大数据平台运维------HDFS balancer的使用

1.  背景

Hadoop的HDFS集群非常容易出现机器与机器之间磁盘利用率不平衡的情况，比如集群中添加新的数据节点。当HDFS出现不平衡状况的时候，将引发很多问题，比如MR程序无法很好地利用本地计算的优势，机器之间无法达到更好的网络带宽使用率，机器磁盘无法利用等等。可见，保证HDFS中的数据平衡是非常重要的。
在Hadoop中，包含一个Balancer程序，通过运行这个程序，可以使得HDFS集群达到一个平衡的状态。

2.  HDFS balancer配置（可通过CM配置）

dfs.datanode.balance.max.concurrent.moves	并行移动的block数量，默认5
dfs.datanode.balance.bandwidthPerSec	Balance工具所占用的带宽，默认1048576(1MB)
dfs.balancer.moverThreads	用于执行block移动的线程池大小，默认1000
dfs.balancer.max-size-to-move	每次balance进行迭代的过程最大移动数据量，默认10737418240(10GB)
dfs.balancer.getBlocks.size	获取block的数量，默认2147483648(2GB)
dfs.balancer.getBlocks.minblock-size	用来平衡的最小block大小，默认10485760（10MB）
dfs.datanode.blockpinning.enabled	默认false

 

3.  通过命令行使用balancer

 

hdfs balancer           [-threshold <threshold>]           [-policy <policy>]           [-exclude [-f <hosts-file> | <comma-separated list of hosts>]]           [-include [-f <hosts-file> | <comma-separated list of hosts>]]           [-idleiterations <idleiterations>]

参数说明：

-threshold	某datanode的使用率和整个集群使用率的百分比差值阈值，达到这个阈值就启动hdfs balancer，取值从1到100，不宜太小，因为在平衡过程中也有数据写入，太小无法达到平衡
-policy	分为blockpool和datanode，前者是block pool级别的平衡后者是datanode级别的平衡
-exclude	不为空，则不在这些机器上进行平衡
-include	不为空，则仅在这些机器上进行平衡
-idleiterations	最大迭代次数

 

4.  集群平衡算法

4.1.  按使用情况分类

根据各datanode的使用情况，将集群中的节点分为：

4.2.  按使用情况配对

过度使用--过度闲置
过度使用--平均值下
平均值上--过度闲置
 

4.3.  找到待移动的block

源datanode的存储类型和目的datanode的存储类型一致
该block的副本未被安排
目的datanode不包含同样的副本
移动之后该机架上的block不会减少

4.4.  移动block

调用DataTransferProtocol .replaceBlock(..) 来移动，直到返回0，代表平衡完成