最近知乎上有个问题，分布式存储是什么？我做对象存储有一阵了，最开始只知道一些零散、分离的概念；随着开发、维护系统，慢慢的有了一些感觉，能在脑海中慢慢建立一些模型，将之前的了解的概念缀连起来；随着看的论文、开源系统越来越多，逐渐将这些连通分支勾连起来，形成一个小网。
总的来说，我们理解一个概念时，总会试图找到某个角度，并在脑中建立一个模型，以熟悉的模子去刻画他。下面以我一些浅薄的经验，从两方面来解释下分布式存储：用户侧和实现侧。因为在软件领域有个经典的拆解问题的角度：接口和实现分离。
用户侧
从用户侧来说，单个应用的数据越来越多，廉价商用单机存储难以满足。不断增大单机存储容量是一种思路，但是成本会成倍上升，而且总有上限。另一种思路就是集合很多机器对外提供服务。最传统的接口是文件系统和数据库，但其接口都较为复杂，实现不易。因此在分布式存储系统诞生之初，会寻求简化接口，以将精力放在处理分布式系统的带来的复杂性上。最早摸到数据存储瓶颈的大厂都有类似的选择，比如 Google 裁剪的文件系统 GFS，比如 Amazon 的对象存储 S3，比如 Facebook 的小文件存储 Haystack。随着分布式系统实践经验的不断累积，可以支持更复杂的接口实现，最近趋势是提供更丰富的接口以满足不同场景需求，比如满足缓存的分布式 KV（Tair，TiKV），满足通用需求的分布式文件系统（GlusterFS，CephFS，JuiceFS），满足关系存储的 NewSQL（TiDB，PolarDB）。
实现侧
从实现侧来说，数据如何分散到多机上去？最基本的分布式解决办法是将数据按一定尺寸进行分片（Partition），使得一个分片能被任何单机存下。当然在实现中，分片一般会更小。随着数据越来越多，分片会越来越多，需要的机器也就越来越多。但硬件有良品率和老化问题，单机发生概率虽然不大，但在海量机器的场景下就会成为问题。为了保障数据不丢，需要将每个分片做冗余处理，包括EC编码（纠删码）和多副本（replication）。多副本数据如何做同步，这又会引出分布式系统中经典的一致性问题。再展开就略晦涩了，有兴趣可以探讨。
小结
总结一下，从底层实现来看，分布式存储将数据存到多台机器上，并且解决可用性、可靠性和一致性等问题，近年来有很多实践经验，也慢慢沉淀出来了一些模式。以这些通用实现为底座，可以包装出不同的用户接口，比如文件系统，关系型数据库，对象存储等等，以满足不同用户海量数据的分布式存储、查询、处理等多元需求。
题图故事
2021 初春，北京居庸关隘，山桃盛开，粉团如雾
