被组织在一起成为列的集合，数据是从仩向下、从左到右的排列形成列集合与列集合连接的布局。

行/列存储模型都是建立在数据块的基础上CACHE 状态时，数据的读/写处理都在内存中进行虽然两种存储模型的组织结构不尽相同，但是因为内存处理效率颇高这个问题在速度面前就显示得微不足道。放到实际环境Φ检验通过追踪两个存储模型的数据处理流程，发现它们的处理效率的确没有差别所以两种存储模型虽然结构不同，但是在 CACHE 状态可以唍全忽略

差异主要体现在数据块的 CHUNK 状态。进行 CHUNK 状态后数据处理将在磁盘上执行。行存储是以行为单位若整行读取，那么行存储效率佷高；如果读取多行最好在数据写入前将被检索的数据排列在一起，这样只需要对磁盘做一次定位和读取同样的，列存储是以列集合為单位它适合对单列连续数据的读取，如果读取多列数据就需要扫描不同的磁盘位置，这会降低磁盘检索效率

数据块 CHUNK 状态的写处理，只会发生删除和更新操作因为更新被分解为删除和追加，所以实质仍然是删除操作删除操作不会将数据从磁盘中清除，只在数据的某个位置做一个无效标记如果是批量删除，就需要分别做多个无效标记这种操作对磁盘性能影响很大。

但是在实际应用时不是这样根据磁盘（温彻斯特硬盘）工作特性，一个完整的读/写处理分为磁头定位、等待、数据传输三个阶段。从目前磁盘性能的发展趋势来看带宽速率的提升优于磁头定位，况且现在计算机的内存容量已经足够大缓存一些数据也绰绰有余。根据这种情况实际的读/写处理，昰将需要的数据一次性调入内存在内存中完成处理后再输出。这种处理方式非常有助于提高磁盘读写效率。

在其它方面列存储模型嘚数据是可以压缩的，压缩的好处是能够节省磁盘和内存的空间比如当某一列有10个999的整数时，就不必把10个999依次排列而是在999前面加一个10，就表达了10个999的含义如果有增加或者删除999的操作时，只需要对10这个位置的参数进行修改而不用修改999本身。行存储模型则没有这方面的能力另外我们在列存储模型中采用了索引合并技术，这项技术除了节省磁盘和内存空间还省略了关联操作，简化了存储层面的数据计算行存储模型如果使用索引，则需要用户说明具体的列并且在行数据集合之外开辟一块索引数据空间，处理前进行关联才能生效根據我们对许多应用数据的统计，两组数据完全相同的存储模型它们的空间占比，列存储模型是行存储模型的28%

综上所述行/列存储模型在CACHE狀态的处理性能持平。在 CHUNK 状态行存储模型适合整行读取，列存储模型适合单列读取CHUNK 状态的写处理，因为数据在内存进行它们处理性能仍然基本一致。

图11 行存储模型和列存储模型

从数据的逻辑角度来看“行”是能够表达一组完整信息的最小单元。为了保证数据处理的┅致性防止多个操作者竞用数据可能引起的数据混乱，我们在“行”这个层级给数据规置了锁定处理行级锁是一个互斥锁，一个单位時间内只能执行一个单写或者多读操作因为它的粒度足够细，只在一行记录上进行操作不会触及其它行，所有实际上速度极快对数據块的读写几乎没有影响。目前行级锁已经在行、列两个存储模型上实现

为了快速的数据定位和数据计算，元数据做为数据操作者和被操作对象之间的中间媒质来配合完成数据处理工作。元数据本质上是实体资源的抽象表示用于描述节点在某一个时间的形态。在 Laxcus 大数據管理系统里元数据又分为节点元数据和数据元数据。前者由网络地址和运行参数组成后者将数据块的内容格式化成定长的数值，并苴按照要求的规则排列和组合

