Nutch始于2002年一个试图解决大数据搜索的开源项目，经过十几年的发展与变革，已经形成围绕Hadoop产生的大数据生态圈，至今这个生态圈还在继续蓬勃发展，那么大数据能给DCIM带来了什么？或者说随着多年来，存储模式的不断演变，随着进入大数据变革时代，DCIM能够做些什么？DCIM大数据架构又发生了哪些演化？
DCIM现状
DCIM全称Data Center Infrastructure Management，即数据中心基础设施管理。DCIM是近几年逐步发展起来的热门课题，通过将传统机房监控和IT资产管理结合起来，采用一体化平台，实现数据中心资产资源统一管理。
目前进入的企业主要来源两大类：一类是专业厂商转型，包括：楼宇自控、安防、IT运维以及动力环境等专业厂商；另一类则是由传统的中小型机房监控厂商，通过扩大现有产品涵盖范围进入这个新兴领域。无论是上述哪种类型厂商推出的产品，都是经过有由小变大、由简单变复杂的演化过程，这其中经历过简单监控——流程化管理——多维度分析等主要过程，目前正在往大数据化、智能化分析方向发展。
单数据库模式
早期的机房监控一般规模都不大，传感器采集数量有限，所有数据都存储到一个数据库中，上世纪90年代中后期，这种基于C/S架构的单数库存储模式逐步成为主流。如图1.
图1 单数库模式
网络存储模式
进入2000年后，随着Web技术流行起来，逐步取代C/S成为主流架构。但是由于机房监控软件属于行业应用系统，对实时数据刷新有一定要求，因此大部分厂商在提供Web页面基础上，也提供了桌面客户端或者基于Java Applet技术的富客户端。Web用于呈现综合信息，而桌面客户端则倾向于呈现实时性要求较高的交互页面，图2描述了这种早期网络存储模式。
图2 早期网络存储模式
这种存储模式以数据库（Database）为中心，应用服务器（App Server）和桌面应用程序（Desktop App）直接连接数据库；而Web服务器（Web Server）和富客户端程序（Rich Internet App）则脱离数据库，直接连接应用服务器。
这种模式架构投入运行一段时间后，用户逐渐不再仅满足于获取告警和实时数据，一些高级用户希望能够将收集的所有历史数据，通过报表方式统计呈现出来，帮助他们进一步诊断故障原因或做一些科学分析。
① 垂直切分
考虑到历史库数据量会比较大，开发人员将原先的单一数据库进行垂直切分，分离出配置库、历史库和交换库，部署到不同的机器上以减轻数据库系统压力，如图3.各个库承担的角色如下：
（1）配置库（Config Database）用于存储系统运行环境和实体关联信息；
（2）历史库（History Database）用于存储实时数据和历史数据；
（3）交换库（Swap Database）又被称为临时库，用于存储复杂计算中间值或用于第三方对接系统数据交换。
图3 垂直切分后的网络存储模式
② 水平切分
当系统运行很长一段时间后（通常在两三年或者更长），运维人员发现历史库承载压力比较大，经常出现一些问题，比如：
（1）整个系统响应速度变慢了，用户操作体验变差；
（2）查询跨度较大的报表时，响应时间明显变长甚至出现超时故障。
为了解决这些问题，开发人员开始数据库进行水平切分，比如先对历史数据进行分类，然后为每一种类型实现按月、按年分表。
大数据混合存储模式
近两三年，随着大数据中心建设在全国各地范围内开始兴起，中小型机房监控系统逐步过渡到DCIM管理平台，不同于原有的监控系统，数据中心对新的平台要求更为严格，主要原因包括：
（1）高安全性。管理平台需要7*24小时不间断实时监控，不仅仅要在出现故障时能够立即做出响应，同时还要根据历史积累数据，在出现故障之前做出预警。
（2）规模较大。数据中心的机柜可能会达到几百、上千台，占地面积从一个独立的机房到整栋楼，这个是传统的中小型机房所不能比拟的。
（3）业务计算复杂。传统机房以实时监控为主，而DCIM平台主要目的就是帮助运维管理人员实现科学化、智能化管理。因此，增加了一些复杂的功能，比如：流程管理、告警预测以及大数据决策等，这些新兴业务会导致程序计算工作量成几何级基数增加。
综上所述，从机房监控走向DCIM管理平台后，以数据库为中心的存储模式已经很难适应平台化管理要求，因此引入新一代存储模式势在必行。
从2012年8月开始，Apache Hadoop YARN（Yet Another Resource Negotiator）成为Apache Hadoop的一项子工程，YARN提供了一种通用的资源管理和分布式应用框架。在这个框架上，用户可以根据自己需求，实现定制化的数据处理应用，包括Hadoop自身的 MapReduce，也包括Spark、Storm等新一代处理应用。Hadoop YARN架构已经成为当前主流，在这里我们以Hadoop技术为平台，介绍这种大数据混合存储模式架构，如图4.
