A client accesses the filesystem on

A client accesses the filesystem on behalf of the user by communicating with the name‐
node and datanodes. The client presents a filesystem interface similar to a Portable
Operating System Interface (POSIX), so the user code does not need to know about the
namenode and datanodes to function.
Datanodes are the workhorses of the filesystem. They store and retrieve blocks when
they are told to (by clients or the namenode), and they report back to the namenode
periodically with lists of blocks that they are storing.
Without the namenode, the filesystem cannot be used. In fact, if the machine running
the namenode were obliterated, all the files on the filesystem would be lost since there
would be no way of knowing how to reconstruct the files from the blocks on the
datanodes. For this reason, it is important to make the namenode resilient to failure,
and Hadoop provides two mechanisms for this.
The first way is to back up the files that make up the persistent state of the filesystem
metadata. Hadoop can be configured so that the namenode writes its persistent state to
multiple filesystems. These writes are synchronous and atomic. The usual configuration
choice is to write to local disk as well as a remote NFS mount.
It is also possible to run a secondary namenode, which despite its name does not act as
a namenode. Its main role is to periodically merge the namespace image with the edit
log to prevent the edit log from becoming too large. The secondary namenode usually
runs on a separate physical machine because it requires plenty of CPU and as much
memory as the namenode to perform the merge. It keeps a copy of the merged name‐
space image, which can be used in the event of the namenode failing. However, the state
of the secondary namenode lags that of the primary, so in the event of total failure of
the primary, data loss is almost certain. The usual course of action in this case is to copy
the namenode’s metadata files that are on NFS to the secondary and run it as the new
primary. (Note that it is possible to run a hot standby namenode instead of a secondary,
as discussed in “HDFS High Availability” on page 48.)
See “The filesystem image and edit log” on page 318 for more details.
Block Caching
Normally a datanode reads blocks from disk, but for frequently accessed files the blocks
may be explicitly cached in the datanode’s memory, in an off-heap block cache. By
default, a block is cached in only one datanode’s memory, although the number is con‐
figurable on a per-file basis. Job schedulers (for MapReduce, Spark, and other frame‐
works) can take advantage of cached blocks by running tasks on the datanode where a
block is cached, for increased read performance. A small lookup table used in a join is
a good candidate for caching, for example.

Kết quả (Việt) 1:

Một khách hàng truy cập hệ thống tập tin là thay mặt cho người dùng bằng cách giao tiếp với name‐nút và datanodes. Khách hàng trình bày một hệ thống tập tin giao diện tương tự như một PortableHệ thống điều hành giao diện (POSIX), do đó, mã người dùng không cần phải biết về cácnamenode và datanodes hoạt động.Datanodes là workhorses hệ thống tập tin. Họ lưu trữ và truy xuất khối khihọ đang nói đến (bởi khách hàng hoặc namenode), và họ báo cáo lại cho namenodetheo định kỳ với danh sách của các khối mà họ đang lưu trữ.Không có namenode, Hệ thống tập tin không thể được sử dụng. Trong thực tế, nếu máy chạynamenode đã được xoá mờ, tất cả các tập tin trên hệ thống tập tin nào bị mất kể từ đósẽ không có cách nào của hiểu biết làm thế nào để tái tạo lại các tập tin từ các khối vào cácdatanodes. Vì lý do này, điều quan trọng là để làm cho namenode đàn hồi để thất bại,và Hadoop cung cấp hai cơ chế cho việc này.Cách thứ nhất là để sao lưu các tập tin mà làm nên trạng thái liên tục của hệ thống tập tinsiêu dữ liệu. Hadoop có thể được cấu hình để namenode viết trạng thái liên tục của nó đểnhiều hệ thống tập tin. Các viết được đồng bộ và nguyên tử. Cấu hình bình thườnglựa chọn là để ghi vào đĩa địa phương cũng như một gắn kết NFS từ xa.Nó cũng có thể chạy một namenode phụ, mà mặc dù tên gọi của nó không hoạt động nhưmột namenode. Vai trò chính của nó là để định kỳ kết hợp các hình ảnh không gian tên với chỉnh sửađăng nhập để ngăn không cho chỉnh sửa đăng trở nên quá lớn. Trung học namenode thườngruns on a separate physical machine because it requires plenty of CPU and as muchmemory as the namenode to perform the merge. It keeps a copy of the merged name‐space image, which can be used in the event of the namenode failing. However, the stateof the secondary namenode lags that of the primary, so in the event of total failure ofthe primary, data loss is almost certain. The usual course of action in this case is to copythe namenode’s metadata files that are on NFS to the secondary and run it as the newprimary. (Note that it is possible to run a hot standby namenode instead of a secondary,as discussed in “HDFS High Availability” on page 48.)See “The filesystem image and edit log” on page 318 for more details.Block CachingNormally a datanode reads blocks from disk, but for frequently accessed files the blocksmay be explicitly cached in the datanode’s memory, in an off-heap block cache. Bydefault, a block is cached in only one datanode’s memory, although the number is con‐figurable on a per-file basis. Job schedulers (for MapReduce, Spark, and other frame‐works) can take advantage of cached blocks by running tasks on the datanode where ablock is cached, for increased read performance. A small lookup table used in a join isa good candidate for caching, for example.