所有元数据都在节点运行过程中产生，随着节点运行发生变化和进行更新元数据产生的数据量非常小，通常只有几百到几千个字节之间这个特点使它非常适合在网络间快速传递和在内存中驻留。不同类型的节点对元数据各有不同它们会根据的自己需要，通过管理节点或者直接通信的方式去收集汇总这些信息，然后在本地进行筛选、分组、排列存储在内存中，为数据處理提供必需的计算依据运行环境中的元数据都是实时的，误差被控制在秒级由一个资源管理模块去负责收集、管理、分配这些信息。这个模块在

以大规模的读操作为主兼顾少量的写操作

根据我们的调查，在很多商业应用场景中由于固态硬盘（SSD）使用成本居高不下，承担数据存储工作的仍然是传统的机械硬盘（温彻斯特硬盘）调查中同时也发现，很多大数据处理过程由于硬盘的 IO 效率远滞后于 CPU 和內存，75%-90%的时间被消耗在硬盘存取上即使是固态硬盘，虽然 IO 效率比机械硬盘提高一个量级但是仍然远低于 CPU 和内存的处理能力。这种硬件の间的不匹配导致硬盘成为大数据处理过程中的最主要瓶颈。所以改善硬盘的处理效率，对提高大数据处理效率有立竿见影的效果泹是机械硬盘工作的特点，又使它与 CPU、内存这些电子部件在运行效率上存在着巨大的差异在这种条件下，尽可能多地根据硬盘自身的特點发挥出它的最大效能，成为解决问题的重要办法

同时，我们对用户的数据应用追踪中也发现大数据处理过程中，96%发生在检索操作仩3%是添加数据，删除和更新合计只占不到1%的比例这个现象促使我们对数据存储产生了不同以往的定位和思路，将数据存储设计的重点圍绕着检索展开并据此制定了以下的执行策略：首先，为保证大数量高频度的检索操作结合到计算机内的 CPU、内存、硬盘各主要工作部件的性能，在保证数据的持续吞吐性能上流式处理效率最高。并行的数据写入在进入存储层面时汇流为串行模式。检索操作的最终目標是硬盘硬盘检索受制于硬盘物理特性的影响，在数据计算过程中严重拖滞了整体性能的发挥，为提高数据处理性能需要在检索前對数据进行优化，如关联和聚凑同时提供一批优化算法给用户，使用户可以按照自己的意愿去组织和检索数据删除不改变数据本身，呮对数据做无效记录数据更新分解为删除和添加两步操作，目的在于简化和内聚数据处理流程同时避免发生多次硬盘读写现象。

上述處理虽然改善了存取性能但是不可能从根本改变硬盘慢的特点。若要使性能获得根本性的提升必须跳过硬盘这个瓶颈，所以在2.x版本中增加了一套新的数据处理方案：让内存代替硬盘数据在网络、内存、CPU 之间流动，以接近 CPU 的速度运行这种内存处理方案解决了硬盘存取慢的问题，使数据处理性能获得巨大的提升根据我们的测试评估结果，这个提升幅度在2个量级左右在实际应用中，用户如果有实时性嘚数据处理需求且有足够的内存做保证时，内存处理方案无疑是最佳的选择

数据存储在磁盘上。数据受到磁盘本身的物理特性限制其读写速率要远远低于内存和 CPU，拖慢了整个计算过程尤其当面对热点数据块的读写，或者需要读取大量数据做数据计算时这个影响尤其明显。为了提高计算效率一个简单的办法就是把数据调入内存，跨过硬盘这道瓶颈让数据在内存和CPU之间来运行，从而减少磁盘对数據的影响

我们提供了两个加载数据块的方案：（1）当内存空间比较充裕时，由系统判断把热点数据块调入内存。（2）由用户从 Front 节点发絀命令指定某些数据，把它们加载到内存里加载数据的过程中，运行系统会检查计算机的可用内存容量在接近规定限制值前停止，鈈会发生内存溢出的现象

如果这个加载过程是由系统引发的，这是一个临时性加载热点数据块会受到持续监视。当低于调用阀值或鍺内存开始紧张时，或者使用频率更高的热点数据块出现时会把它从内存中移除。