如图 4 大数据混合存储模式
下面我将重点自下而上介绍这种混合存储模式架构：
（1）最底层由传统从关系型数据库（RDMS，Relational Database Management System）和Hadoop集群组成，关系型数据库继续用来储存配置信息，而历史数据则迁移到分布式文件存储系统（HDFS，Hadoop Distributed File System）上，由于HDFS提供的交互比较原始，上层数据交互方式可以选择Hive数据仓储（Data Warehouse）、Hbase数据库（Database）或者Spark RDD（resilientdistributed dataset）等高级接口。同时由于历史数据存储在Hadoop集群上，这些数据处理工作交由Hadoop应用（如分布式计算——Map/Reduce、并行计算——Spark或者实时计算——Storm）承担完成，原先的交换库（Swap Database）将从新式架构中移除。
（2）中间层采用了计算节点（Compute Node）集群方式，我们也可借助第三方开源工具（如ZooKeeper）实现这个过程。集群上运行的程序既包括传统应用服务器（App Server）和Web 服务器（Web Server），也包括与Hadoop应用协作的分析服务器（Analysis Sever）。
（3）顶层主要用来呈现，从承载方式看：主要包括Web浏览器、移动设备以及桌面应用等；从展示内容看，既包括传统的报表表格也包括组态和3D等新式交互体验。
ZNV中兴力维如何发力"数据中心"
在过去的两三年里，ZNV中兴力维专注于动环监控管理和视频监控产品的研发，这是两个相互独立的产业。随着数据时代的到来，企业的数据机房、电信运营商和互联网公司的大型数据中心（IDC），无时无刻不在存储和管理着大量的数据资源，而IDC需要配备大量动力环境设备和视频监控系统来确保IDC的正常运行。因 此，ZNV中兴力维提出在公司原有产品动环监控（PE）、视频监控（VS）基础上加入IT系统管理（ITSM）和基础设施资源管理（FRP），开发出一套数据中心基础设施综合管理系统（DCIM）。这套系统可以通过千万个感知设备采集到海量数据，并运用数据技术（DT）和机器深度学习，实现对动力和环境设 备的监控管理，以及对IDC资产、容量、安全、效率、质量、人员、故障、运维等进行跟踪管理和模型分析，从而为IDC提供一个高度自动化的、高效高质的、节能减排的，7*24小时无间断的运维管理。这也是中国制造2025和工业4.0的主要宗旨。
在IDC领域，ZNV中兴力维推出新一代"IDC智慧数据中心综合管理解决方案（维统管）"，采用创新的"211"（两端一线一平台）架构设计，实现大数据的采集、整合、传输，通过PC浏览器、移动终端APP、微信等多种方式对平台进行访问及数据交互，支持二次开发，在供电保障、智能安防、智能楼宇、容 量管理、资产管理等方面为客户提供整体解决方案。目前ZNV中兴力维已成为IDC基础设施的主要建设者之一。
未来，ZNV中兴力维的目标是PEIM，即动环及物联网综合管理系统，在现有的DCIM上增加数据技术（DT）和物联网（IoT）。在赋予所有感知设备一个 独一无二的IP地址后，PEIM可以对所有设施进行大量的有标记的数据采集，数据在经过清洗整理后，被传送到ZNV中兴力维的"深度认知（Deep Recongnition）"机器深度学习引擎进行学习和认知，帮助客户提供更高品质的服务。
热门专题
