培训讲义-part3分布式云存储技术授课详细版及

云存储关键技术及服务课程名称：《移动云计算服务端技术之云存储》||+1234567890|LONGSTREET12345,CITY,COUNTRY一、云存储的基本概念二、大规模分布式云存储系统关键技术三、大规模分布式云存储服务实例2OURLONGLISTOFSERVICES课程提纲什么是云存储？云存储分层体系架构Part1云存储的基本概念||+1234567890|3存储空间：同步和备份存储服务：邮箱、相册、Doc…云计算：互联网成为计算机||+1234567890|4云计算统一基础架构自有应用（搜索、GoogleApps、GoogleMap等）应用开发和托管平台（Java、Python）AppEngine：由Google提供基础设施中小开发商和个人PortableKaraOKiLiveSamsungSuperMobilePCQ1HPMediaVaultmv2100Storage&SecurityePCTiVoAmazonKindleiPod&iPhoneSonyPSPwithSkypeHPPaviliontx2000EntertainmentNBXboxLiveAppleTV无所不能的智能终端改变信息获取模式泛在信息对数据存储的挑战Page6同步云存储是什么？||+1234567890|7功能？服务？产品？文件系统块设备8

1/3旧服务免费邮件、日历、通讯录原Mobileme的作为基础服务，免费提供1/3在线商店改良音乐、书籍、应用iTunes、iBooks、AppStore1/3真正新功能照片串流、备份、文档云服务9种服务组成免费保持设备同步将令我们疯狂典型的云存储服务产品||+1234567890|9存储能力即服务数据同步与备份信息管理与共享S3StorageAzureStorage云存储定义：

DataStorageasaService:“deliveryoveranetworkofappropriatelyconfiguredvirtualstorageandrelateddataservices,basedonarequestforagivenservicelevel.”

数据存储即服务，基于请求某种给定的服务等级，通过网络(向客户端)正确交付配置好的虚拟存储及数据服务。简言之，云存储是简单地按需交付虚拟存储服务。主要应用场景共享存储资源整合分布式云存储SNIA云存储定义云存储为用户提供不同层次及类型数据访问接口块存储接口：supportinterfaceslikeFC,iSCSI,FCOE,LUNs文件系统接口

supportinterfaceslikePOSIX，CIFS,NFS,WebDAV数据库接口

supportinterfaceslikeJDBC,ODBC,XML对象存储接口supportinterfaceslikeCRUDoperationsviaHTTPSNIA云存储存储模型云存储总体上可分为三类：面向公众服务的云存储服务体系面向云数据中心的存储基础设施构建技术大数据分析服务云存储分层服务体系架构12云数据中心公有云存储服务云存储基础设施服务（提供底层存储基础设施能力）公众云存储应用服务企业云存储应用服务存储基础设施管理平台BigData面向公众服务的云存储构建技术||+1234567890|13个人版商业版企业专业版云存储应用服务（例如基于AmazonEC2实现，调用S3）自建或租用数据中心，例如AppleS3GoogleCloudStorageAzureCloudStorage个人云存储服务竞争激烈Page14云存储服务产业链状况技术厂商运营商及IDC厂商国内个人市场上，云存储产品核心功能即备份、同步和共享4G/20G2G/10G2G/15G在线播放;离线下载－同步通讯录1G/2G(会员）1G/5.6G收藏夹自动同步亲情传递注册/免费容量多终端登录特色功能5G/－不限制外链备份：多渠道备份文件，文件永不丢失同步：在多台设备存放同一个文件，任何一台设备对该文件的更改都将自动更新到其他设备上共享：好友间文件共享；工作中协同合作，提高团队工作效率25G(SkyDrive)同步程序;远程连接LiveMesh云存储产业链上主要包括技术厂商和运营商和第三方IDC厂商跨国公司国内本土360vs.百度15主流个人云存储服务的比较GoogleDrive微软SkyDrive苹果iCloudDropbox发展策略与云应用结合。将GoogleDrive打造为云端文件系统，Google的利器是可以识别用户的每一寸信息，并且服务于其广告系统，这是其他人难以企及的。与终端和软件结合。SkyDrive的策略一直在变，之前与Office结合，后来变为DropBox，未来很可能会采取iCLoud模式与苹果终端和软件深度结合，尽量减少用户操作追求简洁，关注文件备份同步，已有超过5000万用户规模和积攒的信誉问题姗姗来迟，与用户期望有差距，押注WEB化，对用户的专业性要求偏高推出较早，空间很大，但长期采用互联网网盘形态，与windows和Phone结合不足封闭，只支持苹果iOS在PC的优势很难延伸到其他终端上，面对巨头围堵，开拓疆域受阻免费空间大小5GB7GB（现有用户可获得25GB）5GB2GB，可通过邀请其他用户等方式增加到18G收费存储空间25GB：每月2.49美元；100GB：每月4.99美元；1TB：每月49.99美元；16TB：每月799.99美元20GB：每年10美元；50GB：每年25美元；100GB：每年50美元10GB：每年20美元；20GB：每年40美元；50GB：每年100美元50GB：每月9.99美元或者每年99美元；100GB：每月19.99美元或者每年199美元；1TB或者以上：795美元起文件大小限额10GB2GB免费帐户25M，付费订阅帐户250M通过浏览器300M，而通过桌面端上传无限制桌面客户端Windows和MacWindows和MacWindows和MacWindows、Mac和Linux移动客户端Android；iOS即将发布iOS和WindowsPhoneiOSAndroid、iOS以及黑莓其他提供SDK，深度整合搜索、Google+以及GoogleDocs；支持公开分享、OCR技术；如果升级付费，Gmail将获得25GB的空间提供SDK，远程文件访问；支持Word、PPT、Excel以及Onenote云端群组编辑，公开分享，整合Bing搜索与iOS深度整合，已集成到SDK中。计划提供更多的应用功能（例如类Instagram图片分享）一键添加文件到Dropbox，免费帐户可以扩展到18GB，付费帐户则可获得最多32GB的额外空间。企业级云存储服务

