Hadoop作为一种广泛使用的开源分布式存储与计算框架，由Apache软件基金会开发，旨在对大数据集进行处理，尤其适用于在大量计算节点组成的分布式环境中，处理海量数据集。Hadoop的设计借鉴了Google在大规模数据处理方面的经验，它基于MapReduce编程模型，而MapReduce模型则由两个核心操作组成：Map（映射）和Reduce（化简）。这种模型允许开发者编写简单的代码来并行处理大量数据。
Hadoop框架由两部分核心构成：Hadoop分布式文件系统（HDFS）和MapReduce引擎。HDFS负责存储数据，提供高吞吐量的数据访问；而MapReduce引擎负责并行处理数据。Hadoop的MapReduce模型是通过在集群中的多个节点上分布式地运行任务来实现数据的并行处理，它可以实现自动地进行任务分配和监控任务的执行，并且能够容错。
在多数据中心环境中，传统Hadoop的局限性主要体现在以下几点：第一，Hadoop通常运行于局域网内，不适合跨多个地理位置分布的数据中心；第二，Hadoop缺乏用户安全机制，容易导致数据安全问题；第三，其任务调度策略与数据无关，不具备智能地将任务分配到相关数据所在的计算节点的能力。
针对这些局限性，研究者吴爱芝提出了层次化Hadoop分布式计算框架，通过虚拟HDFS文件视图实现全局数据的访问，使得任务能够被分配到包含相关数据的数据中心所在的计算节点上，从而实现数据的就近计算。这个框架包括主从模式的分布式计算架构，即MasterNode和多个SlaveNode，通过资源调度和任务管理，保证任务的合理分配与执行。
层次化Hadoop分布式计算框架的一个关键组件是VirtualHDFS，它不直接存储数据，而是存储全局数据文件的元信息。这些信息涉及到数据文件的位置、属性等元数据信息。VirtualHDFS通过记录各个数据中心上所有数据的元数据信息，使得任务调度器可以智能地进行任务分配。另外，VirtualHDFS中的信息需要通过各个数据中心上的HDFS文件系统定期更新，以保证数据的准确性和时效性。
在实际应用中，层次化Hadoop分布式计算框架能够解决多数据中心环境中的数据访问和处理问题，将大规模数据集并行处理，从而实现更高的数据吞吐能力和处理能力。它在空间大数据处理方面有着重要应用价值，特别是在需要处理跨地域分布的大型数据集时，该框架能够显著提高处理效率和效果。
除此之外，该框架的构建也借鉴了网格计算的思想与方法，构建统一的资源管理和任务调度层，以此汇集集群硬件资源，记录数据中心信息，并且通过数据驱动的方式来统一匹配和调度处理资源。这种总体架构允许在分布式多数据中心环境中应用和实施，能够更好地进行资源的交互和任务的协同处理。
总结来说，Hadoop在多数据中心的分布式计算环境中的应用研究，为大规模并行处理在地理分布广泛的数据中心中铺平了道路。它不仅拓展了Hadoop的适用场景，还将Hadoop的处理能力推向了新的高度，满足了对于数据密集型计算的新需求。通过这种方式，Hadoop成为了处理空间大数据并行处理关键技术的重要工具，能够在多个集群计算机上并行处理分布在多数据中心的数据集，提升数据处理效率和计算能力。