Kết quả (Việt) 2:

Một khách hàng truy cập vào hệ thống tập tin thay mặt của người sử dụng bằng cách giao tiếp với name
nút và datanodes. Các khách hàng trình bày một giao diện hệ thống tập tin tương tự như một di
Operating System Interface (POSIX), do đó, mã người dùng không cần phải biết về
namenode và datanodes hoạt động.
Datanodes là workhorses của hệ thống tập tin. Họ lưu trữ và lấy khối khi
họ đang nói đến (do khách hàng hoặc các namenode), và họ báo cáo lại cho namenode
định kỳ với các danh sách của các khối mà họ đang lưu trữ.
Nếu không có sự namenode, hệ thống tập tin không thể được sử dụng. Trong thực tế, nếu các máy tính chạy
các namenode đã được xóa sạch, tất cả các tập tin trên hệ thống tập tin sẽ bị mất đi vì có
thể sẽ không có cách nào biết làm thế nào để tái tạo lại các tập tin từ các khối trên
datanodes. Vì lý do này, điều quan trọng là làm cho namenode đàn hồi để thất bại,
và Hadoop cung cấp hai cơ chế này.
Cách thứ nhất là để sao lưu các tập tin mà tạo nên trạng thái liên tục của hệ thống tập tin
siêu dữ liệu. Hadoop có thể được cấu hình để các namenode viết bang dai dẳng của mình cho
nhiều hệ thống tập tin. Những ghi được đồng bộ và nguyên tử. Các cấu hình thông thường
lựa chọn là để ghi vào đĩa địa phương cũng như từ xa NFS mount.
Nó cũng có thể chạy một namenode thứ cấp, mà mặc dù tên của nó không hoạt động như
một namenode. Vai trò chính của nó là để định kỳ kết hợp các hình ảnh không gian tên với các chỉnh sửa
bản ghi để ngăn chặn việc chỉnh sửa bản ghi trở nên quá lớn. Các namenode thứ cấp thường
chạy trên một máy vật lý riêng biệt, vì nó đòi hỏi nhiều CPU và càng nhiều
bộ nhớ như là namenode để thực hiện việc hợp nhất. Nó giữ một bản sao của các gọi tên bố sáp nhập
hình ảnh không gian, có thể được sử dụng trong các sự kiện của sự thất bại namenode. Tuy nhiên, tình trạng
của namenode thứ chậm lại rằng trong những chính, do đó trong trường hợp thất bại của
các chính, mất dữ liệu là gần như chắc chắn. Lộ trình thông thường của hành động trong trường hợp này là để sao chép
các tập tin siêu dữ liệu của namenode được trên NFS đến trung học và chạy nó như mới
chính. (Lưu ý rằng nó có thể chạy một namenode nóng chờ thay vì một thứ,
như đã thảo luận trong "HDFS High Availability" trên trang 48.)
Xem "Những hình ảnh hệ thống tập tin và chỉnh sửa đăng nhập" trên trang 318 để biết thêm chi tiết.
Khối Caching
thường một datanode đọc toàn bộ khối từ đĩa, nhưng cho các tập tin thường xuyên truy cập các khối
có thể được lưu trữ một cách rõ ràng trong bộ nhớ của datanode, trong một khối bộ nhớ cache off-heap. Bởi
mặc định, một khối được lưu trữ trong bộ nhớ chỉ có một datanode, mặc dù số lượng là con-
figurable trên một cơ sở cho mỗi tập tin. Lập lịch công việc (đối với MapReduce, Spark, và khung khác
công trình) có thể tận dụng lợi thế của các khối cache bằng cách chạy các tác vụ trên datanode nơi một
khối được lưu trữ, để tăng hiệu suất đọc. Một bảng tra cứu nhỏ được sử dụng trong một gia là
một ứng cử viên tốt cho bộ nhớ đệm, ví dụ.