——包括企业云存储基础设施服务和企业云存储应用服务16云存储基础设施服务提供商云存储应用服务提供商AmazonGoogleMicrosoftMozy

Carbonite产品形态API形式（RESTFUL接口）提供给开发者，基于存储的应用功能由开发者实现。以客户端形式提供给最终用户，实现文件备份、多终端同步、云端分享与协作等存储应用功能目标用户主要面向企业开发者，特别是新兴的互联网公司主要面向商业企业（购买者），直接面向最终使用者特点庞大的基础设施，能够提供可灵活扩展的大容量存储空间，成本上具备优势，具备各类开发资源和技术支持快速响应用户需求，提供差异化的存储应用功能，追求极致的用户体验，灵活的商业模式和专业化的企业客户服务||+1234567890|17||+1234567890|LONGSTREET12345,CITY,COUNTRY一、云存储的基本概念二、大规模分布式云存储系统关键技术三、大规模分布式云存储服务实例18OURLONGLISTOFSERVICES课程提纲海量数据带来的技术难点在那里？Page19存储容量大，增长快大规模集群系统容错难系统复杂，管理成本激增小文件多，响应速度慢重复数据占用大量资源电能消耗大，运营成本高WEB2.0的典型特征是用户创建数据，其数据增长非常快：Facebook网站每周上传的照片数量超过6000万张需求点：高扩展性的弹性存储系统单纯依靠硬件系统容错很难保证系统7x24小时可用：

GoogleFileSystem&Bigtable数据存放三份需求点：多级容错，高可靠性用户创建的大量内容文件、图片文件与音视频文件严重降低文件系统的响应能力，很多网站不得不限制用户上传文件的大小与数量需求点：海量文件的快速访问随着业务规模的扩大，数据中心服务器数量庞大、地点分散、多个硬件厂商设备的异构环境等，增加了系统的管理难度，造成管理成本居高不下需求点：智能化自管理系统大量的重复数据，占用了大量的系统资源，存储设备利用效率低需求点：重复数据删除规模庞大的服务器集群，会消耗大量的电力，营运费用高，需求点：低能耗硬件，软件能耗控制从技术角度理解的分布式云存储Page20关键特性使用集群技术实现自动化的弹性资源分配和管理高扩展性，高可用性，高性能消费者只关心云存储的价值并按需要购买，不关注云存储的具体实现技术云存储云存储：通过集群应用、网格技术、分布式文件系统等功能，将网络中大量的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统企业用户个人用户运营商业务系统分布式云存储指通过集群计算、高速网格、分布式文件系统等技术，将网络中大量各种不同类型的存储设备通过中间件软件、应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个以数据存储和管理为核心的云计算系统分布式云存储通常具备以下特性：海量存储空间（PB级）；海量并发，支持多用户、多业务并发访问高扩展性，最高支持上万个存储节点高性能，单台存储节点吞吐可以达到200MB/s-300MB/s,且线性扩展高可靠，支持节点级、磁盘级两级数据冗余分布式云存储定义、技术架构云存储组成节点：1、客户端节点2、元数据节点3、数据对象存储节点4、网管节点云存储框架范例私有云（企业信息）公有云（互联网信息）混合云部署模型服务模型必要特性普遍特性软件即服务(SaaS)平台即服务(PaaS)架构即服务(IaaS)资源池化宽带网络访问快速弹性交付可度量的服务按需自服务低成本软件虚拟化面向服务高安全性同质结构大规模扩展弹性计算环境跨地域分布数据模型结构化数据（关系型数据库块数据）半结构化数据（追加型数据）非结构化数据（文本、图片、视频）关键技术:Scale-out分布式技术非对称分布式技术clientclientclientclientclientOSNOSNOSNMDSServerMDSServer技术简介基于横向扩展的体系架构功能分离，根据2/8原则将系统中的管理控制与业务数据交由不同的节点处理建立在网络之上的分布式软件系统，具有高度的内聚性和透明性，包含分布式文件系统和分布式数据库系统由MDS(元数据节点)和OSN(对象存储节点)统一构成的。MDS负责管理文件系统的命名空间、元数据及客户端对文件的访问。OSN负责管理本节点上数据的存储。技术优势容量和性能线性增长海量数据写入压力分散到多个并发节点，所有节点响应数据读写，提高系统读写性能①寻求元数据布局分配，并在写场景下写入元数据信息②MDS返回数据布局分配③根据布局分配，数据写入多个OSN或从多个OSN获取读取数据OSN④节点增加时，容量和性能线性增长。系统最大性能约为OSN个数*OSN最大带宽关键技术：节点间ErasureCode技术简介Esasurecode冗余技术是RAID的超集，能够支持比传统RAID算法更高的可靠性和更灵活的冗余策略。对文件进行原始分片（M份），通过纠错编码生成N个冗余校验块文件写入时，由客户端进行切片（M）和转码（N），系统自动从各存储节点中选择一个硬盘组成一个M+N个磁盘的磁盘组，分别写入M+N份数据。同时损坏N份数据保证数据不丢失，系统业务连续。采用日志记录方式实时记录系统已损坏的数据，并在固定的时间间隔内进行数据统一恢复技术优势提升可靠性：云存储系统可支持多盘故障，多节点故障系统可用。保证磁盘利用率：相比基于节点间副本的冗余方式整体利用率提升1倍以上（60%以上利用率按M=6,N=2）。节点间采用erasurecode的原理说明（M=4,N=2举例）文件写入时，把数据切割程M个数据块①经过纠错编码生成N个冗余校验块,共M+N份数据②多个数据块被分散存储于不同节点上的不同硬盘上③当节点损坏时，数据读写正常，剩余数据块及冗余块后台参与并将数据恢复④m2m4m1m3m3m2n2n1m4m1n2n1关键技术：节点间多副本保存技术简介当云存储系统出现一个节点故障，导致元数据或数据个别副本丢失时，系统仍能提供正常的文件操作。同时系统内部会自动识别失效的副本，通过冗余数据将副本并利用冗余数据将副本恢复到其他节点上，提高系统的可靠性。节点间多副本保存关键技术：重复数据删除重复数据删除Text重删前数据重删后数据技术简介离线重删：固定时间间隔内再进行重删。对象级重删，文件被拆分为固定大小对象。修改后的对象参与后续再次重删计算。达到设定比率的非完全重复对象采用优化压缩算法进行压缩。非结构化数据快速增长的必备技术。技术优势减少存储容量需求带来的成本节约。减少对应设备需求数，降低管理复杂度。对应存储备份、容灾数据量减少，提升备份、容灾效率，降低网络带宽需求。关键技术-存储分级和数据生命周期数据分级存放生命周期策略热点和冷数据云存储支持对上传的文件设置存活期，操作存活期的文件将由系统自动删除云存储支持为文件设置保留期，处于保留期的文件不能被删除，该功能可用于某些归档场景

