大数据存储系统的几个关键技术主要围绕着如何应对数据爆炸式增长和满足大数据存储系统的要求展开。关键技术领域包括高可用性的实现、低成本存储、高性能访问以及存储容量的优化等。
随着物联网、云计算和大数据技术的普及，数据的规模呈现指数级增长。根据文中提到的数据，2007年全球数据量为281EB（艾字节），到了2010年增长到1.2ZB（泽字节），2011年增长到1.8ZB，预计到2020年将达到35ZB。这样的数据量要求存储系统必须能够应对高并发的读写请求，并且保证数据的完整性与可用性。存储系统成为了整个数据处理链条中的重要环节，不仅承载着数据，还承载着将数据转化为信息、知识最终达到智慧的重要作用。
为满足大数据存储系统的要求，关键技术需要包含以下几个方面：
1. 高可用性技术：保证数据随时可访问且不丢失，是大数据存储系统的基本要求。高可用性主要依赖于以下技术实现：
- 多副本技术：通过在多个节点上保存数据的副本，如GFS（Google File System）、HDFS（Hadoop Distributed File System）、MooseFS等分布式文件系统，当一个副本失效时，系统可以使用其他副本快速恢复数据，确保服务不中断。但这种方法的缺点是需要额外的存储空间，造成存储效率降低和成本增加。
- 容灾技术：能够在数据中心遭受自然灾害、硬件故障或其他突发事件时，保证数据和服务的持续可用性。
2. 低成本存储技术：降低对磁盘容量的要求，减轻企业的存储成本负担，包括：
- 分布式RAID技术：将数据分布存储在不同节点上，使用冗余编码技术降低存储空间的浪费。
- 存储删冗技术：通过数据压缩和删除重复数据来减少存储空间的需求。
3. 高性能存储技术：提高数据访问速度，满足大数据环境下的数据处理需求，包括：
- 存储阵列扩展方法：通过增加存储阵列的规模提升存储系统的性能。
- 分级存储及其测试方法：通过将数据分类存储在不同级别的存储设备中，优化成本与性能的平衡。
此外，文章还提到了清华大学计算机系郑纬民教授开发的清华云存储MeePo系统，该系统利用上述关键技术，提供个人空间、社区空间和公共社区等服务，实现了文件数据的存储和共享。MeePo系统支持在线访问、同步、备份等操作，并根据不同需求采取不同的缓存策略，以增强用户体验。
在实现上述存储系统时，系统需要面对如何在保证数据高可用性的同时，最小化存储容量的需求问题。具体而言，就是如何在有限的存储空间内，通过合理的数据分布策略，实现故障容忍度（如两块硬盘或两台机器故障的情况下，系统能恢复所有文件内容）。
大数据存储系统的关键技术包含实现高可用性、低成本存储、高性能访问以及优化存储容量需求。通过采用多副本技术、容灾技术、分布式RAID技术、存储删冗技术、存储阵列扩展方法和分级存储等技术，大数据存储系统能够应对数据爆炸式增长带来的挑战，满足不同用户对存储系统的要求。
