随着实时计算需求的增长，如何在大数据环境中提供高性能的分布式存储支持已成为关键。

传统的HDFS等分布式文件系统在实时计算场景中存在一定限制，例如延时高、吞吐量不足等问题。这时一些专注实时计算的分布式存储系统提供了更好的解决方案：

对象存储是常见的实时计算存储方式之一。

列式存储如Apache Kudu等，以列为单位进行存储和管理，支持混合工作负载下的低延时查询，结合Impala等查询引擎可以实现近实时分析。它既支持高性能查询，也支持实时写入，在分析和计算两用场景下表现优异。

内存存储如Apache Spark的内存存储，将部分热点数据缓存在内存中，可以实现毫秒级访问性能。但成本高，仅适用于小部分临时数据。

缓存存储如Redis,支持多种数据结构，适合实时计算的临时状态和计数等热点数据的缓存，可以提升查询性能。

分布式消息队列如Kafka,可以实现流式计算和微批处理的数据传递。它支持发布-订阅模式，适合实时计算场景下的消息传递。

分布式数据库Cassandra提供强一致性，可以用于实时计算的持久化结果存储。

分布式文件系统Alluxio可以提升HDFS的读写性能，支持内存和SSD加速。

正确选择上述存储系统，结合流式和微批计算框架，可以很好地支撑各种实时计算场景的低延时存储需求，从而提升整体应用的实时性能。