云存储还支持数据的延迟删除，处于延迟删除状态的数据不能被访问但能恢复到正常状态云存储提供租户级重删策略，可制定文件类型和重删执行时间（可错开访问高峰时段）云存储作为海量和廉价的存储资源池，数据存储基本都选用大容量SATA盘(2T)，和传统存储经常使用昂贵的FC盘或SAS盘等存在差别，云存储也经常作为高性能阵列的二级存储，因此云存储的分级存储更偏向于对数据的综合管理，包括元数据，热点和冷数据的处理访问频繁的元数据被存放到SSD和SAS盘里，以提高访问的性能数据保存在廉价SATA盘中以降低成本和提供大容量热点元数据存放在分布式缓存中云存储提供了对冷数据的压缩策略，支持对指定时间内未访问的冷数据进行压缩以节省空间云存储支持对热点数据进行缓存（目前在内存，正在设计放在SSD上），热数据缓存机制将采用LRU算法关键技术-云存储安全设计网络安全管理员的分级权限管理用户访问控制数据存储安全元数据多种认证和鉴权方式数据传输安全云资源池Https校验和租户数据隔离（逻辑隔离和物理隔离）数据可靠性（erasurecode或副本）数据加密或转码保护（erasurecode）对于不同权限和角色的用户，只能访问在相应权限内的数据。不同用户访问同一个用户的数据，要具有访问授权，访问租期等系统管理员也无法看到用户数据（进程互信）元数据多实例支持租户间网络物理隔离多网络平面密钥和签名，文件对象生成访问的对称密钥，用户每次访问文件对象时需对密钥、访问请求内容、访问时间等内容生成数字签名支持签名方式的用户认证IP地址段认证CAPC:

Consistency一致性：任何一个读操作总是能够读取之前完成的写操作A:

Availability可用性(指的是快速获取数据)每一次操作总是能够在确定的时间返回

P:Toleranceofnetwork

Partition分区容忍性(分布式)在出现网络分区的情况下，仍然能够满足一致性和可用性。CAP原则取舍10年前，EricBrewer教授指出了著名的CAP理论，后来SethGilbert和Nancylynch两人证明了CAP理论的正确性。CAP理论：一个分布式系统不可能同时满足一致性，可用性和分区容错性这三个需求，最多只能同时满足两个。关注的是一致性，那么您就需要处理因为系统不可用而导致的写操作失败的情况，而如果您关注的是可用性，那么您应该知道系统的read操作可能不能精确的读取到write操作写入的最新值。系统的关注点不同，相应的采用的策略也是不一样的，只有真正的理解了系统的需求，才有可能利用好CAP理论。CA：传统关系数据库AP：key-value数据库而对大型网站，可用性与分区容忍性优先级要高于数据一致性，一般会尽量朝着A、P的方向设计，然后通过其它手段保证对于一致性的商务需求不同数据对于一致性的要求是不同的。用户评论对不一致是不敏感的，可以容忍相对较长时间的不一致，这种不一致并不会影响交易和用户体验。而产品价格数据则是非常敏感的，通常不能容忍超过10秒的价格不一致一致性强一致性ACID：原子性（Atomicity）、一致性（Consistency）、隔离性（Isolation）和持续性（Durability）属性在单机环境中，强一致性可以由数据库的事务来保证。在多机环境中，强一致性很难做到。分布式事务：性能太差，在互联网的应用中不适合弱一致性（包括最终一致性）通过提交处理的半同步、半异步或全异步，取得最终一致性效果。最终一致性使得数据的提交具有延时性，而在一定范围的延时性范围内（比如一秒），应用的可用性是OK的不同程度的一致性处理方式强一致性强一致性（即时一致性）假如A先写入一个值到存储系统，存储系统保证后续的A,B,C的读操作都返回最新值弱一致性假如A先写入了一个值到存储系统，存储系统不能保证后续A,B,C的读取操作能够读到最新值。这种情况下有一个“不一致性窗口”的概念，它特指从A写入值，到后续操作A,B,C读取到最新值这一段时间。最终一致性最终一致性是弱一致性的一种特例假如A首先write了一个值到存储系统，存储系统保证如果在A,B,C后续读取之前没有其他写操作更新同样的值的话，最终所有的读取操作都会读取到A写入的最新的值。这种情况下，如果没有失败发生的话，“不一致性窗口”的大小依赖以下的几个因素：交互延迟系统的负载复制架构中replica的个数（可以理解为master/slave模式中，slave的个数）BASE和其他一致性变体BASE（BasicallyAvailable,Softstate,Eventuallyconsistent）是对CAP中的AP的衍生Causalconsistency(因果一致性)如果ProcessA通知ProcessB它已经更新了数据，那么ProcessB的后续读取操作则读取A写入的最新值，而与A没有因果关系的C则可以最终一致性。Read-your-writesconsistency(过程一致性)如果ProcessA写入了最新的值，那么ProcessA的后续操作都会读取到最新值。但是其它用户可能要过一会才可以看到。Sessionconsistency(会话一致性)此种一致性要求客户端和存储系统交互的整个会话阶段保证Read-your-writesconsistencyHibernate的session提供的一致性保证就属于此种一致性。Monotonicreadconsistency(简单读一致性)此种一致性要求如果ProcessA已经读取了对象的某个值，那么后续操作将不会读取到更早的值。Monotonicwriteconsistency(简单写一致性)此种一致性保证系统会序列化执行一个Process中的所有写操作。NoSQL是一种怎样的技术？与SQL技术的区别是数据库技术么？NoSQL在文件系统之上构建么？还是也可用于构建文件系统？问题与思考||+1234567890|34||+1234567890|LONGSTREET12345,CITY,COUNTRY一、云存储的基本概念二、大规模分布式云存储系统关键技术三、大规模分布式云存储服务实例35OURLONGLISTOFSERVICES课程提纲1、GoogleGFS分布式文件系统的实现2、淘宝TFS分布式文件系统3、Kinetic：希捷分布式对象存储平台解析

Part3大规模分布式云存储服务实例||+1234567890|36文件存储，GoogleDistributedFileSystem并行数据处理MapReduce分布式锁Chubby结构化数据表BigTableGoogle云计算平台技术架构37什么是文件系统？FAT,

