Ventajas, desventajas y cuellos de botella de rendimiento de HBase

¿Qué es HBase?

HBase es una base de datos NoSQL de código abierto, distribuida y orientada a columnas que se ejecuta sobre el sistema de archivos distribuidos de Hadoop (HDFS). Modelada en Google Bigtable almacena datos en tablas formadas por familias de filas y columnas, y está diseñado para conjuntos de datos dispersos que pueden llegar a tener miles de millones de filas y millones de columnas.

A diferencia de una base de datos relacional, HBase no utiliza un esquema fijo ni ofrece un optimizador de consultas. En cambio, cada valor se identifica mediante una clave de fila, una familia de columnas, un calificador de columna y una marca de tiempo, lo que permite realizar lecturas y escrituras aleatorias en tiempo real con rapidez, incluso a gran escala.

Un clúster de HBase depende de algunos componentes centrales. El HMaster coordina el clúster y asigna regiones, los Region Servers almacenan y sirven los datos reales, y Apache guardián del zoológico tracks qué servidores están activos y ayuda con la conmutación por error. Debido a que se encuentra dentro del ecosistema Hadoop, HBase funciona con herramientas como MapReduce, Colmenay Pig para análisis por lotes. Para ver con más detalle el funcionamiento interno, consulte el Arquitectura de HBase.

Ventajas de HBase

Estas son las principales ventajas de usar HBase:

• Almacena conjuntos de datos muy grandes sobre HDFS y puede agregar y analizar miles de millones de filas almacenadas en tablas de HBase.
• La base de datos se puede compartir entre varios clientes en un entorno distribuido.
• La lectura y el procesamiento de datos requieren menos tiempo en comparación con los modelos relacionales tradicionales.
• Admite operaciones rápidas de lectura y escritura aleatorias.
• HBase se utiliza ampliamente para operaciones analíticas en línea.
• En aplicaciones bancarias, como las actualizaciones de saldo en tiempo real para cajeros automáticos, HBase gestiona de forma fiable grandes volúmenes de lecturas y escrituras.

Desventajas de HBase

Estas son las limitaciones importantes de HBase:

• HBase no sustituye por completo a los modelos relacionales tradicionales; algunas características relacionales no son compatibles.
• HBase no puede realizar funciones como SQLNo admite la estructura SQL, por lo que no tiene optimizador de consultas.
• HBase consume muchos recursos de CPU y memoria, con accesos de entrada o salida secuenciales de gran tamaño, mientras que los trabajos de MapReduce están limitados principalmente por E/S con memoria fija. La integración de HBase con trabajos de MapReduce puede generar latencias impredecibles.
• La integración de HBase con trabajos de Pig y Hive a veces puede causar problemas de memoria en el clúster.
• En un entorno de clúster compartido, la configuración requiere menos ranuras de tareas por nodo para asignar a los requisitos de CPU de HBase.

Cuellos de botella de rendimiento en HBase

HBase ofrece escalabilidad, pero varias decisiones arquitectónicas crean cuellos de botella en el rendimiento que los equipos deben tener en cuenta al planificar:

En un entorno de producción a gran escala, un clúster HBase puede abarcar miles de nodos, pero solo el HMaster actúa como maestro para todos los servidores de región esclavos. Si el HMaster falla, la recuperación puede tardar mucho tiempo, incluso si los clientes aún pueden acceder a un servidor de región. Es posible usar un maestro en espera, pero solo un HMaster está activo a la vez, y la activación del segundo HMaster tras un fallo no es instantánea. Por consiguiente, el HMaster se ha convertido en un cuello de botella de rendimiento reconocido.

HBase no admite directamente operaciones de unión o entre tablas. Las uniones se pueden implementar con MapReduce, pero esto añade un tiempo considerable de diseño y desarrollo, y algunas uniones de tablas resultan prácticamente inviables en HBase.

Migrar datos de un RDBMS externo a HBase generalmente requiere un nuevo diseño de esquema, y ​​ese proceso de migración puede llevar mucho tiempo. Las consultas también son difíciles: muchos equipos agregan una capa SQL como Apache Phoenix sobre HBase para poder leer y escribir datos con preguntas habituales.

HBase solo admite un índice único (la clave de fila actúa como clave primaria), por lo que las búsquedas en cualquier otro campo son lentas. Los equipos solucionan esto escribiendo código MapReduce o integrando Apache Solr y Apache Phoenix para la indexación secundaria.

• Los controles de seguridad para el acceso a datos por parte de múltiples usuarios han mejorado muy lentamente.
• HBase no admite completamente las claves parciales.
• Solo se permite un orden de clasificación predeterminado por tabla.
• Almacenar archivos binarios grandes en HBase es difícil.
• El almacenamiento de HBase limita las consultas y la ordenación en tiempo real.
• Las búsquedas por clave y las búsquedas por rango en el contenido de las tablas pueden limitar las consultas que deben ejecutarse en tiempo real.
• La indexación predeterminada no está presente; los programadores deben escribir código o scripts adicionales para agregarla.
• Los requisitos de hardware y la asignación de bloques de memoria hacen que el funcionamiento de HBase sea costoso.
• Un clúster distribuido necesita muchos servidores: nodos separados para el NameNode, los DataNodes, ZooKeeper y los servidores de región.
• Para un buen rendimiento se requieren máquinas con mucha memoria.
• El coste total y el mantenimiento son más elevados que en el caso de alternativas más sencillas.

HBase frente a RDBMS

El artículo compara repetidamente HBase con las bases de datos relacionales tradicionales. La siguiente tabla resume las principales diferencias para que pueda decidir qué modelo se ajusta mejor a su carga de trabajo:

En resumen, HBase prioriza la escalabilidad y el acceso en tiempo real, mientras que un sistema de gestión de bases de datos relacionales (RDBMS) prioriza las consultas avanzadas y la consistencia sólida. Elija HBase cuando el volumen de datos y el rendimiento de escritura superen la capacidad de una base de datos relacional.

Preguntas Frecuentes