光环大数据的大数据培训班，只聘请精英讲师，确保教学的整体质量与教学水准，讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需，通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。
深圳大数据培训告诉你Druid 的三个设计原则，深圳大数据培训(光环大数据)专家就针对Druid 的三个设计原则这一问题做一个详细的分解。希望能在工作中对你有所帮助！
在计划之初，开发人员确定了三个计划准则（Design Principle）。
（1）快速盘问（Fast Query）：部分数据的聚合（Partial Aggregate）+内存化（In-emory）+索引（Index）。
（2）水平扩展能力（Horizontal Scalability）：分布式数据（Distributed Data）+ 并行化盘问（Parallelizable Query）。
（3）实时阐发（Realtime Analytics）：弗成变的曩昔，只追加的未来（Immutable Past，Append-Only Future）。
1 快速盘问（Fast Query）
对于数据阐发场景，大部分情况下，我们只关心一定粒度聚合的数据，而非每一行原始数据的细节情况。因此，数据聚合粒度能够或者是1 分钟、5 分钟、1 小时或1 天等。部分数据聚合（Partial Aggregate）给Druid 争夺了很大的性能优化空间。
数据内存化也是提高盘问速度的杀手锏。内存和硬盘的访问速度相差近百倍，但内存的大小是非常无穷的，因此在内存利用方面要风雅计划，比如Druid 表面利用了Bitmap 和各种压缩技巧。
别的，为了支持Drill-Down 某些维度，Druid 保护了一些倒排索引。这类方法能够或者加速AND 和OR 等打算把持。
2 水平扩展能力（Horizontal Scalability）
Druid 盘问性能在很大水平上依赖于内存的优化利用。数据能够或者分布在多个节点的内存中，因此当数据增长的时候，能够或者经过进程简略增长机械的方法结束扩容。
为了坚持均衡，Druid按照时间规模把聚合数据结束分区处理。对于高基数的维度，只按照时间切分有时候是不足的（Druid 的每个Segment 不超过2000 万行），故Druid 还支持对Segment 进一步分区。
历史Segment 数据能够或者保存在深度存储系统中，存储系统能够或者是当地磁盘、HDFS 或远程的云做事。假如某些节点呈现毛病，则可借助Zookeeper 协调别的节点重新布局数据。
Druid 的盘问模块能够或者感知和处理集群的状态变革，盘问总是在有用的集群架构中结束。集群上的盘问能够或者结束灵活的水平扩展。Druid 内置供应了一些随意马虎并行化的聚合把持，比喻Count、Mean、Variance 和别的盘问统计。
对于一些无法并行化的把持，比喻Median，Druid暂时不供应支持。在支持直方图（Histogram）方面，Druid 也是经过进程一些类似打算的方法结束支持，以担保Druid 全部的盘问性能，这些类似打算方法还包含HyperLoglog、DataSketches的一些基数打算。
3 实时阐发（Realtime Analytics）
Druid 供应了包含基于时间维度数据的存储做事，并且任何一行数据都是历史真实发生的事件，因此在计划之初就约定事件一但进入系统，就不能再改变。
对于历史数据Druid 以Segment 数据文件的方法结构，并且将它们存储到深度存储系统中，比喻文件系统或亚马逊的S3 等。当需要盘问这些数据的时候，Druid 再从深度存储系统中将它们装载到内存供盘问利用。
想知道更多关于IT行业的信息吗？想远远不如行动，行动起来，一起加入光环大数据，一起进入IT行业，跟着光环大数据的脚步，一起走进如今的互联网信息时代，带给你不一样的色彩生活——【深圳大数据培训】
