分布式是大型架构核心，下面我详解分布式存储对象@mikechen
HDFS
HDFS 是 GFS 的开源实现，也是 Apache Hadoop 核心组件。
核心特点： 专为高吞吐量设计，而非低延迟访问。采用 “一次写入，多次读取” (WORM) 模型。
架构： NameNode (元数据) + DataNode (实际数据)。默认块大小为 128MB。
优势： 极强的横向扩展能力，能处理 PB 级数据，与 Spark、Hive 等大数据生态无缝集成。
局限： 无法像硬盘一样挂载（通常通过 API 访问）；同样存在 NameNode 内存瓶颈。
GFS
GFS 是分布式存储的开山之作，它是 Google 为解决海量搜索数据存储而设计的底层文件系统。
核心理念： 针对“超大文件”和“追加写（Append）”优化。
它假设硬件故障是常态，因此通过软件层面实现容错。
架构： Master-Slave 架构,一个 Master 节点管理元数据，多个 Chunkserver 存储 64MB 大小的分块。
特点： 它是闭源的，仅供 Google 内部使用，但其论文开启了整个大数据时代。
局限： 存在单点 Master 瓶颈，且不适合存储大量小文件（会导致元数据占用内存过多）。
Ceph
Ceph 不仅支持对象存储（RGW），还同时支持块存储（RBD）和文件存储（CephFS）。
核心原理： 采用 CRUSH 算法。
它不依赖传统的元数据服务器，而是通过计算直接确定数据存放位置，从而彻底解决了元数据瓶颈。
优势：
统一存储： 一个集群搞定三种存储需求，运维更统一。
高可靠： 无单点故障，支持强一致性（Strong Consistency）。
生态极佳： 与 OpenStack、Kubernetes（通过 Rook）集成非常紧密。
劣势： 架构极其复杂，学习曲线陡峭，对小文件的处理性能相对一般。
FastTFS
这是一个纯国产、轻量级的分布式文件系统，专门为互联网应用优化。
核心特点： 专门解决海量小文件（如：头像、缩略图、短视频）的存取问题。
架构： Tracker (调度中心) 和 Storage (存储节点)，不维护复杂的目录树，而是返回一个“文件索引”供前端访问。
优势： 极轻量，性能极高，没有 NameNode 那样的元数据压力，非常适合高并发的 Web 业务。
局限： 不支持标准的 POSIX 挂载，不支持目录操作，功能单一（仅限增删查）。