2A - Cassandra

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 9

Paralelización de datos

Cassandra

Programa Ejecutivo en Big Data &


Business Analytics

Curso académico 2019 – 2020

PROFESOR
Alberto Oikawa
[email protected]

Esta publicación está bajo licencia Creative


Commons Reconocimiento, Nocomercial, Compartirigual, (by-
nc-sa). Usted puede usar, copiar y difundir este documento o
parte del mismo siempre y cuando se mencione su origen, no se
use de forma comercial y no se modifique su licencia. Más
información: http://creativecommons.org/licenses/by-nc-sa/3.0/
Cassandra 2

Índice de Contenido
Cassandra 3
Objetivos 3
Introducción 3
Modelo de datos 4
Arquitectura 5
Referencias 9
Para saber más 9

EOI Escuela de Organización Industrial http://www.eoi.es


Cassandra 3

Cassandra
Durante este módulo se expondrá brevemente el funcionamiento de cassandra así como sus
funcionalidades principales. Se pretende que el alumno adquiera una base de conocimiento que le
permita seguir avanzando por su cuenta en el aprendizaje de esta tecnología.

Objetivos
1. Entender el funcionamiento de una base de datos orientada a clave-valor.
2. Conocer los antecedentes de esta tecnología.
3. Comprender el funcionamiento del modelo clave valor
4. Comprender el funcionamiento a grandes rasgos de casandra.
5. Adquirir las nociones básicas de CQL (Cassandra Query Language)

Introducción
Cassandra es una base de datos altamente escalable, eventualmente consistente, distribuida y con
almacenamiento tipo clave-valor. Surge como el producto de la fusión de las tecnologías
distribuidas de Dynamo y el modelo de datos Big Table de Google.

Debido a que está basada en Big Table, el modelo de datos que presenta es orientado a familias
de columnas (ColumnFamilies) lo que proporciona mayor flexibilidad que el tipo clave-valor
exclusivo.

El código fuente de Cassandra fue liberado por Facebook en 2008 y es la base de datos que esta
empresa utiliza en producción.

Las principales características de Cassandra son:

1. Alta disponibilidad.
2. Escalado horizontal.
3. Consistencia eventual.
4. Configuración del equilibrio entre consistencia y latencia.
5. Modelo de distribución P2P, lo que evita puntos de fallo únicos.

Por tanto, según sus principales características, se trata de una base de datos pensada para
funcionar en un sistema distribuido. Cada nodo del sistema juega el mismo papel, no hay
arquitectura maestro-esclavo sino P2P. La arquitectura distribuida de Cassandra se presenta como
un anillo en el que cada nodo del cluster almacena cierta parte de los datos automáticamente, sin
necesidad de configuración.

Al igual que otras bases de datos Cassandra proporciona un mecanismo de replicación en el que la
información se almacena de forma redundante distribuida en distintos nodos de la red. De esta
forma es como se proporciona alta disponibilidad, ya que si un nodo falla la información persiste
en otros nodos del anillo.

Por otra parte, como consecuencia de la sencillez en la arquitectura, la escalabilidad que se


proporciona es lineal, es decir, crece linealmente con la adhesión de nodos al anillo.

EOI Escuela de Organización Industrial http://www.eoi.es


Cassandra 4

Modelo de datos
El modelo de datos de Cassandra tiene su origen en las BigTable de Google. El esquema se
estructura de la siguiente forma, por orden de jerarquía:

● Espacio de claves (Keyspace): Primer nivel de contenido, almacena familias de columnas.


Es una práctica habitual que contenga todos los datos de una aplicación. Se podría
equiparar a una base de datos en un modelo relacional.

● Familia de columnas (Column Family): Segundo nivel de la jerarquía, contiene claves de


filas y otras familias de columnas. Este nivel sería equiparable a las tablas del modelo
relacional.

● Clave de fila (Row Key): Identificador único de un dato almacenado dentro de una Column
Family.

● Súper columna (Super Column): Estructura tipo diccionario de columnas identificadas por
una Row Key.

● Columna (Column): Par nombre-valor con un campo adicional que contiene el timestamp
del dato.

En la Figura XX se muestra un diagrama con la estructura general de almacenamiento en


Cassandra. En primer lugar que se encuentra el keyspace que a su vez aglutina varias column
families. Estas a su vez enlazan con una serie de claves, las row keys, que apuntan a grupos de
columnas, que contienen el propio valor del dato identificado por un nombre y un timestamp.

Figura 1: Estructura general de almacenamiento de Cassandra.

Así, la forma de acceder a un valor almacenado en Cassandra sería:

EOI Escuela de Organización Industrial http://www.eoi.es


Cassandra 5

[Keyspace][ColumnFamily][RowKey][Column] = Valor

[Keyspace][ColumnFamily][RowKey][SuperColumn][Column] = Valor

en función de si se incluye el nivel SuperColumn o no.

Las columnas contenidas en las column families se definen en la creación de la misma. Por
ejemplo, supóngase un modelo en el que se debe representar información de clientes de una web.
La definición del esquema a nivel de column family podría ser entonces como la que se muestra
en la Figura 2.