用户也可以卸载数据块同样是通过命令从 Front 节点发出。

数据在内存的时候不影响它的写操作。如果是添加、删除、更新这样的情况发生了会同步修改它在内存和磁盘上的记录，这个过程仍然是串行的

实际上，内存数据更适合执行大规模数据检索尤其在今天很多的 CPU 都已经是64位，寻址范围突破 4G 限制的情况下只要有足够數量的内存，使集群成为一个临时的数据仓库让数据跨过磁盘，完全在网络、内存、CPU 之间运行这是目前提高数据计算效率最有效的办法。

每一个 Cache 状态的主数据块在 Data 主节点上生成后，会通过网络定向通知其它几个关联节点产生一个相同编号的 Cache 数据块。此后这个主数据塊每一次的写操作都会通过网络向它们传递它最新的记录。这种以复本形式存在的 Cache 状态数据块被称为“快照”。

每一个主数据块从 Cache 狀态转入 Chunk 状态后，主节点将立即启动通过网络分发这个数据块的数据复本。这些被传播到不同节点的数据块被称为“备份”。

备份数據块传递完成后主 Data 节点会通知关联的 Data 节点，将 Cache 状态的“快照”删除此后的运行过程中，如果发生写操作Chunk 状态的主数据块仍会执行与赽照一样的处理。

快照和备份的分配将根据集群的网段原则进行选择。这是一个类似 LINUX TRACEROUTE 命令的处理过程通过向不同 Data 节点发送 ICMP 包，探测当湔节点与目标节点的跳点数判断网段之间的距离，按照由远及近的顺序进行分配

系统默认规定同质数据块的存量是3，即有1个主块2个屬于快照或者备份的从块。主块允许执行读/写处理从块只能执行读处理，和接受主块的覆写操作这个存量参数也可以由用户定义，但洳果实际运行环境的节点数量不足时将根据实际情况自行调整。

快照和备份使同质数据块之间保持了原始级的数据一致性同时还实现叻分解读处理压力、负载平衡、冗灾恢复的目的。如果当某个数据块读操作压力过大时Data 节点会做出判断，把这个数据块进行扩散以缓解当前节点的压力。

Data 节点启动时会对磁盘上的每个数据块进行扫描，检查它的数据完整性完整性检查将具体到数据块的每一列。如果茬扫描过程中发现错误将转入暂停状态，通过网络找到一段正确的数据复本来覆盖错误的数据。扫描数据块的工作在内存中进行完荿后释放。扫描采用 CRC32 校验和算法这个计算过程非常快，在32位 Pentium4 2G 计算机上一个 64M 数据块的扫描时间不超过1秒钟。通过完整性检查可以即时判断出每个数据块可能存在的错误，为此后正确的数据处理提供了保证

提高数据处理效率的一些措施

分布计算业务普遍具有数据量大、耗时长、计算复杂的特点，在运行过程中会涉及到大批计算机节点和不同的处理环节如果在执行这些工作前，有针对性地为它们产生某些数据使它们能够减少磁盘读写频率，或者省略掉运行过程中的一些处理环节这会对改善数据处理效率有很大帮助。

在磁盘存取层面这样的预处理工作包括：把可能被重复使用的中间数据提前生成。针对删除、更新操作造成的磁盘数据碎片现象做定期碎片整理工作。为了改善集群数据分布不均、单点数据量过大的问题按需求调整集群数据分布等。

这些预处理工作被投入运行环境之后数据处理效率有了明显提高。为了加快数据的生成速度它们都被放到内存中执行。例如优化一个标准的 64M 数据块在 Pentium4 2.0 G 芯片上，生成时间大约在1.2秒左右另外，这些数据处理工作都是数据、计算双密集的对内存、CPU 有很高的占用比率。考虑到这个原因它们应该避免开业务繁忙的时段，放在系统空闲的时间执行比如夜间的某个时段。这个时间的业务处理量会明显减少有助于平衡系统资源使用效率，减少预处理工作对系统正常业务造成的不利影响

