IoT前沿｜5G时代下，大数据存储面临的三大挑战

为什么开设“IoT前沿”专栏呢？事情是这样的：

一个月前，小编在戴尔科技集团知乎号（知乎搜索戴尔科技集团）回答了一个问题——

“开源分布式流存储Pravega前景怎么样？”

没想到回答发出之后，得到了大家的点赞和积极互动！

知乎问答

选取其中一些评论，看看大家在讨论什么▼

知乎前排网友：

@Sky快跑：不懂…什么叫原生流存储？

@常平：其实是专门针对流数据这样的数据类型而设计的存储系统，支持流数据的原生属性。

@Sky快跑：比较好奇流数据的原生属性是什么?_?

@常平：“流数据是一组顺序、大量、快速、连续到达的数据序列，一般情况下，数据流可被视为一个随时间延续而无限增长的动态数据集合。应用于网络监控、传感器网络、航空航天、气象测控和金融服务等领域” - 来源xx百科。用人话来说就是 自带 “标签 指标 时间戳”，以事件为单位特点是无限多，传输场景复杂。 

@Sky快跑：感谢回复，看起来就像持久存储上面加了一层kafka？无限是指可以无限延续并且无限回溯？

@常平：有点类似kafka，但是kafka定位是消息系统，而这个是存储系统。无限是指数据可以无限的往里头存，无限延续。

▲可见，对于新技术，大家都有着非常强烈热情。而随着5G时代的来临，无论是投资者、企业家还是创业者都在加紧备战，以期在下一个十年中抓住最重要的机会。因此，为了方便大家了解前沿技术动态，小编也把这个回答也发布在这里，并特别开设“IoT前沿”专栏，向大家介绍戴尔科技集团的最新技术情报。快人一步，方能致胜未来！

作者简介

滕昱

滕昱：就职于Dell EMC中国研发集团，非结构化数据存储部门团队并担任软件开发总监。2007年加入Dell EMC以后一直专注于分布式存储领域。参加并领导了中国研发团队参与两代Dell EMC对象存储产品的研发工作并取得商业上成功。从2017年开始，兼任Streaming存储和实时计算系统的设计开发与领导工作。

周煜敏

周煜敏：复旦大学计算机专业研究生，从本科起就参与Dell EMC分布式对象存储的实习工作。现参与Flink相关领域研发工作。

工业物联网，车联网和实时欺诈风控的需求正在飞速发展，越来越多的企业新应用需要的是快速响应客户需求，并同时学习和适应不断变化的行为模式。同时，随着5G网络、容器云、高性能存储硬件水平的不断提高，数据增长进入了空前的发展阶段。

和以往不同的是，无处不在的物联网、自动驾驶汽车等边缘计算所产生的数据源源不断，就像开着的水管，数据源一直在流出。

这就给当前大数据处理系统（无论何种架构）提出了一个问题，即：

计算是原生的流计算，而存储却不是原生的流存储

当前大数据存储主要存在三大问题

下图是目前大数据处理平台最常见的Lambda架构，它的优势在于满足了实时处理与批处理需求，但是，从存储的角度看其缺点也很明显，可以总结为如下三点▼：

① 实时处理、批处理不统一，不同的处理路径采用了不同的存储组件，增加了系统的复杂度，导致了开发人员的额外学习成本和工作量。

② 数据存储多组件化、多份化，如下图，同样的数据会被存储在Elastic Search 、S3对象存储系统、Kafka等多种异构的系统中，而且考虑到数据的可靠性，数据还都是多份冗余的，这就极大的增加了用户的存储成本。而往往对于企业用户来说，0.1%的存储冗余都意味着损失。

③ 系统里存储的组件太多太复杂，也增加了使用的运维成本。并且大部分现有的开源项目还处于“强运维”的产品阶段，对于企业用户来说又是很大的开销。

 Lambda架构

每种类型的数据都有其原生的属性和常用访问模式，对应有最佳的适用场景以及最合适的存储系统。为了解决如上提出的三个问题：降低开发成本、减少存储成本与减少运维成本，自然也就需要新的存储类型。在这里，我们将从最新的数据类型出发，探讨5G时代下数据存储新思路。

第四种存储类型：流存储

从存储的视角来说，存储架构的设计需要首先明确所存储的数据的特点。在物联网、自动驾驶汽车、金融等实时应用场景中，所需要存储的数据一般被称之为“流数据”，流数据一般被定义为：

流数据是一组顺序、大量、快速、连续到达的数据序列，一般情况下，数据流可被视为一个随时间延续而无限增长的动态数据集合。

四大存储类型

上图所示▲，我们将流数据定义为第四种数据类型，从左到右分布着四种最常见的的存储类型。传统数据库这类基于事务的程序适合采用块存储系统。文件共享场景下需要在用户间共享文件进行读写操作，因此适合采用分布式文件 (NAS) 存储系统。而需要无限扩展并支持REST接口读写的非结构化的的图像/音视频文件则非常适合采用对象存储系统。

而针对流数据的应用场景，就需要流数据存储满足以下需求：

• 低延时：在高并发条件下 <10ms 的读写延时。

• 仅处理一次：即使客户端、服务器或网络出现故障，也确保每个事件都被处理且只被处理一次。

• 顺序保证：可以提供严格有序的数据访问模式

• 检查点：确保每个读客户端 / 上层应用能保存和恢复原来的使用状态

在物联网的世界，数据是实时的，分析也是实时的。获得业务洞察以赢得价值还是错失关键机会，对企业来说也许只有几毫秒的差距，而真正的流式数据处理可以减少传统的小批量分析方法的宝贵时间。

为此，戴尔科技集团IoT部门的团队重新思考了流式数据处理和存储规则，为这一场景重新设计了新的存储类型，即原生的流存储，就这样“Pravega”诞生了。

本期内容我们主要介绍了，当前大数据存储在5G时代下面临的挑战，以及需要用怎样的存储类型来满足新的数据类型的要求，由此引出了Pravega的诞生。今天是个开头，在下一期的“IoT前沿”中，我们将重点介绍Pravega的优势和特点，以及Pravega诞生之前数据处理架构的发展。欢迎大家保持关注，下一期见~