ROW KEY COLUMNAS

Nombre Apellido Dirección


m.rodriguez
Manuel Rodriguez C/ Saturno 22

Nombre Apellido Dirección


s.garcia
Santiago García C/ Júpiter

Nombre Email
a.fernandez
Alberto [email protected]

Figura 2: Ejemplo de posible modelo de datos para un grupo de usuarios de una web.

Las column families a su vez pueden ser estáticas o dinámicas, en función de si los campos que
almacenarán quedan prefijados o no. En el modo estático cada columna debe ser definida, en
particular el tipo de dato que almacenará cada campo. No obstante, no se reserva espacio para
cada campo definido, como en el caso relacional, sino que el consumo de memoria depende de los
datos insertados en cada momento. En el modelo dinámico, sin embargo, no hay definición del
esquema y por tanto la aplicación que hace uso de la base de datos es libre de insertar los datos
que requiera en tiempo de ejecución.

Arquitectura
La arquitectura de Cassandra [2] está orientada a solventar problemas debidos a fallos hardware.
Este tipo de fallos son mitigados empleando un sistema P2P distribuido a través de nodos
homogéneos donde todos ellos se encargan de almacenar los datos. Por otra parte se realiza un
proceso de escritura secuencial en unos ficheros denominados commitlogs presentes en cada nodo
que almacenan toda la información sobre la actividad local asegurando así la durabilidad de las
acciones. Tras ser escritos en los commitlogs los datos son indexados y almacenados en memoria
en unas tablas denominadas memtables. Una vez que la memoria dedicada a dichas tablas está
llena, esta información es almacenada en disco en lo que se denominan Sorted String Tables
(SSTables). En la Figura 3 se ilustra este proceso de escritura.

EOI Escuela de Organización Industrial http://www.eoi.es


Cassandra 6

Figura 3: Proceso de almacenamiento de datos (memoria y disco) en Cassandra.

Además, periódicamente, mediante un proceso denominado compactación, los datos son


consolidados descartando datos obsoletos y eliminando tombstones, flags que indican que los
datos han sido borrados.

Se trata de una base de datos orientada a fila, en la que los datos son tratados mediante un
lenguaje similar a SQL denominado CQL (Cassandra Query Language). Desde el punto de vista de
CQL la base de datos está formada por tablas, como en el caso SQL. CQL se emplea en la consola
de acceso cqlsh y en los drivers de desarrollo de aplicaciones.

Las lecturas y escrituras se envían al nodo del cluster que debe almacenar el dato en concreto, el
proceso de replicación y distribución se realiza de forma automática a través de un nodo que
actúa como coordinador. Dicho coordinador actúa como proxy entre la aplicación cliente y los
nodos que conforman la base de datos determinando qué nodo del anillo debe atender la petición
que entrante. A continuación se listan los principales actores del sistema:

● Nodo: Unidad mínima de la infraestructura de Cassandra, en ella se almacenan los datos.

● Data Center: Colección de nodos relacionados, pueden ser físicos o virtuales. En ellos se
realiza el proceso de replicación, en función del factor de replicación este proceso se lleva
a cabo en un data center individual o en varios relacionados. No pueden abarcar diferentes
localizaciones.

● Cluster: Agrupación de Data Centers. En este caso sí pueden abarcar distintas


localizaciones físicas.

EOI Escuela de Organización Industrial http://www.eoi.es


Cassandra 7

● Commit Log: Fichero en el que se escriben las acciones realizadas sobre un nodo, después
los datos son enviados a las SSTables.

● Tabla: Colección de columnas ordenadas accedidas por filas. Una fila está compuesta por
varias columnas representadas por una clave primaria (row key) cuya primera parte es el
nombre de la columna.

● SSTable: Fichero de datos inmutable en el que Cassandra escribe el contenido de las


memtables periódicamente. Se trata de tablas en las que únicamente se adjunta
información, no se eliminan entradas, únicamente son compactadas y convertidas en otras
SSTables.

Por otra parte, los componentes clave que marcan el funcionamiento de la base de datos son:

● Gossip: Protocolo de comunicación P2P que emplean los nodos del cluster para descubrir la
existencia del resto de nodos y compartir información sobre la localización y el estado con
el resto. La información gossip es persistente localmente en cada nodo de forma que
pueda ser utilizada cuando un nodo se recupera y se reinserta en el anillo.

● Particionador: El nodo particionador determina cómo distribuir los datos a través de los
nodos del cluster y qué nodo, en un sistema replicado, debe contener la primera copia de
los datos. El particionador es en realidad una función hash que calcula el rango o token al
que corresponde cada clave insertada. Existen diferentes funciones hash seleccionables, el
particionador por defecto es de tipo Murmur3Partitioner.

● Factor de replicación: Indica el número total de réplicas que contiene un determinado


data center. Un factor de replicación 1 indica que únicamente se almacenará una copia de
los datos, 2 establece que se almacenarán dos copias cada una en un nodo diferentes, etc.
Todas las réplicas cumplen el mismo papel, no hay réplicas primarias o secundarias sino
que todas son accedidas por igual.

