「回顾」Apache HBase的现状和发展

Posted 2021-04-18 DataFunTalk

分享嘉宾：杨文龙 阿里巴巴 技术专家，HBase社区Committer&PMC

内容来源：HBase MeetUp《Apache HBase的现状和发展》

出品社区：DataFun

一、ＨBase是什么

HBase(Hadoop Database)，是一个基于Google BigTable论文设计的高可靠性、高性能、可伸缩的分布式存储系统。

它有以下特征：

1.HBase仍然是采用行存储的，采用松散表的结构来获得动态列的功能；

2.原生海量数据分布式存储。在单个数据库中可以存档GB甚至上pb。在一行中也可以存储上百万列。任何大小的数据量都适合采用HBase；

3.不仅支持随机查询，还支持范围查询；

4.高吞吐，低延迟。一个集群可以有上千万个dps，平均的延迟可以做到一毫秒之内；

5.在线NOSQL数据库；

6.多版本，增量导入，多维删除。

1.1 HBase的四大基因

1.1.1自动分区

最开始的时候，我们的数据库是单机的数据库。慢慢的我们发现单机的数据库无法承受数据和访问的爆发式增长。因此就出现了分库分表的方案。将数据库和表拆分到多个服务器上，然后利用中间件作为一个路由。这里就会遇到一个问题，随着数据的增加，中间件就会成为一个瓶颈。如果请求量爆发式增长的时候，要加载新的进去，整个物理的变化需要进行搬迁之后才能够进行使用。

而在HBase中，使用的是自动分区功能。当访问量和请求量增加的时候它可以自动的进行数据分片，以应对数据和请求的爆发式增长。

1.1.2 LSM-Tree

LSM(Log Structured Merge)Tree，它的一个重要的功能就是随机写变成顺序写。

现在LSM模型是大数据库的标配。它主要包括如下几个特点：

1）写吞吐量高；

2）不受hdd随机写瓶颈和ssd随机写入放大干扰；

3）超强数据导入能力。

1.1.3存储计算分离

HBase本身不会存任何数据。数据都是存储在底层的HDFS中。存储计算分离有以下好处：负载均衡更高效、资源扩容更节省、存储优化更便捷。

1.1.4　ＨBase生态

1.2 场景

1.3使用HBase的商业公司

基本上每一个大型的公司都在使用HBase。

1.4 HBase特性总结

HBase，为大数据而生，有LSM树：离线导入效率巨高 、实时写入吞吐大、增量导入隔离性强；伸缩性强；TTL：数据时效性，系统自动处理、时效性的个性化设置；多版本：数据的第三维度、高效删除方式；动态列：数据发散的利器；协处理器：数据校正、高效适应个性化；异构介质多副本存储：海量与实时的性价比满足；Erasure Code：因大而生。

二、ＨBase社区的发展

2.1　HBase的起源

HBase于2006年诞生于Powerset,一家从事自然语言处理和搜索的创业公司(后被微软收购)

HBase的实现基于Google发布的BigTable论文，用来解决 Hadoop中随机读写效率低下的问题。HBase最初的开发人员是MichaelStack和JimKellerman。2007年4月，HBase做为一个模块提交到Hadoop的代码库中，代码量~8000行，2010年5月HBase成为Apache的顶级项目，同年，Facebook把HBase使用在其消息平台中。

2.2　HBase项目现状

目前HBase的代码已经超过100万行，HBase仍然是最活跃的Apache项目之一，拥有76个Committer，42位PMC，共有328位Contributor，其中14位 Committer/PMC 来自中国。

2.3　HBase目前版本

ＨBase目前版本众多。见下图：

三、ＨBase2.0

3.1 HBase2.0版本发布历史

HBase2.0的发布是一部血泪史，因为在四年前已经有这个版本了，由于一些因素，造成了没有人管理。最后花了一年多的时间才稳定他的版本发布出来，他的Release Manger多次更换，才把他发布出来。由此，我们吸取了这次教训，我们以后会做好版本控制，把控好发布的节奏。

3.2 新功能

3.2.1 Region Replica

Region Replica这个功能在1.2版本中已经存在，但是为什么叫做新功能呢？是因为之后修改了很多bug，在1.4版本才稳定下来，然后1.4和2.0是同时发布的。在CAP理论中,HBase一直是一个CP系统，遵循强一致的读写语义，所以Server宕机后需要一定的恢复时间，如果宕机了，客户端可以从另外的副本中去读取数据，Region Replica为数据分片Region准备了多个副本,host在不同的RegionServer上，同时，客户端也可以做到，对多个副本同时发请求，然后做到选择最快速的那个副本，提供高可用读，宕机0影响，规避抖动，毛刺，降低P999延迟；缺点是需要额外耗费CPU/Memory资源，但不会占用额外空间。