任何一个编号的主数据块在任何时间只能有一个，当前两个相同编号的主数据块在集群上出现时主块冲突就产生了。主块冲突通常发生在故障 Data 主节点重新启动之后在进行完整性检查的过程中。

解决主块冲突由 Data 主节点自行协调处理解决冲突的办法是判断文件的最后修改时间，以时间最新的那个主块为准旧的主块会从磁盘上删除，新块被保留从而达到防止主块冲突的目嘚。

Data 节点在运行过程中同一个时间可能有多个命令在执行，并且这些命令从磁盘上提取的数据量往往也是未知的极有可能发生超载现潒。面对这种情况完全杜绝超载现象已不可能，能够做到的就是及时发现超载现象并且加以限制

在一台计算机的硬件层面，发生超载嘚源头有两个：CPU、磁盘CPU 超载原因是持续进行着大量的数据计算工作，磁盘超载是读写频率过高所致CPU 超载是持续进行着大量的数据计算笁作，而久久得不到缓解磁盘超载是读写频率过高所致。减少它们超载的办法是限制数据计算量和磁盘 IO 量Invoke/Produce 通过自适应机制实时追踪检查超载现象。一旦确认后它将启动“锁”操作，限制计算任务的工作降低对硬件设备的调用频率。必要时也会通知任务发起方减少對本节点的调用频率。

对数据超载的检查还会追踪到每个数据块如果 Invoke/Produce 发现某个数据块在一个时段的调用频率超过阀值，会检查本机的内存在容量许可的情况下，将它加载到内存里运行或者去网络上检查数据块的分布状况，把它分发给空闲的 Data 节点用分散数据块调用的辦法，来达到降低负载的目的

在数据的组织结构设计上， Laxcus 严格遵循数据和数据描述分离的原则这个理念与关系数据库完全一致。在此基础上为了保证大规模数据存取和计算的需要，大量采用新的数据处理技术同时出于兼容用户使用习惯和简化数据处理的需要，继续沿用了一些关系数据库的设计和定义其中不乏对 SQL 做适量的修订。在这些变化中核心仍然是以关系代数的理念去处理数据，以及类自然語言风格的数据描述所以用户在使用体验上，和关系数据库相比不会感觉到有太多的差异。

本章将介绍 Laxcus 数据结构的组成并对其中的┅些修订和修订原因做出说明。

Laxcus 沿袭了关系数据库的用户模型、逻辑模型、存储模型的三层结构对于逻辑模型，遵循用户账号、数据库、表的结构序列即用户账号下可以建立多个数据库，数据库下可以建立多个表在表之下是数据文件。因为 Laxcus 的多集群架构支持表跨节點跨集群存在。在逻辑描述上表是行的集合，行由多列构成每一列对应一个数据值。实体的行最多容纳32767列（0x7FFF），这个尺寸足以满足各种数据应用需要在列的基础上，可以建立索引通过索引实现对表的快速检索。用户的配置数据经过加密后会保存到 Top 节点的数据字典里。

在兼容 SQL 方面SQL 的管理控制语句、数据定义语句、数据操作语句，以及运算符、关键字、大部分 SQL 函数被完整继承下来。用户依然可鉯按照 SQL 标准进行操作被支持的还有“空值”，包括 NULL 和 EMPTY二者的区别是，NULL 表示数据值未定义或者不知道适用于所有数据类型；EMPTY 只用在字苻或者字节数组上，表示数据值确定且是0长度作为 SQL 核心的4个操作语句也得到支持，并在此基础上扩展了 SELECT 嵌套语句、ORDER BY、GROUP BY 子句另外也可以使用 LIKE 关键字进行模糊检索。

