使用Hadoop分布式文件系统检索云存储中的文件

摘 要 云存储系统被认为是一个具有独立存储服务器的大型存储系统。云存储提供的服务是，可以通过网络和其他经过身份验证的用户存储用户数据，可以轻松访问数据，Hadoop分布式文件系统用于存储大文件，并以非常高的带宽将这些文件检索到用户应用程序，Hadoop将文件分割成大块，并将它们分布在集群中的节点之间。当我们从云中检索数据时，减少计算和通信开销是非常重要的。为了减少通信开销，当用户要求数据文件时，服务器只能根据关键字发送最新的文件。由于所有者不需要维护文件的副本，所以只需要检查可用的文件。在HDFS中，并行完成计算，从而大大减少了执行时间。在提出的用于检索top-n文件的系统中，我们使用Hadoop分布式文件系统，从而大大减少了搜索时间和通信开销。

【关键词】云存储 HDFS 集群 关键字搜索

1 引言

云计算可以将客户端的数据存储在远程存储介质中，并在任何时候可以由用户检索数据。通过存储在云中，数据拥有者可以免费在自己的系统中维护数据的副本。但是存储所有者数据的服务器不一定被信任，为了提供保护，数据在外包到云端之前被加密。由于频繁的数据共享，这种方法在云环境中很难实现，可搜索的重新加密系统已经实现。在这种方法中，索引存储在主服务器中，数据分布到许多服务器。因此，这个系统在云存储环境中很难应用。为了在云存储中提供安全的数据，服务器提供了安全的存储空间，被称为云存储服务。为了利用这种安全的存储设备，使用的基本技术是分布式文件系统。

1.1 GFS

Google使用这种分布式文件系统提供安全的云存储。GFS包含三个组件，即客户端，主服务器和块服务器。

客户：代表应用程序与主服务器和块服务器通信。

主服务器：维护和管理文件系统原数据，如访问控制信息，名称空间，文件和块之间的映射信息以及块位置信息。 这些信息存储在主服务器的存储器中。它们几乎控制所有的系统功能，如创建块拷贝，返回可用的未使用的存储空间以及调整份数。

块服务器：块服务器管理存储的数据单元，并按照客户端的要求提供输入/输出数据。通过使用校验来识别数据错误。如果客户端想要存储文件，则客户端将文件详细信息发送到主服务器，主服务器又提供块服务器的位置。此外，如果客户端想要读取，则主服务器向客户端提供其中存储数据的块服务器位置。客户端然后与组块服务器进行通信并获取原始消息。

1.2 HDFS

Hadoop分布式文件系统（HDFS）的基本功能是可靠地存储大量数据，并以高带宽将这些数据发送给用户应用程序。在一个大集群中，数以千计的服务器处理直接连接的存储，并执行用户应用程序任务。Hadoop使用Map Reduce方法启用分布式系统，并为非常大的数据块分析和转换提供了基础。Hadoop的一个重要功能是将数据和分析分成数以千计的主机，并且并行执行所有应用程序计算，并且靠近其数据。Hadoop集群通过仅包括商品服务器来平衡计算和存储容量。

HDFS分别保存文件系统元数据和应用程序数据。为了存储元数据，使用称为名称节点的专用服务器，而使用称为数据节点的其他服务器来存储应用程序数据。基于TCP协议，所有服务器都完全连接。文件信息在多个数据节点上重复，可靠性如GFS。

HDFS的组件简介如下：

1.2.1 名称节点

HDFS命名空间包括目录和文件的哟谓峁埂8梦募分为大块。许多数据节点都可以独立地复制每个文件块。NameNode维护块到数据节点和命名空间树的映射。一个名称节点可用于每个集群。另一方面，每个群集可以拥有数千个数据节点和数万个HDFS用户，因为每个数据节点可能同时执行多个应用程序任务。

1.2.2 数据节点

数据节点上块的每个副本由本地文件系统中的两个文件表示。当第一个文件存储数据时，第二个文件存储包含数据的校验和的块的元数据。数据文件大小将等于块的原始大小，因此不需要增强的存储来匹配块大小。

1.2.3 HDFS客户端

在HDFS客户机中，一个端用于由用户应用程序访问文件系统。要访问数据，它提供文件系统界面。HDFS有读取，写入和删除文件等功能，也可以创建和删除目录。用户应用程序不需要知道文件系统元数据，因为存储位于不同的服务器上，或者该块具有多个副本。

2 存在问题

加密的云数据外包服务包括以下数据，即数据所有者，用户和云服务器。数据所有者拥有他与其他用户共享的各种数据的集合。由于他无法维护和处理用户每个请求的文件，他更愿意将这些文件外包给云服务器。但是这里的优先事项是信息不应该泄漏给任何人，也不应该泄漏给云服务器。因此，根据用户的要求，只能发送top-n个相关文件。为了确保数据的机密性，所有者在将它们外包到云服务器之前对其进行加密。由于计算在前n个文件中的文件的排名需要很多时间，在用户的每个请求上，服务器不会计算任何特定关键字的文件的排名。因此，在托管之前，数据所有者将首先创建一个可搜索的索引，该索引将由该特定关键字的每个文件的关键字文件ID和相关性分数组成。

3 实验设置

实验是在具有2个群集，cluster1和cluster2的云堆栈的Linux2，6x内核中实现的。所有者将数据存储在2个集群服务器中。Hadoop的性能主要取决于配置良好的软件层和精心设计的硬件资源，可以有效利用其CPU，内存，硬盘驱动器和网络带宽。

4 安全分析

我们提出的系统满足以下要求：

搜索速度：由于我们使用HDFS和B-tree数据结构在索引中存储和搜索关键字，搜索速度大大提高。

保密性：由于文件被加密，索引中的关键字被映射，所以没有信息泄漏。

通信效率：仅为用户请求检索前n个文件。因此，通信开销降低。

计算效率：由于文件被分组到集群中，创建索引的时间和文件排序的时间也减少了。

5 结论

本文列举了检索top-n文件的问题和满足所需要求的有效解决方案。所提出的模型是使用Hadoop分布式文件系统实现和测试的。通过使用我们的系统，搜索速度和通信开销大大降低。

参考文献

[1]严文中.分层结构CDN的负载均衡[J]. Modern Business Trade Industry，2009.

[2]王娟，赵问道.CDN内容路丨ll的负载均衡及网络分刘算法的研究[J].江南大学学报（自然科}版），2008.

[3]张淼.CDN系统中基于层次策略的负载均衡算法的研究与性能仿真[D].沈阳：东北大学，2010.

[4]赵问道.基于网络拓扑的CDN内容路由技术研究.浙江大学学报，2004，Vol.38：414-419.

[5]严文中.CDN负载均衡和内容路由研究.杭州：浙江大学（硕士学位论文），2005.

作者单位

国防科学技术大学计算机学院 湖南省长沙市 410000