多服务实例如何平摊巨大的数据集

[JasonLaw]

假设我有一个数据集，刚开始这个数据集可能很小，但是最终会变得很大，例如{e1, e2, e3, ..., e1,000,000}。这个数据集中的元素可以被删除，新的元素也可以被加入到集合。

请问如何平摊数据集到多个服务实例呢？如何应对“元素被删除”和“添加新元素”等情况？

当然，服务实例的数量也是可变的，它会因为数据集的变化而变化。服务实例的数量变化时，应该怎么重新分布呢？

[zooo]

hadoop?

[liprais]

看你是要 share disk 还是 share nothing 了

[DoctorCat]

集群分区做 sharding，需要一个协调者来进行健康检查和读写请求路由；
重新分布涉及到数据迁移了，最好还是做冗余，例如 HDFS 那样。坏了的节点摘掉替换就好，然后再复制一份数据给新节点。

[user8341]

这题是要考察一致性哈希吧？

[DoctorCat]

对于重新分布，可以参考一致性 hash 和 Range based 策略

[xcstream]

这是个考试题 还是个实际项目

[yzbythesea]

Sharding & Circular Hashing

[xuanbg]

每个服务服务于固定大小的数据集就行了，譬如设定每个服务 10 万数据，那么数据量增加到 9 万的时候就启动第二台服务器，从第 100001 个数据开始就是第二台服务器的事情了。以此类推

[xuanbg]

至于删除后的空余位置，不多的话就空着好了。太多的话，可以参考磁盘文件系统的做法，给数据建立索引，然后就可以用空位填充新数据了。

[JasonLaw]

@zooo #1
@liprais #2
@DoctorCat #3
@user8341 #4
@yzbythesea #7
@xuanbg #8

谢谢大家的回复，有点思路了。

[JasonLaw]

@xcstream #6 实际项目遇到的问题，但是这个不重要呀。

[jones2000]

数据建索引， 索引数据单独存， 其他数据可以分开存到不同的服务器上，查询先查索引数据， 通过索引读取对应服务器上的数据。