数据中心网络架构（Fabric是否代表网络架构的未来）

本文目录

• Fabric是否代表网络架构的未来
• 数据中心网络中常用的拓扑结构---Fattree
• 移动网络分接入层，汇聚层，核心层，其中各层的主要设备是什么啊
• 数据中心是什么其系统结构和工作原理是怎样的呢
• 数据中心网络架构扁平化到两层的方式有何弊端

Fabric是否代表网络架构的未来

Fabric网络结构的关键之一就是消除网络层级的概念，传统的网络家后有三个层级-接入，汇聚以及核心。然而，随着虚拟化的广泛应用，虚拟交换机层又增加了两一个开关层。而随着刀片服务器的广泛应用，刀片式交换机也加入了第五层终端到终端的网络架构。

在建筑结构的架构关键概念之一是消除网络层的概念。传统的三个网络层-接入，汇聚，和核心是司空见惯。然而，随着虚拟化的广泛采用，虚拟交换机层又增加了另一个开关层。刀片服务器获得牵引力，刀片式交换机都加入了第五层到终端到终端的网络架构。

Fabric网络架构可以利用阵列技术来扁平化网络，可以将传统的三层结构压缩为二层，并最终转变为一层。

这项技术就是针对其3-2-1数据中心网络架构中的“1”。数据中心网络能够利用fabric技术实现扁平化，从而像一台逻辑设备一样工作，并通过实现任意点之间的连接来消除复杂性和延迟，同时降低购置、运营和管理成本。简单、灵活的Fabric架构由三个模块组成——F/Node、F/Interconnect和F/Director。这些组件相互协作，能够实现任意端口之间的连接，以支持数据中心范围内的“一跳”式流量传输，以及L2和L3功能。“一跳”式架构意味着，任何资源(如虚拟机或数据库)之间不过是“一跳”的距离。因此，应用性能将得到极大地提高，而且不再依赖其在数据中心的位置。

fabric实现了高性能和易管理性;它除了提供一台交换机的运行简单性和性能外，还提供一个完整网络所具有的规模(超过6000个端口)和永续性。当低效的传统数据中心网络在采用Fabric技术后，企业就能顺利地在数据中心建设更大的存储和计算资源池，以充分发挥虚拟化的效力。

数据中心网络中常用的拓扑结构---Fattree

移动网络分接入层，汇聚层，核心层，其中各层的主要设备是什么啊

核心层：核心层是网络的高速交换主干，对整个网络的连通起到至关重要的作用。核心层应该具有如下几个特性：可靠性、高效性、冗余性、容错性、可管理性、适应性、低延时性等。在核心层中，应该采用高带宽的千兆以上交换机。

因为核心层是网络的枢纽中心，重要性突出。核心层设备采用双机冗余热备份是非常必要的，也可以使用负载均衡功能，来改善网络性能。

汇聚层：汇聚层是网络接入层和核心层的“中介”，就是在工作站接入核心层前先做汇聚，以减轻核心层设备的负荷。

汇聚层具有实施策略、安全、工作组接入、虚拟局域网（VLAN）之间的路由、源地址或目的地址过滤等多种功能。在汇聚层中，应该选用支持三层交换技术和VLAN的交换机，以达到网络隔离和分段的目的。

接入层：接入层向本地网段提供工作站接入。在接入层中，减少同一网段的工作站数量，能够向工作组提供高速带宽。接入层可以选择不支持VLAN和三层交换技术的普通交换机。

扩展资料

三层网络结构基于性能瓶颈和网络利用率等等的原因，资深的网络设计师都在探索新的数据中心的拓扑结构。

三层网络结构数据中心网络传输模式是不断地改变的。大多数网络都是纵向（north-south）的传输模式---主机与网络中的其它非相同网段的主机通信都是设备-交换机-路由到达目的地。同时，三层网络结构在同一个网段的主机通常连接到同一个交换机，可以直接相互通讯。

然而，三层网络结构现代数据中心的计算和存储基础设施，主要网络流量模式从已经不止是单纯的不同网段之间通讯。三层网络结构内外网的通讯、网络段分布在多个接入交换机，要求主机通过网络互连等这些环境。这些三层网络结构网络环境的变化催生了两种技术趋势：网络收敛和虚拟化。

网络收敛：三层网络结构中，储存网络和通信网络在同一个物理网络中。主机和阵列之间的数据传输通过储存网络来传输，在逻辑拓扑上就像是直接连接的一样。如ISCSI等。

虚拟化：将物理客户端向虚拟客户端转化。虚拟化服务器是未来发展的主流和趋势，它将使三层网络结构的网络节点的移动变得非常简单。

横向网络（east-west）在纵向设计的三层网络结构中传输数据会带有传输的瓶颈，因为数据经过了许多不必要的节点（如路由和交换机等设备）。如果三层网络结构上主机需要通过高速带宽相互访问，但通过层层的uplink口，会导致潜在的、而且非常明显的性能衰减。

