OpenStack大数据项目Sahara概述

2013年4月，OpenStack社区知名厂商Mirantis正式宣布了基于OpenStack的开源BDaaS（BigData-as-a-Service）项目——Sahara（原名Savanna），正式开始了在OpenStack上构建大数据服务能力的努力。

近日，开源技术专家章宇（@一棹凌烟）在其博客上分享了对Sahara项目的研究心得。整个介绍系列分为7篇文章，除前言部分外，其余六篇分别是：

• Sahara概述：介绍项目的目的、概况、发展等基本情况
• Sahara使用方式：介绍具体如何使用Sahara进行大数据业务操作
• Sahara设计实现：介绍Sahara的架构设计与实现
• Sahara与AWS EMR和Serengeti的对比：将Sahara与目前最知名的公有云大数据服务和Hadoop虚拟化项目进行简单对比分析
• 对Sahara的若干思考
• 小结与展望

在《Sahara概述》中，章宇介绍了Sahara的定位、功能的演进、社区支持力度与整体发展的趋势。

Sahara最初的基本定位是基于OpenStack提供简单的Hadoop集群创建方式，不过随着项目不断演进，Sahara所涵盖的范畴也有所扩大。章宇从两个层面介绍了Sahara项目的发展方向：

从服务层次的维度看，Sahara已经开始从利用OpenStack的IaaS能力，提供简单的大数据工具集群创建和管理服务，扩展到提供分析即服务（Analytic-as-a-Service）层面的大数据业务应用能力。Sahara v0.3中引入的EDP（Elastic Data Processing）就是一个明确的体现。

从承载的业务类型维度看，Sahara也很有可能会迅速突破单一的Hadoop工具范畴，拓展支持其他新兴的大数据工具。例如，关于提供Spark支持的BP已经被提交至社区，目前正在等待review。

Sahara项目的发展较快，其项目PTL Sergey Lukjanov已经宣布Sahara将于OpenStack Juno版本中正式成为integrated项目，目前代码已经提交，并在等待review，其版本演进可以参见其wiki页面介绍。目前Sahara已经被集成在RDO中，因此可以被更为简单方便的安装部署。

《Sahara使用方式》简单介绍了Sahara的使用模式、基本概念与操作流程。

Sahara有两种使用模式：

• 基本的大数据集群应用模式（基本模式）
• 通过EDP机制引入的分析即服务模式（EDP模式）

简单来说，基本模式要求用户自己从底层搭建Hadoop虚拟机、建立集群，技术门槛较高；而EDP模式有点类似于AWS EMR服务，对底层的Hadoop集群操作和Hadoop业务操作进行了封装，暴露给用户的只有非常简单的接口，使用简便。

章宇介绍了Sahara当中的节点（node）、节点组(node group)、节点组模板（node group template）、集群（cluster）、集群模板（cluster template）、任务（job）等关键概念，并简单列出了在基本模式下用Sahara建立Hadoop集群的操作流程。整个介绍比较概括，step by step的操作文档可参考Sahara官方的QuickStart。

接下来，章宇开始从研究代码的层面介绍Sahara的设计与实现。Sahara的设计有两大特点：

1、模块化、可配置：

Sahara中的大量功能和机制，都基于可选择、可配置的模块化插件实现，例如：可以通过对engine的配置来选择不同的Hadoop集群编配引擎，通过对plugin的配置来选择不同的Hadoop发行版安装与部署方式和工具，等等。

2、代码重用：

Sahara也尽可能重用了OpenStack自身提供的IaaS层组件及其服务，例如：利用Nova提供虚拟机资源，利用Horizon提供人机界面，等等。

Sahara对Horizon（界面）、Glance（镜像管理）、Keystone（身份认证）、Heat（集群配置）、Ceilometer（监控）、Nova（虚拟机管理）、Neutron（网络）、Cinder（块存储）和Swift（对象存储）都有不同程度的代码复用，其中Nova、Glance和Keystone是必要组件，其他组件可选用。

Sahara的整体架构可参考其架构图。其中，章宇建议：

在分析集群创建流程时，主要应关注sahara.api、sahara.service.api、sahara.service.engine和sahara.plugins这四个package的各自行为及相互关系。其中，sahara.service.api中的_provision_cluster()驱动了整个cluster创建的过程。

接下来，章宇从产品和技术的层面将Sahara与EMR、Serengeti进行了对比，要点如下：

• EMR在Sahara基本模式的基础上融合了EDP模式的特点
• EDP的用户只需要指定“哪些数据”、“哪个集群”、“哪个程序包”这三要素，而完全不用关心集群如何创建、如何管理这样的与自己核心业务诉求无关的问题
• EMR的用户则除了需要在创建集群时指定大量信息外，还需要负责集群和业务的运行管理
• 比较而言，EDP的用户是纯粹的大数据业务应用者，而EMR的用户则身兼业务应用和系统运维两种职责
• 基于EMR的大数据解决方案，全面涵盖了数据的存储、计算、分析、共享等各个处理环节，这是Sahara还难以企及的
• Sahara和Serengeti的区别，可以说是“应用云化”和“应用虚拟化”的区别。Serengeti项目的主要关注点在于如何为搭建在虚拟机环境下的Hadoop集群提高性能和可靠性，这里面的思考是Sahara可以借鉴的

介绍到这里，章宇对Sahara目前的状态进行了概述，认为目前的Sahara还面临以下几点挑战：

• Sahara的管理平面性能存在疑问，创建和发布集群的等待时间有待测试
• 复杂管理的成功率方面，目前Sahara中没有看到明确的处理机制，这是一个缺失
• Sahara搭建的Hadoop在虚拟化环境下的性能有待优化，不过这个问题可以等到前面两个关键问题解决了之后再来优化
• Auto-scaling的缺失。目前Sahara要扩展需要人工执行
• Sahara最大的亮点在EDP，其价值有待进一步挖掘