3.2.2 读写链路Off-heap

第二个新功能是全链路Off-heap，意思就是读写链路数据端到端Off-heap，减少java GC带来的停顿，进一步降低P999延迟，提高吞吐。这个功能我们从两方面来实现的：写链路Off-heap，我们使用在RPC层使用Netty的Off-heap ByteBuffer，使用支持Off-heap的Protobuf。同时使用Off-heap的Chunk 来存储Memstore中的KeyValue。

在读链路Off-heap方面，使用Off-heap的Bucket Cache，HBase自己管理内存的，我们从Bucket Cache读取数据的时候，先要从Protobuf做一次拷贝，因为可能读取的时候，发生内存不够了，再次分配的情况。在读取对Bucket Cache进行引用计数，保证读取的时候，内存不会被回收掉，读取时不再需要先拷贝到heap，对Bucket Cache进行了一系列性能优化。

后面这是HBase官方放着阿里巴巴在双十一对HBase优化之后的对比图，可以看到优化之后他的请求的曲线更加平稳，吞吐量增长了30%，这个案例大家可以去HBase的官方去看一下。

3.2.3 In Memory Compaction

在HBase2.0中另外一个重磅的功能就是In Memory Compaction，以前我们知道HBase中使用的数据结构是java中原生的跳表，但是跳表依然是一个松散的结构，这样的话，虽然内存不断的在增大，但是刷到之后，会造成通过In memory的flush不会到hdfs上，反而回转到更加紧凑的CellArrayMap这个结构，同时多个CellArrayMap会在内存中做compaction，使内存的使用更加紧凑。然后通过In memory的flush和compaction,在内存中可以存储更多的数据，因此可以提高读性能，同时减少磁盘IO，减轻compaction小文件造成的写放大。这个功能社区也有介绍。

3.2.4 小对象存储MOB

之前我们建议在HBase上不要存很大的KV值，但是MOB(Moderate Object Storage) 功能使HBase能高效地存储那些100k~10M 中等大小的对象。这使得用户可以把文档、图片对象保存到HBase系统中，用户写入的小对象flush成一个独立文件，原有的KV中的value只存这个对象的引用路径，对于存储对象文件,更少地进行compaction来减少写入放大效应。

3.2.5 Assignment MangerV2

这是一个非常重要的模块，HBase中的状态流转，建表删表，都需要在Assignment MangerV2上进行，之前旧AM系统参与角色多,状态更新混乱，效率低，无事务保证，容易出现RIT问题。所以AM V2使用ProcedureV2来保证 Table/Region状态转换在master重启后仍然能恢复执行，然后去除了Zookeeper做为中间角色，Master/RegionServer直接交互，Region assign/unassgin速度大大提升。

3.2.6 其他

在HBase2.0中，还有非常多的新功能，具体如下：

3.3 兼容性和升级建议

建议如下：

四、ＨBase未来规划

4.1 HBaseConAsia & 开发者圆桌会议

HBase众多开发者也会参加这个会议，参与讨论它的未来发展方向。

4.2 更加易用

HBase已经提供了，Java的API，但是这个案例不太友好，我们目前打算提供Native的SQL接口，能够做到轻量级的SQL支持、内置的二级索引方案、与Spark SQL更好地结合等功能。

4.3 更高性能

在以后的版本中，不用在对HBase的性能担心了，我们在以后的版本中准备从Use CCSMap to improve HBase YGC tim、全链路异步化、基于非易失存储的WALLess方案等方面努力成为LSM模型下性能最好的Java存储引擎。

4.4 更强扩展性和稳定性

这个方面我们以下几个方面来解决：

五、如何成为Committer

作者介绍:

杨文龙，阿里巴巴技术专家。HBase社区Committer&PMC，Ali-HBase内核负责人，对分布式存储系统的设计、实践具备丰富的大规模生产的经验。

内推信息:

Base：杭州、深圳，职位：存储服务平台开发，有意者请投递简历至文龙老师个人邮箱：[e-mail] ，详细介绍可点击阅读原文。

——END——

HBase交流群及DataFun大数据交流群欢迎您的加入，感兴趣的小伙伴欢迎加管理员微信：

文章推荐：

社区介绍：

DataFun定位于最“实用”的数据科学社区，主要形式为线下的深度沙龙、线上的内容整理。希望将工业界专家在各自场景下的实践经验，通过DataFun的平台传播和扩散，对即将或已经开始相关尝试的同学有启发和借鉴。DataFun的愿景是：为大数据、人工智能从业者和爱好者打造一个分享、交流、学习、成长的平台，让数据科学领域的知识和经验更好的传播和落地产生价值。

DataFun社区成立至今，已经成功在全国范围内举办数十场线下技术沙龙，有超过一百五十位的业内专家参与分享，聚集了万余大数据、算法相关领域从业者。