三层网络结构的原始设计更会加剧这种性能衰减，由于生成树协议会防止冗余链路存在环路，双上行链路接入交换机只能使用一个指定的网络接口链接。

虽然增大内部交换层的带宽有助于改善三层网络结构的传输阻塞，但这样受益的只是一个节点。E-W模式中主机之间的的数据传输并非同一时间只是存在两个节点之间。相反，三层网络结构数据中心中的主机之间在任何时间都有数据传输的。因此，三层网络结构增加带宽这种高成本低效率的投资只是治标不治本。

参考资料来源：百度百科-三层网络结构

参考资料来源：百度百科-汇聚层

参考资料来源：百度百科-接入层

数据中心是什么其系统结构和工作原理是怎样的呢

一直想整理一下这块内容，既然是漫谈，就想起什么说什么吧。我一直是在互联网行业，就以互联网行业来说。
先大概列一下互联网行业数据仓库、数据平台的用途：

• 整合公司所有业务数据，建立统一的数据中心；

• 提供各种报表，有给高层的，有给各个业务的；

• 为网站运营提供运营上的数据支持，就是通过数据，让运营及时了解网站和产品的运营效果；

• 为各个业务提供线上或线下的数据支持，成为公司统一的数据交换与提供平台；

• 分析用户行为数据，通过数据挖掘来降低投入成本，提高投入效果；比如广告定向精准投放、用户个性化推荐等；

• 开发数据产品，直接或间接为公司盈利；

• 建设开放数据平台，开放公司数据；

• 。。。。。。



• 上面列出的内容看上去和传统行业数据仓库用途差不多，并且都要求数据仓库/数据平台有很好的稳定性、可靠性；但在互联网行业，除了数据量大之外，越来越多的业务要求时效性，甚至很多是要求实时的 ，另外，互联网行业的业务变化非常快，不可能像传统行业一样，可以使用自顶向下的方法建立数据仓库，一劳永逸，它要求新的业务很快能融入数据仓库中来，老的下线的业务，能很方便的从现有的数据仓库中下线；


• 其实，互联网行业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务；


• 建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。应对这种情况，一般是先将核心的持久化的业务进行深度建模（比如：基于网站日志建立的网站统计分析模型和用户浏览轨迹模型；基于公司核心用户数据建立的用户模型），其它的业务一般都采用维度+宽表的方式来建立数据模型。这块是后话。


• 整体架构下面的图是我们目前使用的数据平台架构图，其实大多公司应该都差不多：



请点击输入图片描述

• 逻辑上，一般都有数据采集层、数据存储与分析层、数据共享层、数据应用层。可能叫法有所不同，本质上的角色都大同小异。


• 我们从下往上看：


• 数据采集数据采集层的任务就是把数据从各种数据源中采集和存储到数据存储上，期间有可能会做一些简单的清洗。


• 数据源的种类比较多：



• 网站日志：



• 作为互联网行业，网站日志占的份额最大，网站日志存储在多台网站日志服务器上，


• 一般是在每台网站日志服务器上部署flume agent，实时的收集网站日志并存储到HDFS上；



• 业务数据库：



• 业务数据库的种类也是多种多样，有Mysql、Oracle、SqlServer等，这时候，我们迫切的需要一种能从各种数据库中将数据同步到HDFS上的工具，Sqoop是一种，但是Sqoop太过繁重，而且不管数据量大小，都需要启动MapReduce来执行，而且需要Hadoop集群的每台机器都能访问业务数据库；应对此场景，淘宝开源的DataX，是一个很好的解决方案（可参考文章 《异构数据源海量数据交换工具-Taobao DataX 下载和使用》），有资源的话，可以基于DataX之上做二次开发，就能非常好的解决，我们目前使用的DataHub也是。


• 当然，Flume通过配置与开发，也可以实时的从数据库中同步数据到HDFS。



• 来自于Ftp/Http的数据源：



• 有可能一些合作伙伴提供的数据，需要通过Ftp/Http等定时获取，DataX也可以满足该需求；



• 其他数据源：



• 比如一些手工录入的数据，只需要提供一个接口或小程序，即可完成；


• 数据存储与分析毋庸置疑，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。


• 离线数据分析与计算，也就是对实时性要求不高的部分，在我看来，Hive还是首当其冲的选择，丰富的数据类型、内置函数；压缩比非常高的ORC文件存储格式；非常方便的SQL支持，使得Hive在基于结构化数据上的统计分析远远比MapReduce要高效的多，一句SQL可以完成的需求，开发MR可能需要上百行代码；


• 当然，使用Hadoop框架自然而然也提供了MapReduce接口，如果真的很乐意开发Java，或者对SQL不熟，那么也可以使用MapReduce来做分析与计算；Spark是这两年非常火的，经过实践，它的性能的确比MapReduce要好很多，而且和Hive、Yarn结合的越来越好，因此，必须支持使用Spark和SparkSQL来做分析和计算。因为已经有Hadoop Yarn，使用Spark其实是非常容易的，不用单独部署Spark集群，关于Spark On Yarn的相关文章，可参考：《Spark On Yarn系列文章》