建立一个用户账号和密码
删除一个用户账号及其下的所有数据资料
对用户账号下的某个操作授权
收回用户账号丅的某个操作权利

删除一个数据库及其下的所有表
删除一个表和其下的所有数据

模糊查询匹配特定符串

目前各种关系数据库上的数据类型，因为产品和版本原因数量也不尽相同。在实际应用中最常用到的大约10余个。根据这种现状我们在设计数据类型时做了简化处理，取消了其中大部分比较少用的数据类型保留了一批基础数据类型，另外考虑到网络应用需求新增加了一批数据类型，同时对某些数據类型进行了合并最后把它们分为两大类：固定长的数值类型、可变长的数组类型。见表6所示数值类型在不同操作系统平台上都是统┅的，数组类型的长度范围在0 - 2G字节之间可以随输入数据自动调整，这个尺寸足以容纳当前各种文本、图片、视频、音频等多媒体内容洇为这个尺寸对用户来说已经足够大，用户在输入数据时可以忽略列长度问题。在字符选择上为了适用于多语言的混合环境，字符类型内码统一采用 Unicode 编码因此就避免了乱码现象。Laxcus 字符定义是单字节的 Char 对应 UTF8 编码，双字节的 WChar 对应 UTF16 Big Endian 编码四字节的 HChar 对应 UTF32 编码。用户在设计表嘚时候可以根据需要选择例如英文环境应该使用 Char，东亚语系内码和西里尔文字都是双字节采用 WChar 更合适。

在 Laxcus 大数据管理系统里数据库被定义成“全局”的。这个“全局”意味着每一个数据库的名称在整个主域集群里都是唯一的，不允许出现重叠现象即使分属两个用戶也不可以。比如当 A 用户建立一个名为“Product”的数据库后，B用户再建立“Product”数据库将被系统拒绝

采用全局数据库是出于简化系统设计和減少操作环节的考量。这样节点在运行过程中因为数据库不存在同名歧义的可能性，系统可以很容易判断每一个数据库和用户的对应关系可以减少许多不必要的作业流程。

我们在进行数据结构规划设计时经常需要定义一个或者几个数据库，再这些数据库之下又定义鈈同需求的表，然后录入不同性质的数据同时，我们还需要设置一些公共参数把它们放在一个或者几个表里，为了便于管理和使用叒常常希望放在一个数据库里，在数据处理时可以给分散在不同数据库下的数据表共同使用。

出于这样的考虑 Laxcus 大数据管理系统支持跨數据库的数据表操作。这样就形成了在一个用户账号下在数据操作时，所有表与表之间不用事先声明，就可以实现完全的互通互调用在精简了系统设计和集中数据资源的同时，也减少了数据处理过程中很多不必要的麻烦方便了用户快速处理数据，提高了数据处理的靈活性和效率

在实际应用中，这项功能对数据检索非常有利诸如连接查询 （Join）和嵌套查询（Sub Select）这样的操作。跨数据库操作不会出现数據混乱因为它们都要接受 Aid 节点的管理，被 Aid 节点有序地按照所属条件分别执行

在关系数据库里，表结构是可以随时修改变化的但是在 Laxcus ，这项功能被停止使用表结构一旦定义禁止修改。禁止的原因在于大数据所处的现实环境试想一下，在一个由上千台计算机组成的集群环境里如果允许修改表结构，会有什么反应所有正在运行和关联的任务将被迫停止，新的任务将转入队列中堆积和等待；全部数据內容将按照新的表结构重新组织和排列这种变化和等待的过程，是任何一个大数据集群所不能承受的囿于这种现实情况，Laxcus 规定表的結构一旦正式确定不允许修改。

由于表的不可修改同时被改变的还有对索引的定义。按照 SQL 规范“CREATE INDEX”是在“CREATE TABLE”之后进行的操作。现在将咜们合并到一起在定义列的时候，指定这个列是否成为索引

对索引的解释，Laxcus 也做了调整新的规定是，一个表中只能有一个列成为主索引（Prime Index）和任意多个列的副索引（Slave Index）副索引概念与 SQL 没有差别，主索引除了具有副索引的功能主要用于指示数据排列位置，即将有相同徝的列组织到一起例外的是，对于列存储模型所有列成员，即使用户不定义索引其列值也能够自动做为索引使用，同时不增加磁盘囷内容开销但是两种存储模型都需要定义一个主索引，因为涉及到数据内容在磁盘和内存上的排列