FAT32,

NTFS,

EXT,

……用于持久地存储数据的系统通常覆盖在底层的物理存储介质上硬盘、CD、磁带等数据组织的基本单元：文件具有文件名（1.txt）通常支持层次化嵌套（目录结构）文件系统基础38文件路径文件与目录的结合，用于定位文件绝对路径，/home/aaron/foo.txt相对路径，docs/someFile.doc规范路径定位文件的最短绝对路径/home/aaron/foo.txt,/home/../home/aaron/./foo.txt所有规范路径的集合构成了文件系统的目录结构文件系统基础39文件系统的存储内容主要内容：用户的实际数据元数据：驱动器元数据与文件元数据文件系统基础40驱动器元数据可用空间格式信息字符集……..文件元数据文件名创建者修改者创建时间修改时间………文件分块存储文件系统基础41文件系统设计的考虑因素最小存储单元较小可减少浪费空间，较大则可提高文件顺序读取速度（随机访问呢？）文件系统的设计目标是提高访问速度还是提高使用率？文件系统的安全性多用户环境下的文件安全读/写权限分配文件附带访问控制列表（ACL）文件系统缓存提高文件系统读写效率文件系统基础42基于分布式文件系统的云存储系统由X86服务器集群构成，服务器节点主要分为两类：数据节点，对文件系统树和文件/目录等元数据信息进行全局管理和维护以提供统一的文件名字空间，用户的数据请求将首先传送给元数据节点，然后在元数据节点的统一安排下被指派到实际存放用户数据的存储节点上；数据存储节点，除了基于自身携带的磁盘所具备的基本存储能力以外，还具有计算能力以对节点存储资源做局部管理。各个节点之间通过局域网络互连。云存储系统设置了专门的负载均衡机制用于控制业务应用对元数据节点的访问，各个存储节点的负载均衡则由分布式文件系统中云数据节点统一控制。

分布式文件系统Google需要一个支持海量存储的文件系统购置昂贵的分布式文件系统与硬件？Google设计GFS的动机44是否可以在一堆廉价且不可靠的硬件上构建可靠的分布式文件系统？为什么不使用当时现存的文件系统？Google所面临的问题与众不同不同的工作负载，不同的设计优先级（廉价、不可靠的硬件）需要设计与Google应用和负载相符的文件系统Google设计GFS的动机45天数/年36599.99%0.999990.999999小时数/天24

分钟数/小时600.00010.000010.000001

分钟数/年52560052.565.2560.5256服务器数量1000000525600005256000525600100万台服务器每天宕机分钟数144000144001440100万台服务器每小时宕机分钟数600060060每小时宕机数量（分钟数/平均宕机时间）114011411.4100万台服务器，每小时宕机114台硬件出错是正常而非异常系统应当由大量廉价、易损的硬件组成必须保持文件系统整体的可靠性主要负载是流数据读写主要用于程序处理批量数据，而非与用户的交互或随机读写数据写主要是“追加写”，“插入写”非常少需要存储大尺寸的文件存储的文件尺寸可能是GB或TB量级，而且应当能支持存储成千上万的大尺寸文件GFS的假设与目标46将文件划分为若干块（Chunk）存储每个块固定大小（64M）通过冗余来提高可靠性每个数据块至少在3个数据块服务器上冗余数据块损坏概率？通过单个master来协调数据访问、元数据存储结构简单，容易保持元数据一致性GFS的设计思路47单一Master,若干ChunkServerGFS的架构481、文件存储方式2、数据读写流程GFS的架构有什么问题吗？存储元数据文件系统目录管理与加锁与ChunkServer进行周期性通信发送指令，搜集状态，跟踪数据块的完好性数据块创建、复制及负载均衡对ChunkServer的空间使用和访问速度进行负载均衡，平滑数据存储和访问请求的负载对数据块进行复制、分散到ChunkServer上一旦数据块冗余数小于最低数，就发起复制操作Master节点的任务49垃圾回收在日志中记录删除操作，并将文件改名隐藏缓慢地回收隐藏文件与传统文件删除相比更简单、更安全陈旧数据块删除探测陈旧的数据块，并删除Master节点的任务50采用中心服务器模式可以方便地增加ChunkServerMaster掌握系统内所有ChunkServer的情况，方便进行负载均衡不存在元数据的一致性问题Master的设计特点1：中心服务器模式51分布式系统设计告诉我们：这是单点故障这是性能瓶颈GFS的解决办法单点故障问题单一Master问题52采用多个（如3个）影子Master节点进行热备，一旦主节点损坏，立刻选举一个新的主节点服务GFS的解决办法性能瓶颈问题单一Master问题53尽可能减少数据存取中Master的参与程度不使用Master读取数据，仅用于保存元数据客户端缓存元数据采用大尺寸的数据块（64M）数据修改顺序交由PrimaryChunkServer完成Simple,andgoodenough!Master容错三类元数据：命名空间（目录结构）、Chunk与文件名的映射以及Chunk副本的位置信息前两类通过日志提供容错，Chunk副本信息存储于ChunkServer，Master出现故障时可恢复Master的容错方法54GFS的容错机制ChunkServer容错每个Chunk有多个存储副本（通常是3个），分别存储于不通的服务器上每个Chunk64MB，又划分为若干Block（64KB），每个Block对应一个32bit的校验码，保证数据正确（若某个Block错误，则转移至其他Chunk副本）chunk的容错方法55不缓存数据GFS的文件操作大部分是流式读写，不存在大量的重复读写，使用Cache对性能提高不大ChunkServer上的数据存取使用本地文件系统，如果某个Chunk读取频繁，文件系统具有Cache从可行性看，Cache与实际数据的一致性维护也极其复杂GFS架构的特点2—不缓存数据56?在用户态下实现直接利用ChunkServer的文件系统存取Chunk，实现简单用户态应用调试较为简单，利于开发用户态的GFS不会影响ChunkServer的稳定性提供专用的访问接口未提供标准的POSIX访问接口降低GFS的实现复杂度GFS架构的特点3—用户态57GFS的性能58超过200个GFS集群每个集群包含数千个存储节点管理着PB(1015Byte)级的数据GFS在Google中的部署59巨型、廉价、稳定的数据中心GFS小结60简单的，就是最好的！主要用于解决分布式一致性问题在一个分布式系统中，有一组的Process，它们需要确定一个Value。于是每个Process都提出了一个Value，一致性就是指只有其中的一个Value能够被选中作为最后确定的值，并且当这个值被选出来以后，所有的Process都需要被通知到粗粒度的分布式锁服务Chubby是Google为解决分布式一致性问题而设计的提供粗粒度锁服务的文件系统其他分布式系统可以使用它对共享资源的访问进行同步Chubby是什么？61需要实现的特性高可用性高可靠性支持粗粒度的建议性锁服务支持小规模文件直接存储不作考虑的特性高性能存储能力Chubby的设计目标62Chubby的系统架构63Chubby系统本质上就是一个分布式的、存储大量小文件的文件系统Chubby中的锁就是文件在GFS的例子中，创建文件就是进行“加锁”操作，创建文件成功的那个server其实就是抢占到了“锁”用户通过打开、关闭和存取文件，获取共享锁或者独占锁；并且通过通信机制，向用户发送更新信息类似于UNIX但是相对简单的文件系统接口（/ls/foo/wombat/pouch）简化设计：类似于文件系统，可以为应用提供自己特定的API，也可以使用其他文件系统的接口，比如GFS为允许不同目录下的文件由不同的Chubbymaster负责，禁止了文件和目录的mv操作，不再维护目录修改时间，同时避免了那些依赖于路径的权限语义(即文件访问是由文件本身的访问权限控制的，与其父目录无关)。为了更容易缓存文件元数据，系统也不再提供最后访问时间名字空间由文件和目录组成，统称为node。每个node在一个Chubby单元中只有一个名称与之关联；不存在符号连接或者硬连接Chubby文件系统64node要么是永久性的要么是临时的。所有的node都可以被显示地

