存算分離，作為一種架構潮流，在架構設計和項目規劃的時候經常被提及。現如今，數字化轉型已經從選擇題變成了必修課，企業IT架構的重塑也勢在必行，所以我們有必要把這些所謂潮流的東西解構清楚。翻閱了不少資料，也參考了網上一些文章，我們簡單來分析一下。

一、計算與存儲為何要分離

在計算機中，我們所說的計算其實指的是由CPU和內存組成的算力單元，存儲指的是持久化的數據存放單元。從單體計算機的角度來講，計算存儲分離其實并不現實。我試想一下，如果將計算機的計算和存儲單元分開，指令都需要通過網絡來傳輸，以目前網絡的速度是很難與CPU計算速度相匹配的，所以從單體計算機的角度來講，計算與存儲分離是一個偽概念。

不管我們承認與否，其實是網絡一直在制約基礎IT架構的演進和發展，過去由于網絡帶寬的限制，我們習慣性的把計算和存儲偶合在一起，以減少網絡傳輸的壓力，比較典型的就是MapReduce和Hadoop，就是用本地IO代替網絡傳輸，是計算和存儲耦合在一起的典型場景。但是隨著網絡技術的發展，網絡帶寬和網絡質量已經不再是瓶頸，磁盤IO反而沒有明顯的增長，計算和存儲耦合在架構上的缺點也逐漸暴露出來：

1、耦合帶來資源浪費：作為底層的資源平臺，基礎IT環境的資源總是有限的，站在業務的角度是計算先達到瓶頸，還是存儲先達到瓶頸，他們的時間點是不一樣的。由于計算和存儲的耦合設計，無論擴計算還是擴存儲，都在會造成資源的浪費；

2、服務器款型繁雜，維護難度大：從運維的角度來講，降低服務器的款型是降低運維難度和工作量的有效手段。但是由于計算和存儲的耦合設計，隨著業務復雜度的增加和新業務線上的加快，對服務器資源配比的要求也會隨之增加，維護一個繁雜的服務器款型表可以是一件好玩的事情；

3、耦合造成擴容不便：計算和存儲耦合在一起還有另外一個壞處，那就是每次擴弄都需要考慮數據的遷移，給本來簡單的擴容工作帶來很多風險和不可控因素。

從上面的分析來看，架構不是一成不變的，會根據技術的發展和業務的發展進行演進和升級，計算和存儲的分離設計，就是在這樣一個背景下進入大家視野的。

二、計算與存儲分離的應用場景

計算和存儲分離主要應用在哪些方面呢，主要是數據庫和消息隊列：

1、數據庫

以傳統的主從結構的數據庫系統為例，主庫接收數據變更，從庫讀取binlog，通過重放binlog以實現數據復制。在這種架構下，當主庫負載較大的時候，由于復制的是binlog，需要走完相關事務，所以主從復制就會變得很慢。當主庫數據量比較大的時候，我們增加從庫的速度也會變慢，同時數據庫備份也會變慢，我們的擴容成本也隨之增加。因此我們也逐漸開始接受走計算和存儲分離的道路，讓所有的節點都共享一個存儲。也許我們對這樣的場景習以為常，其實這就是典型的計算和存儲分離設計，現在很多的數據庫都在逐漸向“計算和存儲分離”靠攏，包括現在的PolarDB、OceanBase ，TiDB等等。所以“計算和存儲分離”應該是未來數據庫的主要發展方向。

2、消息隊列

消息隊列不論是Kafka還是RocketMQ其設計思想都是利用本地機器的磁盤來進行保存消息隊列，這樣其實是由一定的弊端的。首先容量有限，本地空間畢竟容量有限很容易造成消息堆積，會導致我們要追溯一些歷史數據的時候就會導致無法查詢，然后在擴容的時候只能擴容新節點，擴展成本也比較高。針對這些問題ApachePulsar出現了。

在Pulsar的架構中，數據計算和數據存儲是單獨的兩個結構。數據計算也就是Broker，其作用和Kafka的Broker類似，用于負載均衡，處理consumer和producer等，如果業務上consumer和producer特別的多，我們可以單獨擴展這一層。數據存儲也就是Bookie，pulsar使用了Apache Bookkeeper存儲系統，并沒有過多的關心存儲細節。這樣做的好處就是，只需要關系計算層的細節和邏輯，存儲部分采用成熟的方案和系統。

其實Kafka也在向這些方面靠攏，比如也在討論是否支持分層存儲，但是是否會實現存儲節點的單獨設置也不一定，但“計算和存儲分離”的方向應該是消息隊列未來發展的主要方向。

三、大數據架構中的存算分離應用

傳統的大數據架構中，數據計算和存儲的資源都是共用的，比如CDH的集群配置，每個節點既是YARN計算節點又是HDFS存儲節點，其實這種設計也是源于Google的GFS。在Hadoop面世之初，網絡帶寬很低，為了減少大數據量的網絡傳輸，Hadoop采用了盡量使用節點本地存儲的設計，這就形成了計算和存儲耦合的架構。

近年來CPU算力和網絡速度增速遠快于存儲，數據中心有足夠的帶寬來傳輸數據，隨著數據量的增長，多副本的設計和考慮也造成了成本的飆升，計算和存儲綁定的設計實用性開始變差。隨著Spark和Flink等框架逐漸代替MapReduce，批處理和流處理同時共存，也改變了舊有的業務模型，這些都需要新的大數據架構去適配。計算和存儲分離的大數據架構開始進入視野。

現在很多新的大數據引擎都支持計算存儲分離，可以通過外部存儲引用的方式進行數據對接，而不是通過ETL加載到本地。Hadoop生態圈也開始擁抱計算與存儲分離，Hadoop除了HDFS之外還支持S3，用戶可以在私有云或者是公有云上運行Hadoop計算集群，連接共享存儲和云存儲。

這樣做的好處也是顯而易見的，首先是可以實現計算和存儲資源的單獨擴容，然后原本分散的數據實現集中存儲，打造統一數據湖。更重要的一點，可以真正實現大數據混合云，數據存儲保留在本地，機器學習等計算資源部署在公有云，既考慮了安全性，又實現了計算的敏捷。計算存儲的分離，也可以方便實現軟件版本的靈活管理，存儲部分求穩，要保持軟件版本的穩定，計算部分求快，可以通過數據沙盒和容器技術，實現不同算力模型的快速交付，各部分獨立升級互不影響。這樣我們積極可以，構建以企業數據湖為核心的穩態數據資源服務，構建以數據計算為核心的敏態數據能力服務，在實現數據治理的基礎上實現數據運營。