• 实时计算部分，后面单独说。


• 数据共享这里的数据共享，其实指的是前面数据分析与计算后的结果存放的地方，其实就是关系型数据库和NOSQL数据库；


• 前面使用Hive、MR、Spark、SparkSQL分析和计算的结果，还是在HDFS上，但大多业务和应用不可能直接从HDFS上获取数据，那么就需要一个数据共享的地方，使得各业务和产品能方便的获取数据； 和数据采集层到HDFS刚好相反，这里需要一个从HDFS将数据同步至其他目标数据源的工具，同样，DataX也可以满足。


• 另外，一些实时计算的结果数据可能由实时计算模块直接写入数据共享。


• 数据应用

• 业务产品



• 业务产品所使用的数据，已经存在于数据共享层，他们直接从数据共享层访问即可；



• 报表



• 同业务产品，报表所使用的数据，一般也是已经统计汇总好的，存放于数据共享层；



• 即席查询



• 即席查询的用户有很多，有可能是数据开发人员、网站和产品运营人员、数据分析人员、甚至是部门老大，他们都有即席查询数据的需求；


• 这种即席查询通常是现有的报表和数据共享层的数据并不能满足他们的需求，需要从数据存储层直接查询。


• 即席查询一般是通过SQL完成，最大的难度在于响应速度上，使用Hive有点慢，目前我的解决方案是SparkSQL，它的响应速度较Hive快很多，而且能很好的与Hive兼容。


• 当然，你也可以使用Impala，如果不在乎平台中再多一个框架的话。



• OLAP



• 目前，很多的OLAP工具不能很好的支持从HDFS上直接获取数据，都是通过将需要的数据同步到关系型数据库中做OLAP，但如果数据量巨大的话，关系型数据库显然不行；


• 这时候，需要做相应的开发，从HDFS或者HBase中获取数据，完成OLAP的功能；


• 比如：根据用户在界面上选择的不定的维度和指标，通过开发接口，从HBase中获取数据来展示。



• 其它数据接口



• 这种接口有通用的，有定制的。比如：一个从Redis中获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。


• 实时计算现在业务对数据仓库实时性的需求越来越多，比如：实时的了解网站的整体流量；实时的获取一个广告的曝光和点击；在海量数据下，依靠传统数据库和传统实现方法基本完成不了，需要的是一种分布式的、高吞吐量的、延时低的、高可靠的实时计算框架；Storm在这块是比较成熟了，但我选择Spark Streaming，原因很简单，不想多引入一个框架到平台中，另外，Spark Streaming比Storm延时性高那么一点点，那对于我们的需要可以忽略。


•  我们目前使用Spark Streaming实现了实时的网站流量统计、实时的广告效果统计两块功能。


• 做法也很简单，由Flume在前端日志服务器上收集网站日志和广告日志，实时的发送给Spark Streaming，由Spark Streaming完成统计，将数据存储至Redis，业务通过访问Redis实时获取。


• 任务调度与监控在数据仓库/数据平台中，有各种各样非常多的程序和任务，比如：数据采集任务、数据同步任务、数据分析任务等；


• 这些任务除了定时调度，还存在非常复杂的任务依赖关系，比如：数据分析任务必须等相应的数据采集任务完成后才能开始；数据同步任务需要等数据分析任务完成后才能开始； 这就需要一个非常完善的任务调度与监控系统，它作为数据仓库/数据平台的中枢，负责调度和监控所有任务的分配与运行。


• 前面有写过文章，《大数据平台中的任务调度与监控》,这里不再累赘。


• 总结在我看来架构并不是技术越多越新越好，而是在可以满足需求的情况下，越简单越稳定越好。目前在我们的数据平台中，开发更多的是关注业务，而不是技术，他们把业务和需求搞清楚了，基本上只需要做简单的SQL开发，然后配置到调度系统就可以了，如果任务异常，会收到告警。这样，可以使更多的资源专注于业务之上。

数据中心网络架构扁平化到两层的方式有何弊端

虚拟化技术的普及给网络流量带来了新的压力，迫使IT部门重新审视现有的传统三层网络解决方案。这些分层网络的设计特性使得创建阻塞和延迟变得容易，而提供的冗余功能非常原始。

网络传统结构是路由器到中央交换机连接到分支开关。而网络扁平化是没有这个结构的，而是路由器直接到交换机，交换机到工作站，然后交换机连接到另一个交换机，而交换机也直接与工作站连接。如果您需要添加一个工作站，只需要增加一个交换机就好。扁平化取消了汇聚层，使施工简单，网络扩容简单了不少。

目前，思科、JUNIPER、甚至H3C已经提出将传统的数据中心网络结构从三层或多层降低到较低的层次。这种方法的优点和缺点是什么?适用场景的要求是什么?

聚合层交换比很容易过高，并且在高峰网络流量期间容易出现网络拥塞。收敛层交换机端口数量增加，价格高，数据中心成本增加。对于设备本身，其转发机制、计算能力，甚至更高的产品架构要求，设备损耗的老化速度更快。

在网上有一观点，扁平化的层次结构可以减少服务器的网络接口，这是数量的主要优势(节省资金)，但是缺点是没有明确的层次，部署维护的复杂性也会相应提高。数据中心交换网络采用两层结构，企业网络/校园网采用三层或多层结构，主要由应用需求决定，取决于企业的应用程度。