删除，但是临时节点在没有client端打开它们(对于目录来说，则是为空)的时候也会被删除。临时节点可以被用作中间文件，或者作为client是否存活的指示器。任何节点都可以作为建议性的读/写锁

每个节点都包含一些元数据。包括三个访问控制列表(ACLs)，用于控制读、写操作及修改节点的访问控制列表(ACL)每个节点的元数据还包含4个严格递增的64位数字，通过它们客户端可以很方便的检测出变化：一个实例编号；它的值大于该节点之前的任何实例编号一个内容世代号(只有文件才有)；当文件内容改变时，它的值也随之增加一个锁世代号；当节点的锁从free变为hold时，它的值会增加一个ACL世代号；当节点的ACL名字列表被修改时，它的值会增加Client通过open一个节点获取handle(类似于UNIX的文件描述符)检查位，用于防止client端伪造或者猜测handle，这样完整的访问控制检查只需要在handle被创建出来的时候执行即可一个序列号，使得master可以判断该handle是由它还是之前的那个master生成的。在open时所提供的模式信息，允许重启后的master可以重建一个被转移给它的旧handle的状态Chubby的文件系统Chubby客户端与服务器端的通信过程

从左到右的水平方向表示时间在增加，斜向上的箭头表示一次KeepAlive请求，斜向下的箭头则是主服务器的一次回应

M1、M2、M3表示不同的主服务器租约期；C1、C2、C3则是客户端对主服务器租约期时长做出的一个估计

KeepAlive是周期发送的一种信息，它主要有两方面的功能：延迟租约的有效期和携带事件信息告诉用户更新

故障处理

客户端租约过期

客户端向主服务器发出一个KeepAlive请求（上图1）如果有需要通知的事件时则主服务器会立刻做出回应，否则等到客户端的租约期C1快结束的时候才做出回应（图2），并更新主服务器租约期为M2客户端接到回应后认为该主服务器仍处于活跃状态，于是将租约期更新为C2并立刻发出新的KeepAlive请求（图3）宽限期内，客户端不会立刻断开其与服务器端的联系，而是不断地做探询，当它接到客户端的第一个KeepAlive请求（图4）时会拒绝（图5）客户端在主服务器拒绝后使用新纪元号来发送KeepAlive请求（图6）新的主服务器接受这个请求并立刻做出回应（图7）如果客户端接收到这个回应的时间仍处于宽限期内，系统会恢复到安全状态，租约期更新为C3。如果在宽限期未接到主服务器的相关回应，客户端终止当前的会话故障处理

主服务器出错

正常情况下旧的主服务器出现故障后系统会很快地选举出新的主服务器，新选举需要经历以下九个步骤：（1）产生一个新的纪元号以便今后客户端通信时使用，这能保证当前的主服务器不必处理针对旧的主服务器的请求（2）只处理主服务器位置相关的信息，不处理会话相关的信息（3）构建处理会话和锁所需的内部数据结构（4）允许客户端发送KeepAlive请求，不处理其他会话相关的信息（5）向每个会话发送一个故障事件，促使所有的客户端清空缓存（6）等待直到所有的会话都收到故障事件或会话终止（7）开始允许执行所有的操作（8）如果客户端使用了旧的句柄则需要为其重新构建新的句柄（9）一定时间段后（1分钟），删除没有被打开过的临时文件夹如果这一过程在宽限期内顺利完成，则用户不会感觉到任何故障的发生，也就是说新旧主服务器的替换对于用户来说是透明的，用户感觉到的仅仅是一个延迟系统实现时，Chubby还使用了一致性客户端缓存（ConsistentClient-SideCaching）技术，这样做的目的是减少通信压力，降低通信频率

在客户端保存一个和单元上数据一致的本地缓存，需要时客户可以直接从缓存中取出数据而不用再和主服务器通信

当某个文件数据或者元数据需要修改时，主服务器首先将这个修改阻塞；然后通过查询主服务器自身维护的一个缓存表，向对修改的数据进行了缓存的所有客户端发送一个无效标志（Invalidation）客户端收到这个无效标志后会返回一个确认（Acknowledge），主服务器在收到所有的确认后才解除阻塞并完成这次修改

这个过程的执行效率非常高，仅仅需要发送一次无效标志即可，因为对于没有返回确认的节点，主服务器直接认为其是未缓存主节点选举(Paxos算法）独占锁共享锁数据存取应用获取GFSChunkServer信息元数据存储……Chubby的应用70分布式结构化数据表BigtableBigtable设计动机与目标需要存储的数据种类繁多：Google目前向公众开放的服务很多，需要处理的数据类型也非常多。包括URL、网页内容、用户的个性化设置在内的数据都是Google需要经常处理的海量的服务请求：Google运行着目前世界上最繁忙的系统，它每时每刻处理的客户服务请求数量是普通的系统根本无法承受的商用数据库无法满足Google的需求：一方面现有商用数据库设计着眼点在于通用性，根本无法满足Google的苛刻服务要求；另一方面对于底层系统的完全掌控会给后期的系统维护、升级带来极大的便利设计动机BigTable：基于GFS和Chubby的分布式存储系统对数据进行结构化存储和管理与GFS的联系Bigtable设计动机与目标基本目标高可用性

Bigtable设计的重要目标之一就是确保几乎所有的情况下系统都可用

广泛的适用性

Bigtable是为了满足系列Google产品而非特定产品存储要求

简单性

底层系统简单性既可减少系统出错概率，也为上层应用开发带来便利

很强的可扩展性

根据需要随时可以加入或撤销服务器

数据模型

Bigtable是一个分布式多维映射表，表中的数据通过一个行关键字（RowKey）、一个列关键字（ColumnKey）以及一个时间戳（TimeStamp）进行索引Bigtable对存储在其中的数据不做任何解析，一律看做字符串Bigtable的存储逻辑可以表示为：(row:string,column:string,time:int64)→stringBigtable数据模型数据模型行Bigtable的行关键字可以是任意的字符串，但是大小不能超过64KB。Bigtable和传统的关系型数据库有很大不同，它不支持一般意义上的事务，但能保证对于行的读写操作具有原子性（Atomic）

