随着大数据与云计算的发展，分布式存储成为支撑海量数据的核心技术@mikechen
HDFS
HDFS 是 GFS 的开源实现，已成为大数据生态的标准。
核心定位：大规模离线批处理存储（Hadoop 生态的标准文件系统）。
架构要点：NameNode 负责元数据和命名空间，DataNode 存数据块。
三副本等机制保证容错和高可用，高吞吐顺序读写优先于低延迟访问。
优点
非常适合 TB–PB 级大文件顺序读写，吞吐高。
简化一致性模型（一次写入，多次读取，追加为主），易扩展，容错性强，可跑在廉价机器上。
与 Hadoop/Spark 等大数据组件深度集成。
缺点
不适合低延迟访问，更多是批处理场景。
不适合海量超小文件，元数据压力大。
典型场景
ETL、数据仓库、离线统计、日志分析、推荐/广告模型训练等大数据平台底座。
GFS
GFS 是分布式存储的鼻祖，专为 Google 内部的海量搜索索引数据设计。
核心架构：单 Master + 多 ChunkServer，将大文件切分成 64MB 的 Chunk。
优点：
针对大文件顺序读写进行了极致优化。
极简的中心化管理，元数据处理效率高。
缺点：
单点故障风险：早期依赖单 Master（后有优化）。
不适合小文件：小文件过多会导致 Master 内存压力巨大。
典型场景：离线大数据处理、日志分析。
Ceph
Ceph 是一种统一分布式存储系统，同时支持对象存储、块存储和文件存储。
核心架构：无中心化架构，使用 CRUSH 算法计算数据存放位置，彻底解决了元数据服务器的性能瓶颈。
优点：高度可扩展、无单点瓶颈（依赖 CRUSH 映射），适合云平台与企业级存储。
缺点：部署与调优复杂，学习曲线较陡。
在极端小文件、或极低延迟需求下需精心配置，故障恢复与网络性能敏感。
FastTFS
FastDFS 是一款轻量级的开源分布式文件系统，专为解决“海量小文件”存储而生。
核心架构：Tracker（调度）+ Storage（存储）。
优点：
轻量简单：架构简洁，非常适合中小型互联网项目。
小文件优化：在处理图片、短视频、文档附件时效率极高。
线性扩容：支持分卷（Group）模式。
缺点：
不支持 POSIX 接口：无法像本地磁盘一样挂载。
功能单一：仅支持文件存取，不支持分块处理超大文件。
典型场景：电商图片库、社交平台头像、移动端附件存储。