专访 Saumitra Buragohain : Hortonworks 数据平台 3.0

最近，基于 Hadoop 3.1 的 Hortonworks 数据平台（HDP）3.0正式发布了，它包含容器化、支持GPU、纠删码和Namenode Federation。企业功能包括利用HDP 3.0 默认安装的Apache Ranger 和Apache Atlas 的可信数据湖。该版本还去掉了一些组件，如：Apache Falcon、Apache Mahout、Apache Flume 和Apache Hue，同时Apache Slider 功能已经融入了Apache YARN。

InfoQ 就 Hadoop 的总体情况，特别是 HDP 3.0 采访了 Hortonworks 的产品管理高级总监 Saumitra Buragohain。

InfoQ：鉴于 Spark、Kafka 和其他大数据平台的成功，Hadoop 是否已经过时了？总体上Hadoop和特别是 HDP 3.0与企业仍有怎样的相关性，为什么开发人员要关注它们？

Buragohain：Hadoop 已经不再是 10 年前主要是跟存储层（Apache HDFS）和工作负载（MapReduce）有关的 Hadoop 了。我们现在处在工业 4.0 革命的前沿，Hadoop 大数据栈已经发展到包含实时数据库（由 Apache Hive 3.0 提供支持）、机器学习和深度学习平台（Apache Spark 和 Apache TensorFlow）、流处理（Apache Kafka 和 Apache Storm）、运营数据存储（Apache Phoenix 和 Apache HBase）。请继续关注我们的 HDP 3.0 博客系列！HDP 3.0 能够自有部署（on-prem），也可以部署于所有主要的云供应商（亚马逊、Azure 和谷歌云）。

InfoQ：HDP 3.0 的实时数据库是否旨在为交互式查询提供类似 Spark 的功能？您能否详细谈谈实现，提供一些技术细节？它如何能够帮助那些不需要大量编程的数据科学家？

Buragohain：实时数据库由 Apache Hive 3.0 和 Apache Druid 提供支持，并允许单个 SQL 层用于批处理和历史数据集。Druid 允许创建 OLAP cubing，以便我们能够实时查询大型数据集。在 HDP 3.0 中特别要强调的 Apache Hive 特性包括：

用于 LLAP 的工作负载管理：您现在能够在多租户环境中运行 LLAP 而无需担心资源竞争。

ACID v2 和 ACID 默认打开：我们正在发布 ACID v2。随着存储类型和执行引擎上性能的改进，与非 ACID 表相比，我们看到了相同或更好的性能。因此，我们默认启用 ACID 并且为数据更新提供完全的支持。

用于 Spark 的 Hive 仓库连接器：Hive 仓库连接器允许您把 Spark 应用和 Hive 数据仓库连接在一起。连接器自动处理 ACID 表。

物化视图导航：Hive 的查询引擎现在支持物化视图。该查询将在物化视图可用时自动使用它们以加速查询。

信息架构：Hive 现在直接通过 Hive SQL 接口公开数据库的元数据（表、列等等）。

JDBC 存储连接器：您现在能够映射任何 JDBC。

HDP 3.0 中特别值得留意的 Druid 功能包括：

Kafka – Druid 摄入：您现在能够将 Kafka 主题映射到 Druid 表中。事件将被自动摄入并可用于近乎实时的查询。

InfoQ：到处都是容器。请谈谈在 HDP 3.0 中如何利用容器？

Buragohain：YARN 一直在内存和 CPU 粒度上支持本机容器。我们正在扩展该模型以支持 Docker 容器，并在内存和 CPU 之上添加了 GPU 支持。这意味着，现在我能够把我的应用程序（如 Spark）和诸如 Python（无论是版本 2.7 还是版本 3.0）及不同的 Python 库这样的依赖项打包在一起，并在与其他租户共享的 HDP 3.0 集群中隔离运行。这意味着，我也能够利用 GPU 池特性，在 YARN 上运行 Docker 化 TensorFlow 1.8 。这也意味着，我能够解除和转移第三方工作负载，并在 HDP 3.0 上运行它们。因此，这就是 HDP 3.0 的强大功能，我们已经从 10 年前的 Hadoop 1.0 发展到现在。

InfoQ：深度学习是另一种趋势科技，并且看起来，在 HDP 3.0 和机器学习之间的协同作用增加了。您能否谈谈 HDP 和深度学习的使用？

Buragohain：当然可以。多年来，我们一直将 Spark 作为 HDP 栈的核心组件，这是 HDP 在客户安装基础上最大的工作负载之一。现在，我们正在扩展到深度学习框架，支持诸如 GPU 池 / 隔离这样的功能，从而让昂贵的 GPU 可以成为多个数据科学家共享的资源。正如上面所提到的，我们也支持容器化工作负载，因此，我能够利用 YARN GPU 池和存储在 HDP 3.0 数据存储层（或云存储中，如果 HDP 3.0 部署在云中）的训练数据，运行容器化 TensorFlow 1.8 来训练深度学习模型。您还能够观看我们的主题演示，那是在DataWorks 峰会上，我们用HDP 3.0 技术训练了一辆自动驾驶汽车（1：10 的比例）。

InfoQ：纠删码是 Hadoop 3.0 的一部分。您能否谈谈它是如何实现的？HDP 3.0 是否有其他调整？

Buragohain：纠删码本质上是跨节点的 RAID。就像在企业存储行业中，供应商和客户已经采用了 RAID6 来支持 RAID10（镜像），我们正在对 Hadoop 数据存储（Apache HDFS）进行类似的转变。我们把数据分成 6 个分片，并创建了 3 个奇偶校验分片，而不是为同样的数据创建 2 个相同的备份。这 9 个分片现在存储在 9 个节点中。因此，如果有 3 个节点宕机，我们将有 6 个分片（数据或奇偶校验），并且能够构建该数据。因此，这就是我们如何提供与 3 副本方法相同的故障恢复能力，同时将存储足迹减少一半。

我们默认使用副本方法。客户将需要配置一个目录以让纠删码编码，我们可以选择多个纠删码 Reed Solomon 编码：RS（6，3）；RS（10，4）；RS（3，2）。然后，任何进入该目录的数据是经过纠删码编码的。我们最初支持对冷数据的纠删码编码，但是，我们正在提供可选的英特尔存储加速库作为 HDP 3.0 实用程序的一部分以实现可选的硬件加速。

InfoQ：除了 Hadoop 3.0 提供的特性之外，HDP 3.0 增加了什么？HDP 3.0 及更高版本的路线图是什么？

Buragohain：请继续关注我们的博客。HDP 3.0 最近正式发布了，我们的发布说明详细描述了这些特性（跨实时数据库、流处理、机器学习和深度学习平台等等）。最后，我们在工具箱里提供了所有的工具，以便客户选取（可以与单个工作负载供应商比较一下）。我们正在对HDP 进行长期投资，在2019 年，我们将有更多令人兴奋的更新！

HDP 3.0 的发布说明可以从 HDP 3.0发布说明页面下载。

查看英文原文： Q&A with Saumitra Buragohain on Hortonworks Data Platform 3.0

感谢冬雨对本文的审校。