表中数据都是根据行关键字进行排序的，排序使用的是词典序。

一个典型实例，其中n.www就是一个行关键字。不直接存储网页地址而将其倒排是Bigtable的一个巧妙设计。这样做至少会带来以下两个好处同一地址域的网页会被存储在表中的连续位置，有利于用户查找和分析倒排便于数据压缩，可以大幅提高压缩率数据模型列Bigtable并不是简单地存储所有的列关键字，而是将其组织成所谓的列族（ColumnFamily），每个族中的数据都属于同一个类型，并且同族的数据会被压缩在一起保存。引入了列族的概念之后，列关键字就采用下述的语法规则来定义：族名：限定词（family：qualifier）族名必须有意义，限定词则可以任意选定图中，内容（Contents）、锚点（Anchor）都是不同的族。而和my.look.ca则是锚点族中不同的限定词族同时也是Bigtable中访问控制（AccessControl）基本单元，也就是说访问权限的设置是在族这一级别上进行的数据模型时间戳

Google的很多服务比如网页检索和用户的个性化设置等都需要保存不同时间的数据，这些不同的数据版本必须通过时间戳来区分。图2中内容列的t3、t5和t6表明其中保存了在t3、t5和t6这三个时间获取的网页。Bigtable中的时间戳是64位整型数，具体的赋值方式可以采取系统默认的方式，也可以用户自行定义为了简化不同版本的数据管理，Bigtable目前提供了两种设置：一种是保留最近的N个不同版本，图中数据模型采取的就是这种方法，它保存最新的三个版本数据。另一种就是保留限定时间内的所有不同版本，比如可以保存最近10天的所有不同版本数据。失效的版本将会由Bigtable的垃圾回收机制自动处理

系统架构

一个分布式的任务调度器，主要被用来处理分布式系统队列分组和任务调度

系统架构

在Bigtable中Chubby主要有以下几个作用：（1）选取并保证同一时间内只有一个主服务器（MasterServer）（2）获取子表的位置信息（3）保存Bigtable的模式信息及访问控制列表另外在Bigtable的实际执行过程中，Google的MapReduce和Sawzall也被用来改善其性能系统架构

Bigtable主要由三个部分组成：客户端程序库（ClientLibrary）、一个主服务器（MasterServer）和多个子表服务器（TabletServer）客户访问Bigtable服务时，首先要利用其库函数执行Open()操作来打开一个锁（实际上就是获取了文件目录），锁打开以后客户端就可以和子表服务器进行通信和许多具有单个主节点分布式系统一样，客户端主要与子表服务器通信，几乎不和主服务器进行通信，这使得主服务器的负载大大降低主服务主要进行一些元数据操作以及子表服务器之间负载调度问题，实际数据是存储在子表服务器上

主服务器当一个新子表产生时，主服务器通过一个加载命令将其分配给一个空间足够的子表服务器。创建新表、表合并以及较大子表的分裂都会产生一个或多个新子表。对于前面两种，主服务器会自动检测到，而较大子表的分裂是由子服务发起并完成的，所以主服务器并不能自动检测到，因此在分割完成之后子服务器需要向主服务发出一个通知由于系统设计之初就要求能达到良好的扩展性，所以主服务器必须对子表服务器的状态进行监控，以便及时检测到服务器的加入或撤销Bigtable中主服务器对子表服务器的监控是通过Chubby完成的——子表服务器在初始化时都会从Chubby中得到一个独占锁。通过这种方式所有子表服务器基本信息被保存在Chubby中一个称为服务器目录（ServerDirectory）的特殊目录之中主服务器主服务器会定期向其询问独占锁的状态。如果子表服务器的锁丢失或没有回应，则此时可能有两种情况要么是Chubby出现了问题（虽然这种概率很小，但的确存在，Google自己也做过相关测试）要么是子表服务器自身出现了问题。对此主服务器首先自己尝试获取这个独占锁，如果失败说明Chubby服务出现问题，需等待恢复；如果成功则说明Chubby服务良好而子表服务器本身出现了问题当在状态监测时发现某个子表服务器上负载过重时，主服务器会自动对其进行负载均衡操作

主服务器

基于系统出现故障是一种常态的设计理念，每个主服务器被设定了一个会话时间的限制。当某个主服务器到时退出后，管理系统就会指定一个新的主服务器，这个主服务器的启动需要经历以下四个步骤：

（1）从Chubby中获取一个独占锁，确保同一时间只有一个主服务器（2）扫描服务器目录，发现目前活跃的子表服务器（3）与所有的活跃子表服务器取得联系以便了解所有子表的分配情况（4）扫描元数据表，发现未分配的子表并将其分配到合适子表服务器如果元数据表未分配，则首先需要将根子表（RootTablet）加入未分配的子表中。由于根子表保存了其他所有元数据子表的信息，确保了扫描能够发现所有未分配的子表SSTable及子表基本结构

SSTable是Google为Bigtable设计的内部数据存储格式。所有的SSTable文件都存储在GFS上

SSTable中数据被划分成一个个的块（Block），每个块的大小是可以设置的，一般为64KB在SSTable的结尾有一个索引（Index），这个索引保存了块的位置信息，在SSTable打开时这个索引会被加载进内存，用户在查找某个块时首先在内存中查找块的位置信息，然后在硬盘上直接找到这个块由于每个SSTable一般都不是很大，用户还可以选择将其整体加载进内存，这样查找起来会更快

SSTable结构

子表实际组成

每个子表都是由多个SSTable以及日志（Log）文件构成不同子表的SSTable可以共享Bigtable中的日志文件是一种共享日志，每个子表服务器上仅保存一个日志文件，某个子表日志只是这个共享日志的一个片段。这样会节省大量的空间，但在恢复时却有一定的难度Google为了避免这种情况出现，对日志做了一些改进。Bigtable规定将日志的内容按照键值进行排序，这样不同的子表服务器都可以连续读取日志文件了一般来说每个子表的大小在100MB到200MB之间。每个子表服务器上保存的子表数量可以从几十到上千不等，通常情况下是100个左右

子表地址结构

子表地址的查询是经常碰到的操作。在Bigtable系统的内部采用的是一种类似B+树的三层查询体系

所有子表地址都被记录在元数据表中，元数据表也是由一个个的元数据子表（Metadatatablet）组成根子表是元数据表中一个比较特殊的子表，它既是元数据表的第一条记录，也包含了其他元数据子表的地址，同时Chubby中的一个文件也存储了这个根子表的信息。查询时，首先从Chubby中提取这个根子表的地址，进而读取所需的元数据子表的位置，最后就可以从元数据子表中找到待查询的子表。除了这些子表的元数据之外，元数据表中还保存了其他一些有利于调试和分析的信息，比如事件日志等为了减少访问开销，提高客户访问效率，Bigtable使用了缓存（Cache）和预取（Prefetch）技术