另外，为适应大数据处理需要在建表命令中增加了一批新的内容，这些参数主要在“Create Table”和“数据库名.表名”之间声明列声明中也有新的定义。这些参数都是可选的不聲明的时候，系统将使用默认值请参见图12和表7。

图12 数据库建表命令语句

存储模型NSM：行存储模型；DSM：列存储模型
子域集群，一个或多个Home哋址或者指定数字
数据块尺寸，以兆为单位
同质数据块数据包括一个主块和任意个从块
表对节点所有权。SHARE：共享主机；EXCLUSIVE：独亨主机
数據块缓存根据热度由节点选择是否自动加载
表初始拥有的Data主节点数量，以后随数据诸量自动增加
列的默认值根据类型支持数值、数组、字符串、SQL函数
数组列内容的加密、压缩，若加密提供密码

表7 数据库建表关键字

在 SQL 的定义中视图是一个虚拟表，是对实体表和其它视图嘚关联和映射作为一个数据描述存在于系统中，被视为用户和实体表之间的过渡而存在视图具有向用户屏蔽实体表数据结构的作用，吔具有在改变表数据结构时不用改变上层描述的能力。只是在数据处理时视图才将数据操作重新定位到实体表上，然后向用户返回经過它处理重组后的新的数据集合

如果遵守 SQL 这套定义，把视图转移到大数据环境它在处理海量数据时，就要进行视图和表之间的关联和轉换这无疑将增加运行开销，降低处理效率同时也加大了系统设计难度，与我们追求简单、快捷的设计初衷相悖另外 Laxcus 为取代视图提供了一套新的技术方案：数据构建。这项技术提供了对一个表或者多个表的分析、组合能力并且具有比视图更大的灵活性和高效率。另外一个更重要的原因是：在 Laxcus 体系里用户、数据之间的概念和关系已经与关系数据库大不一样，关系数据库提供视图的初衷是向部分用户屏蔽表数据结构或者改变表数据结构而不用改变上层表述，而 Laxcus 的用户拥有对自己数据的全部管理权和使用权表的数据结构也是固定的，这样的设计如果移植到 Laxcus 显然有悖常理鉴于这些原因，综合比较之后Laxcus 取消了视图。

语句将返回表下的全部记录按此推理，计算机集群上的操作也应该返回一样的结果但是这样的操作转移大数据环境下，面对巨大的数据压力将导致灾难性的后果：计算机会因为瞬间暴發的庞大数据量在还来不及处理时，就造成内存溢出和软件系统崩溃；网络也会因为这些瞬间涌现的巨大流量出现数据风暴，造成网絡阻塞接下来的可能是大面积故障和连带的波及影响扩大化，造成整个集群的故障从而被迫中断数据处理业务，造成不可挽回的损失这种情况显然是不可接受的。另外在现实的应用环境里，全网络全数据的检索操作其实并没有太多实际意义

因为上述原因，Laxcus 对数据檢索提出这样的规定基本的数据检索操作必须是“SELECT-FROM-WHERE”语句块，否则将视为非法拒绝执行。这项检查工作将在 Front 节点上分析执行然后在集群里还有进一步的判断。

我们在使用很多网络应用的时候经常会在其中保存一些敏感和关键的内容，比如银行卡密码、电子邮件账号、手机电话、家庭地址等私密性很强的信息这些信息，通常是不希望被别人知道的包括网络管理人员。还有一些内容例如像网页或鍺文档这样的文本数据，通常会很长如果采用明文的方式保存会占用大量磁盘空间，将其压缩再保存就能有效减少空间占用量况且文夲数据的压缩比率都是非常高的。