● Estrategia de distribución de réplicas: Cassandra almacena réplicas de los datos en


múltiples nodos para asegurar fiabilidad y tolerancia a fallos. La estrategia de replicación
define en qué nodos se almacena cada réplica existiendo dos tipos principales:

○ SimpleStrategy: En esta estrategia de replicación la primera copia de los datos se


localiza en un nodo del anillo seleccionado por el particionador y el resto de copias
se almacenan en los nodos siguientes siguiendo el sentido de las agujas del reloj. En
la FiguraXX se muestra un ejemplo de replicación en un anillo de 4 nodos
almacenando 3 copias de los datos.

EOI Escuela de Organización Industrial http://www.eoi.es


Cassandra 8

Figura 4: Ejemplo de anillo de nodos replicados con 4 nodos y 3 copias.

En el ejemplo el particionador ha determinado que los datos en el rango [A-B)


pertenecen al nodo 1, el rango [B,C) al nodo 2, el rango [C,D) al nodo 3 y los
comprendidos en [D,A) al nodo 4. Así, con la estrategia de replicación simple la
primera copia de A (A1) se almacena en el nodo 1, la segunda (A2) en el nodo 2 y la
tercera (A3) en el nodo 3. De forma equivalente, la primera copia de B (B1) se
almacena en el nodo 2, la segunda en el nodo 3 y la tercera en el nodo 4 y así
sucesivamente. En esta estrategia el único parámetro a determinar es el número de
copias de cada dato, que queda establecido en el parámetro replication_factor.

○ NetworkTopologyStrategy: Esta estrategia de replicación se emplea cuando el


anillo se distribuye en distintos data centers y se desea especificar cuántas réplicas
se almacenarán en cada uno de ellos. Las dos maneras principales de configurar un
escenario de este tipo son:

■ Dos réplicas en cada data center: De esta forma se tolera el fallo de un


único nodo por grupo de replicación permitiendo lecturas locales si se
selecciona un nivel de consistencia ONE. El nivel de consistencia es un
parámetro empleado en la escritura que determina cuántos nodos del
conjunto de replicación deben estar de acuerdo en la versión del dato para
ser considerado correctamente almacenado. Las posibles opciones en los
niveles de consistencia son:

Nivel Descripción

EOI Escuela de Organización Industrial http://www.eoi.es


Cassandra 9

La escritura debe realizarse en, al menos, un nodo. Según la


configuración es posible que, aún estando todos los nodos de
ANY replicación caídos, las escrituras sigan realizándose con éxito y sean
las lecturas las que queden bloqueadas hasta que algún nodo se
reponga. Es lo que se denomina hinted handoff.
Las escrituras deben realizarse en, al menos, el commit log y la tabla
ONE
de memoria de un nodo del conjunto de replicación.
Igual que el caso anterior pero el número de nodos debe llegar a
QUORUM
quorum, es decir (numero_nodos_total / 2)+1.
Igual que el caso anterior pero los nodos de replicación deben
LOCAL_QUORUM
pertenecer al mismo data center.
En este caso se debe cumplir la estrategia anterior en cada uno de los
EACH_QUORUM
data centers.
ALL La escritura debe realizarse en todos los nodos del conjunto de
replicación.

■ Tres réplicas en cada data center: En este caso se toleran fallos de un nodo
en cada conjunto de replicación con un nivel de consistencia de
LOCAL_QUORUM o la caída de múltiples nodos por data center con un nivel
de consistencia ONE.

En este caso es necesario indicar cuántas réplicas almacenará cada datacenter.

● Snitch: El snitch es el encargado de definir la topología de la red y la estrategia de


replicación. Debido a que monitoriza constantemente el estado del cluster es el encargado
de determinar qué nodo del conjunto de replicación debe servir una petición por razones
de rendimiento. Debe configurarse en el momento de la creación del cluster.

Referencias
● [1] Cassandra Chapter Three – Data Model. Code Project. 2012.
● [2] Architecture in brief. Datastax Documentation.

Para saber más


Aquí se puede ampliar la información sobre el funcionamiento interno de Cassandra.

EOI Escuela de Organización Industrial http://www.eoi.es

También podría gustarte

  • Campus Virtual 6 PDF
    Campus Virtual 6 PDF
    Documento8 páginas
    Campus Virtual 6 PDF
    kinyo12
    Aún no hay calificaciones
  • TI-GGP-01-02-V01 - Stakeholder
    TI-GGP-01-02-V01 - Stakeholder
    Documento285 páginas
    TI-GGP-01-02-V01 - Stakeholder
    kinyo12
    Aún no hay calificaciones
  • Banderas
    Banderas
    Documento2 páginas
    Banderas
    kinyo12
    Aún no hay calificaciones
  • 6 - Spark
    6 - Spark
    Documento28 páginas
    6 - Spark
    kinyo12
    Aún no hay calificaciones
  • 4 - HDFS
    4 - HDFS
    Documento8 páginas
    4 - HDFS
    kinyo12
    Aún no hay calificaciones
  • Recetas Dominicanas
    Recetas Dominicanas
    Documento5 páginas
    Recetas Dominicanas
    kinyo12
    Aún no hay calificaciones