子表的地址信息被缓存在客户端，客户在寻址时直接根据缓存信息进行查找。一旦出现缓存为空或缓存信息过时的情况，客户端就需要按照图示方式进行网络的来回通信（NetworkRound-trips）进行寻址，在缓存为空的情况下需要三个网络来回通信。如果缓存的信息是过时的，则需要六个网络来回通信。其中三个用来确定信息是过时的，另外三个获取新的地址

预取则是在每次访问元数据表时不仅仅读取所需的子表元数据，而是读取多个子表的元数据，这样下次需要时就不用再次访问元数据表

子表数据存储及读/写操作

Bigtable数据存储及读/写操作Bigtable将数据存储划分成两块：较新的数据存储在内存中一个称为内存表（Memtable）的有序缓冲里，较早的数据则以SSTable格式保存在GFS中

写操作（WriteOp）——先查询Chubby中保存的访问控制列表确定用户具相应写权限，通过认证之后写入的数据首先被保存在提交日志（CommitLog）中。提交日志中以重做记录（RedoRecord）的形式保存着最近的一系列数据更改，这些重做记录在子表进行恢复时可以向系统提供已完成的更改信息。读操作（ReadOp）——先通过认证，之后读操作就要结合内存表和SSTable文件来进行，因为内存表和SSTable中都保存了数据

三种形式压缩之间的关系

Bigtable中有三种形式的数据压缩：次压缩（MinorCompaction）合并压缩（MergingCompaction）主压缩（MajorCompaction）数据压缩问题每一次旧的内存表停止使用时都会进行一个次压缩操作，这会产生一个SSTable。但如果系统中只有这种压缩的话，SSTable的数量就会无限制地增加下去而在Bigtable中，读操作实际上比写操作更重要，因此Bigtable会定期地执行一次合并压缩的操作，将一些已有的SSTable和现有的内存表一并进行一次压缩主压缩其实是合并压缩的一种，只不过它将所有的SSTable一次性压缩成一个大的SSTable文件。主压缩也是定期执行，执行一次主压缩之后可以保证将所有的被压缩数据彻底删除BigTable系统架构—视图290子表服务器故障91子表服务器故障92子表服务器故障93性能优化--局部性群组（Localitygroups）

局部性群组(LocalityGroup)根据需要，将原本不存储在一起的数据，以列族为单位存储至单独的子表有的用户可能只对网页内容感兴趣，那么它可以通过设置局部性群组（见下图）只看内容这一列；有的对诸如网页语言、网站排名等可以用于分析的信息比较感兴趣，他也可以将这些列设置到一个群组中

性能优化--压缩压缩

压缩可以有效地节省空间，Bigtable中的压缩被应用于很多场合

首先压缩可以被用在构成局部性群组的SSTable中，可以选择是否对个人的局部性群组的SSTable进行压缩。这种压缩是对每个局部性群组独立进行，虽然会浪费一些空间，但是在需要读时解压速度非常快通常情况下，用户可以采用两步压缩的方式：

第一步利用Bentley&McIlroy方式（BMDiff）在大的扫描窗口将常见的长串进行压缩；第二步采取Zippy技术进行快速压缩，它在一个16KB大小的扫描窗口内寻找重复数据，这个过程非常快压缩技术还可以提高子表的恢复速度，当某个子表服务器停止使用后，需要将上面所有的子表移至另一个子表服务器。转移前两次压缩：第一次压缩减少了提交日志中未压缩状态；文件正式转移前还要进行一次压缩，主要是将第一次压缩后遗留的未压缩空间进行压缩性能优化--布隆过滤器（BloomFilter）

布隆过滤器（BloomFilter）

巴顿·布隆在1970年提出的，实际上它是一个很长的二进制向量和一系列随机映射函数，在读操作中确定子表的位置时非常有用

优势：速度快，省空间。而且它有一个最大的好处是它绝不会将一个存在的子表判定为不存在

缺点：在某些情况下它会将不存在的子表判断为存在。不过这种情况出现的概率非常小，跟它带来的巨大好处相比这个缺点是可以忍受的

目前包括GoogleAnalytics、GoogleEarth、个性化搜索、Orkut和RRS阅读器在内几十个项目都使用Bigtable。这些应用对Bigtable的要求以及使用的集群机器数量都各不相同，但从实际运行来看，Bigtable完全可以满足这些不同需求的应用，而这一切都得益于其优良的构架以及恰当的技术选择

MapReduce操作初始数据集被切成64MB

大小数据块中间计算结果存储在Map节点本地M节点将中间计算结果

发送到Rworkers最终输出结果写入文件Master节点被通知中间结果保存的位置从全局来看:文件非常巨大,数GB的文件非常普遍,每个文件通常都包含许多应用程序对象(比如web文档)经常需要处理快速增长的、并且由数亿个对象构成的,数以TB的数据集应用特征：搜索——绝大部分文件的修改是采用在文件尾部追加数据,而不是覆盖原有数据的方式.对文件的随机写入操作在实际中几乎不存在.一旦写完之后,对文件的操作就只有读,而且通常是按顺序读App——典型的PaaS平台,大量的Key和事务性处理,结构化数据,总体海量数据解决思路:应用程序和文件系统API的协同设计搜索：使用GFS,基于统一服务接口的分布式计算,放弃一些不必要的功能,简化数据访问开销,类POSIX接口App:在分布式存储GFS的基础上提供了NoSQL数据库BigTable来对应用的数据进行持久化，保证其应用能在AppEngine上存储海量的数据，在反应速度（ResponseTime）方面有一定的牺牲,JDO/JPA和一些私有接口Google设计小结98Google云计算的技术架构Google云计算应用BigTableGFSMapReduceChubbyGFS底层GFS的作用存储BigTable的子表文件为第三方应用提供大尺寸文件存储功能文件读操作流程API与Master通信，获取文件元信息根据指定的读取位置和读取长度，API发起并发操作，分别从若干ChunkServer上读取数据API组装所得数据，返回结果GFS是AP设计，每个Chunk有多个存储副本BigTable建立在GFS之上划分为子表存储，每个子表对应一个子表文件，子表文件存储于GFS之上BigTable的数据存储持久化在GFS上，在每个tablet服务器上都有缓存，当缓存的数据达到一定的条件的时候即将数据以SSTable的形式持久化到GFS上去BigTable是CP的设计（虽然说GFS有3个备份，具有高可用性）单点可用性不高：因为BigTable的数据存取入口是在tablet服务器上的，每个数据只可能存在于一个tablet服务器上，这就是所谓的单点，而一旦这个唯一的服务器挂了以后，在一段时间内这个数据就是无法访问的，这就限制了其高可用性。Google搜索与底层架构的关系爬虫获取到网页数据从Chubby的元数据中找到该URL所处的子表从子表服务器中寻找对应的行如果该行不存在，则插入新的行读取网页内容列，比较新旧数据增加时间戳，标识新数据若当前时间戳超过指定数目，删除最旧内容处理完毕存在对应行对应行键不存在数据未变化数据发生变化1、GoogleGFS分布式文件系统的实现2、淘宝TFS分布式文件系统3、Kinetic：希捷分布式对象存储平台解析

