Kudu[1]是Apache下一个新开源产品，其介绍
A new addition to the open source Apache Hadoop ecosystem, Apache Kudu (incubating) completes Hadoop's storage layer to enable fast analytics on fast data.
其目标是很快的分析数据，在多处的介绍里面也看到其希望弥补HDFS和HBase之间的gap，前者是重离线批量，后者中在线随机，今天看了下Kudu的论文[2]，记录感想。
其在文章开始说如果用户想完成数据在线写入，然后又要分析，没有一个独立的软件能够完成（关系数据库就没提了，其实有些写入能力还是可以的，比如TokuDB），常见的架构是写入HBase然后导入到HDFS分析，或者写入Kafka，然后分别分入HBase和HDFS进行分析，作者认为这种架构有如下不足：
1. 复杂：这不用讲了，几个大家伙一起肯定不是那么好搞懂的；
2. 安全：猜测作者主要意思是数据在各个组件间流动，那么如果有一款组件安全性做的不好，就有导致数据泄露的风险；
3. 一致性：上面方案中的数据同步机制一般都是通过异步队列进行的，存在一定的延时性，所以数据源和数据目标之间会有一部分数据不一致；
4. 时效性：跟一致性是类似问题，因为是异步队列或者定期拉数据，那么就不能实时的分析此类的数据。
所以他们就要做一款完整解决上面问题的产品了，Kudu大羚羊诞生。
Kudu从整体看是列存储，就是列数据之间是分开存储的，这样扫描的时候如果只需要扫描部分列就会比较快（大块扫描场景）；
Kudu是强schema的，这样系统就有了更多的信息，可以进行更好的编码压缩，比如bitvector之类的，都是传统数据库早就发明的；
Kudu支持range和hash两种方式对数据进行分片，这是个用户友好的选择，技术方案上差别不大；
Kudu没有使用类似HDFS的共享存储，而是自己管理磁盘，这当然利于做将事情做到极致且利于快速推进，不过自己管理磁盘，数据复制也不是那么容易的。
Kudu支持基于Raft协议提高可用性，支持动态增加、减少replica个数。这个好理解，反正存储都自己做了，一个完全的垂直产品，搞Raft是天经地义，MySQL兄弟们啥时候推出来这个？
Kudu支持MVCC做事务控制，不过事务这一段写的太模糊，写了靠token机制，也写了靠类似Spanner的commit-wait（根本上来说，同步只有两种，一种是消息，就是给你打个电话告诉你点事情；一种基于一个共同的时间，比如约定7点开战，commit wait是后一种），不知道到底要干嘛。
文中看到了一个东西叫做Fractured Mirrors（很早别人提的）, 这个想法实在妙，三份replica的底层存储引擎可以不同，比如replica A更好的支持随机读，replica B更好的支持批量读，这样就可以在不同的场景中充分的利用各个replica的能力，在产品架构上，分层和垂直的设计半斤八两不分上下。
Kudu对PK做了唯一性约束，也就是每次写会检查是否存在，是在引擎层做的，这似乎不是个很好的设计，做的太硬了。
Kudu也要做compaction来移除无效数据，或者整理数据以便优化读，这里其将数据文件切小，再加上很好的优先级控制和一些启发式算法，对各个replica的时机也做控制，那么还是能做到尽量少的影响业务。
整体而言，Kudu似乎想做一个集合OLTP/OLAP的东西，在线写入，高可用，可选的一致性，即时快速的扫描分析，好嘛。大一统的产品能不能做成要打个问号，不过我个人倒觉得如果沿着这条路，MySQL类似的产品们希望更大。
[1] Kudu: http://getkudu.io/
[2] Kudu 论文：http://getkudu.io/kudu.pdf