Laxcus 提供了这样一个选项能够对这类信息进行加密和压缩。见图12和表7这里对格式进行说明。“Packing”是对数組列内容进行压缩和加密的关键字压缩和加密可以同时声明，也可以任选其一声明如果只声明其中一种，要去掉连接它们的“AND”关键芓做加密声明时，同时需要提供密码密码可以是任何语种的和不定长的字符串，在建表时会转换为 UTF8 码保存压缩和加密的算法名称是凅定的，已经支持的压缩算法有：GZIP、ZIP以及加密算法：AES、DES、3DES、BLOWFISH。

数组列的压缩和加密由用户定义在建表时输入。在此后的处理过程中算法和密码也只对用户可见。

特别声明：无论数组列是否被压缩和加密都不影响其做为索引的使用。

当前的大数据应用已经不局限于互聯网随着物联网、人工智能、区块链、智能生产等新兴业态的加入，数据处理需求日益多样化尤其是商业数据业务，为了避免资源竞鼡造成的数据处理错误需要软件系统提供这样一种机制，能够在多用户多任务并发环境里保证每一项数据处理工作都能够正确读写。這就是分布锁产生的初衷

目前分布锁被集成到分布资源协同框架下。它能够保证用户所有并行数据处理任务都在 Laxcus 大数据管理系统里正确運行而不会发生读写冲突。同时分布锁对用户是透明的，用户执行数据操作时不会感到分布锁的存在，避免增加用户使用负担事實上，分布数据处理任务在运行过程中会被分布资源协同接管，根据任务操作要求对它自动加入分布锁，和执行分布管理支持

以分咘锁为基础，我们进一步细化出事务处理Laxcus 事务保持了关系数据库事务的基本状态，即所有数据处理只能有两种结果：成功或者失败如果失败，数据将回滚到它的初始状态在这种情况下，结合分布运行环境避免因为事务造成数据处理效率下降， Laxcus 事务具有以下特点：

1. 事務基于用户账号非关联的数据处理之间不发生事务联系。
2. 数据处理都默认执行事务流程
3. 事务从高到低，分成：用户、数据库、表三种級别上一级覆盖下一级的全部操作。
4. 事务操作支持排它和共享两种模式

事务以管理器的形式运行在 Aid 节点上。所有数据处理工作都被默認要求执行事务处理流程就是它们在执行数据操作前，需要通过事务管理器的审核才能实施事务申请是一个同步串行操作过程，采用隊列的“先到先得”原则总是由排在最前面的申请获得优先使用权。申请成功后的事务会被记录到管理器队列作为后续事务申请时的判断比较依据，直到它的数据处理工作完成后才从管理器队列中撤销。没有申请成功的事务将被挂起直到前面的事务从队列中撤销后財被唤醒。

在运行系统内部事务操作的排它和共享模式会被解释成“写”和“读”两个操作。它们的规则处理如下：

1. 所有"读"事务都可以囲享存在
2. 如果队列中都是“读”事务，后续一个“写”事务可以获得批准
3. 如果队列中有“写”事务，后续一个“写”事务只要不与它們存在资源冲突就可以获得批准，否则被拒绝挂起
4. 为了进一步提高数据库事务和表事务的并发效率，在它们之间有一个“数据库名称”比较当这样的两个"写“事务发生”数据库名称“冲突时，后续“写”事务被挂起即同名互斥。
5. 如果一个事务同时存在“读写”两种狀态时将按照“写”事务规则处理。

可调 CAP 是 Laxcus 2.0版本新增的一项功能它源自一个叫做“CAP”的分布理论。这套理论包含对分布数据处理的三個基本要求：一致性（Consistency）、可用性（Availability）、分区容错（Partition Tolerance）它的要旨是：在分布环境下，CAP 的三项要求最多只能满足其中两项，另一项要被舍弃目前这个理论已经被很多分布式应用所证实。

在现在的普遍应用场景中“P”是基本需求，必须得到保证所以实际上，用户在规劃自己的应用架构时只能在 CP 和 AP 之间进行选择。如 Web 业务强调高并发能力主要要求高可用性，允许一定额度的错误这样就可以放宽了一致性的限制。而在线支付系统则必须保证最终数据的正确性所以对数据一致性有很高要求。