Part3大规模分布式云存储服务实例||+1234567890|103【搜索商品】——这个功能，如果你有几千条商品，完全可以用select*fromtableXXwheretitlelike%XX%这样的操作来搞定。但是——当你有10000000000(一百亿)条商品的时候，任何一个数据库都无法存放了，请问你怎么搜索?这里需要用到分布式的数据存储方案，另外这个搜索也不可能直接从数据库里来取数据，必然要用到搜索引擎(简单来说搜索引擎更快)。好，能搜出商品了，是否大功告成可以啵一个了呢?早着呢，谁家的商品出现在第一页?这里需要用到巨复杂的排序算法。要是再根据你的购买行为做一些个性化的推荐——这够一帮牛叉的算法工程师奋斗终生了。淘宝网需求分析||+1234567890|104【商品详情】——就是搜索完毕，看到你感兴趣的，点击查看商品的页面，这个页面有商品的属性、详细描述、评价、卖家信息等等，这个页面的每天展示次数在30亿以上，同样的道理，如果你做一个网站每天有10个人访问，你丝毫感觉不到服务器的压力，但是30亿，要解决的问题就多了去了。首先，这些请求不能直接压到数据库上，任何单机或分布式的数据库，承受30亿每天的压力，都将崩溃到完全没有幸福感，这种情况下要用到的技术就是大规模的分布式缓存，所有的卖家信息、评价信息、商品描述都是从缓存里面来取到的，甚至更加极致的一点“商品的浏览量”这个信息，每打开页面一次都要刷新，你猜能够从缓存里面来取吗?淘宝做到了，整个商品的详情都在缓存里面。淘宝网需求分析||+1234567890|105【商品图片】——一个商品有5个图片，商品描述里面有更多图片，你猜淘宝有多少张图片要存储?100亿以上。这么多图片要是在你的硬盘里面，你怎么去查找其中的一张?要是你的同学想拷贝你的图片，你需要他准备多少块硬盘?你需要配置多少大的带宽?你们的网卡是否能够承受?你需要多长时间拷贝给他?这样的规模，很不幸市面上已经没有任何商业的解决方案，最终我们必须自己来开发一套存储系统，如果你听说过google的GFS，我们跟他类似，叫TFS。顺便说一下，腾讯也有这样的一套，也叫TFS。【广告系统】——淘宝上有很多广告，什么，你不知道?那说明我们的广告做的还不错，居然很多人不认为它是广告，卖家怎么出价去买淘宝的广告位?广告怎么展示?怎么查看广告效果?这又是一套算法精奇的系统。淘宝网需求分析106【BOSS系统】——淘宝的工作人员怎么去管理这么庞大的一个系统，例如某时刻突然宣布某位作家的作品全部从淘宝消失，从数据库到搜索引擎到广告系统，里面的相关数据在几分钟内全部消失，这又需要一个牛叉的后台支撑系统。【运维体系】——支持这么庞大的一个网站，你猜需要多少台服务器?几千台?那是零头。这么多服务器，上面部署什么操作系统，操作系统的内核能否优化?Java虚拟机能否优化?通信模块有没有榨取性能的空间?软件怎么部署上去?出了问题怎么回滚?你装过操作系统吧，优化过吧，被360坑过没，崩溃过没?这里面又有很多门道。淘宝网需求分析107大型网站的系统架构图108淘宝网系统组件109组件类型淘宝组件组件用途消息队列Notify异步消息服务引擎实现应用间的解耦、异步、并行，同时针对访问流量无法处理的情况设计了消息堆积方案，保证系统不会因为某一个点的瓶颈而造成全面崩溃分布式服务框架HSF高性能分布式服务框架从分布式应用层面以及统一的发布/调用方式层面支持业务系统，并提供和使用公用功能模块，使得业务系统无需考虑分布式领域细节技术统一数据访问模块TDDL分布式数据层采用分库分表、读写分离等数据库横向扩展方法解决多并发问题，支持动态扩容以及数据的准实时同步，并提供数据库的连接池选择，将针对数据的读写请求发送给最合适的地方分布式缓存TAIR分布式Key-Value缓存系统具有高性能、分布式、可扩展、高可靠的key-value结构化存储系统，专为小文件存储进行了优化，提供简单易用的接口（类似Map），支持Java和C版本的客户端淘宝网系统组件110组件类型淘宝组件组件用途分布式文件系统TFS分布式文件系统针对海量非结构化数据存储设计的分布式系统，构筑在普通的Linux机器集群上，可为外部提供高可扩展、高可靠和高并发的存储访问服务分布式数据库Alimysql分布式关系型数据库基于MySQL进行优化，支持多线程的并行复制解决主备库同步问题、支持针对数据库单行访问量的并发控制解决热点更新问题、提供直接拒绝部分请求的自身保护机制避免数据库持续恶化NoSQL数据库Hbase分布式数据库基于开源HBASE进行稳定性改进，开发管理运维系统，用于在线服务关系型数据库OceanBase数据库阿里巴巴集团自主研发的可扩展的关系型数据库，实现了跨行跨表的事务，支持数千亿条记录、数百TB数据上的SQL操作。用于支持多个重要业务的数据存储，包括收藏夹、直通车报表、天猫评价等TFS（TaobaoFileSystem）是一个高可扩展、高可用、高性能、面向互联网服务的分布式文件系统，主要针对海量的非结构化数据，它构筑在普通的Linux机器集群上，可为外部提供高可靠和高并发的存储访问。TFS为淘宝提供海量小文件存储，通常文件大小不超过1M，满足了淘宝对小文件存储的需求，被广泛地应用在淘宝各项应用中。它采用了HA架构和平滑扩容，保证了整个文件