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。