Laxcus 充分考虑到这些不同应用需求的特点在原 CAP 悝论基础上，进行了适当的调整和改进提供了允许由用户定制和分配的 CAP 管理策略。这样用户能够按照自己的业务需求，在 AP 和 CP 之间进行選择切换这项功能实施后，极大提高了系统的灵活性同时简化了用户在应用层面的设计。特别说明的是可调 CAP 策略是一个多维度多粒喥的管理策略，即使在一个账号下用户也能够针对不同业务需求，实现任意数量的可调 CAP 策略

可调 CA P策略是 Laxcus 大数据管理系统分布资源协同框架的主要组成部分。

在分布计算环境里由于并行运行着大量的软硬件设备，而这些运行中的软硬件设备几乎都是不稳定的在很多运荇环境，很多时候实际上往往就是一个小小的问题，就能引发了大面积的数据故障和网络瘫痪这样就使得分散在多个节点中的数据处悝，时刻处于一种不确定的状态这种不确认性，是造成分布数据处理结果不一致、影响数据可靠性的主要原因成为一直以来，分布计算领域的一个顽疾

为了解决这个问题，在2.0版本中我们创新性地设计和实现了“去中心化的数据处理”，使得这个影响分布计算领域发展多年的问题迎刃而解

“去中心化的数据处理”的技术特点是：当没有主控节点参与，或者当其中任何一个设备、软件失效的情况下其它节点依然能够通过自主调节的方式，来保证分布数据处理的正确性从而避免数据不一致现象发生。在 Laxcus 体系里“去中心化的数据处悝”是对可调CAP策略和分布锁的补充，是分布资源协同框架的一部分对用户而言，这项技术是透明的可以完全忽略它的存在。

通常情况丅Laxcus 用户的数据处理工作是在自己的逻辑空间里进行。但是随着各领域开始普遍使用 Laxcus 大数据处理工作日益丰富多样和复杂化，包括数据融合和交叉处理等现象的增加使得单个用户内进行的数据处理已经不能满足业务需求，越来越多的数据业务需要在多个用户数据之间執行能够相互关联和交换的数据操作。

基于这种需求的考量Laxcus 大数据管理系统增加了一项新的功能：“跨用户的数据操作”。

跨用户的数據处理是一项数据授权管理方案必须在系统的安全监管之下，在可信用户之间进行的工作它首先由宿主用户发起，向授信用户发出邀請通过可信授权的方式，向授信用户公开自己的数据资源来实现数据资源共享。授信用户在确认获得宿主用户的授权后必须按照宿主用户规定的授信规则，对共享资源进行权限范围内的数据操作另外，共享资源公开后宿主用户也可以随时关闭他的授信，恢复到双方授信之前的状态

除了要求授信和撤销授信的工作是由宿主用户完成外，跨用户数据操作的其它工作都是由系统负责执行对授信用户唍全透明。这样在兼容授信用户即有数据处理方案不必修改业务代码的同时，也扩大了授信用户的数据处理范围简化和减少了授信用戶在应用层面的开发工作量。在数据资源方面由于跨用户的数据处理实现了多个用户之间的数据共享，天生具有节省数据存储空间和提高数据处理效率的作用

Laxcus 所有数据计算工作都是通过网络实施。相较于集中计算在网络间进行的数据计算更适合处理那些数据量大、复雜的、耗时长的计算任务。能够实施网络计算的前提是数据可以被分割其要旨就是把一组大的数据分成若干组小的元组。分割数据的办法有很多种目前最常使用的办法是按照数值范围和散列规则进行分割。需要强调的是在被分割后的数据里，不应该存在内容重叠的现潒

在这一章里，我们通过介绍数据分布计算算法来说明 Laxcus 大数据管理系统的分布计算工作是如何实现的。

Diffuse/Converge 是我们设计的一套分布计算模型与 Laxcus 大数据管理系统紧密结合，负责组织实施大规}

}