大多數企業大數據應用案例尚處于實驗和試點階段，對于少數***在生產環境部署Hadoop系統的用戶來說，最常遇到的就是擴展問題，此類問題往往導致企業因噎廢食，終止大數據應用項目。

部署和擴展Hadoop系統是一件高度復雜的事情，如果用戶能提前對Hadoop擴展可能會遇到的各種問題和危險信號有所了解，就能避免很多“救火”場面。

以下是Hadoop大數據系統出現擴展問題的七大危險信號：

危險信號一: 永遠進入不了生產階段

大數據應用從概念驗證到生產環境是一個巨大的飛躍，Hadoop系統的可擴展性將面臨巨大的挑戰。生產環境的數據規模產生的一些問題實驗環境很難碰到。另外數據本身也存在差異，概念驗證階段使用的測試數據集往往是不真實的，或者類型單一。

在進入生產環境前，大數據團隊需要對Hadoop系統進行模擬真實數據規模的壓力測試，此類測試能夠檢驗大數據應用的可擴展性和容錯性能，還能幫你做出更加準確的性能(資源需求)規劃模型。

危險信號二: 分析計算任務不斷超時

當Hadoop集群中運行的大數據應用很少或者只有一個時，一切都行云流水，按部就班，但是隨著Hadoop集群的增長，數據分析任務的運行時間變得難以預測起來。一開始，只是有零星的超時現象，問題容易被忽視，但隨著時間增長，超時問題會越來越嚴重，***導致危機。

在危機爆發前，你必須提前采取行動，根據任務峰值調整計算性能規劃模型。

危險信號三: 你開始告訴人們不要保留所有數據

危機出現的另一個征兆是數據保留時間窗口不斷縮水。一開始你想保留13個月的數據進行年度分析。但是由于空間限制，你開始減少保留數據的月份數。到***，你的Hadoop系統因為沒有足夠多的數據而不再是“大數據”系統。

數據保留窗口的縮水是因為存儲的擴展性遇到問題，這與前面的計算性能問題類似。當你的容量預測模型出現問題時，需要盡快調整。

危險信號四: 數據科學家被“餓死”

任務負荷過重的Hadoop集群會扼殺創新，因為數據科學家們將沒有足夠的計算資源來開展大型任務，也沒有足夠的空間來存儲中間結果。

性能和容量規劃通常會忽略或者低估數據科學家的需求，在加之前面提到的對生產環境任務的估計不足，會嚴重限制數據科學家的開拓性和創新性工作。

危險信號五：數據科學家們開始查看Stack Overflow

在Hadoop系統部署的早期，你的運營團隊與科學家緊密協作。運營團隊隨時為數據科學家提供支持。(編者按：類似串聯的協作模式)但是當 Hadoop 系統成功上線后，系統的運維和擴展任務就會讓運營團隊疲于奔命，這時候數據科學家遇到Hadoop問題就只好自己解決，例如經常去技術問答網站Stack Overflow查看問題帖子。

危險信號六：數據中心越來越熱

數據中心服務器的電力都不是按服務器的功率峰值配置的，但是一個Hadoop集群運行任務的時候經常會連續“拷機”數小時，會燒壞功率不匹配的供電線路，同樣的問題也存在于制冷系統中。部署Hadoop系統時請確保數據中心支持其長時間全速運行。

危險信號七：費用超支

基于IaaS的Hadoop部署，例如AWS，在支出上是失控的。一個月的費用很有可能是上個月的三倍，遠遠超出你的預算。

性能規劃對于基于IaaS的Hadoop部署來說也是非常重要的，但是好的性能規劃只是開始，如果你需要擴展IaaS上的Hadoop系統，那么你需要學習Netflix在成本監控和優化系統上投入大量資金。