Twister—迭代MapReduce-白红宇的个人博客

Twister—迭代MapReduce

发布日期：2021-05-27 02:54:42 浏览次数：5 分类：技术文章

本文共 2079 字，大约阅读时间需要 6 分钟。

传统MapReduce的特点：一个job只有一个map-reduce对，map完成之后将结果写入本地磁盘，所有的map任务都完成之后，reduce才开始执行，需要网络I/O传输数据，reduce执行完成之后将结果写入Hdfs。

迭代计算的特点：

一、input data由两部分组成，即static和variable数据，而且大部分情况下static数据比variable数据量大很多，static与variable数据完成计算之后，得到新的variable数据，然后该新数据与static数据再次进行计算，如此循环，直到迭代结束条件得到满足之后才退出。

二、迭代计算单个任务的数据集普遍不是很大。

修改传统mapreduce使之适应迭代计算的方向：

1.修改原有的job结构，使之能运行多个map-reduce对，这样就不用启动多个job（迭代计算的循环体在job内发生，即job复用），job复用可以大大迭代效率；

2.map/reduce静态数据缓存（常驻内存或者cache进磁盘，），让map任务可以快速进入计算，

但是这必须要scheduler的配合，即计算locality；

3.reduce之后进行处理，继而判断迭代是否结束，避免额外的任务消耗。

该文章提出的也是一个增强版的MapReduce，使之能够适用于聚类分析，机器学习或计算机视觉处理等需要迭代计算的应用中。架构图如下：

Twister——迭代MapReduce - 寒塘渡鹤影 - wuyanzan606——疏云冷月

架构说明：

Twister Driver——master：负责数据和任务的分发；

Broker Network：Twister的消息传递机制；

Twister Daemon——slave：task处理单元，处于worker node上。

很明显的master/slave架构，两者之间用Broker network通信（跟Hadoop的RPC通信有所不同），采用Pub/Sub消息传递机制服务以下四种需求：

a.传递控制事件(control events)；

b.Twister driver向Twister daemon传递数据（这个主要是传递variable迭代数据供下一轮迭代）；

c.map/reduce之间传递中间结果；

d.reduce完成之后（

加了一个combine过程，其实就是一个合并，方便判断迭代结束与否）结果传回Twister driver。

修改内容：

一、循环体控制

上面已经提出，要使得迭代效率提高，必须把循环体控制在job内，下图就表示了如何做到这一点：

二、输入数据（map）

对map任务Twister提供了两种输入数据的方式：

a.从本地磁盘读取；

b.从broker network中获取。

对于第一种方式，用户可能需要自己对文件进行切分，Twister没有提供自动切分的接口，但是给出了分区文件（partition file，受微软的DryadLINQ的启发）的概念，用户可以自己定义切分，partition file中会予以记录。

对于第二种方式，可能不太适用于大量数据的传输，比如初次迭代，这时候就不能用这种方式，但是，对于variable data的传输却很有用，比如reduce传给Twister driver的迭代结果供下次使用时，就可以通过broker network传输。

三、任务调度（task scheduling）

上面已经说明，数据缓存只有在scheduler的配合下才有用，否则效率就很低，比如同一work node上的两次map任务的针对的key如果不同，那么上次的缓存就可能毫无意义。因此，Twister采用的是静态分配的方式。

容错方面：

不得不说的是Twister的容错方案很不理想，它首先就示弱，说容错基于以下的三个假设：

a.master宕掉的几率可以忽略不计（

这其实是很可笑的）；

b.消息传递的容错独立于Twister之外（

我的理解是它完全信任Pub/Sub，这个我问过我师兄，对于Twister现在所用的树型消息传递机制这里也是不可忽略的）；

c.数据在计算框架内复制传递（这是很明显的）。

因为上面已经介绍在所有reduce完成之后Twister又加了个combine的过程，用以判断迭代结束条件是否满足，在这里把它当做一个全局同步点（global barrier），同时，Twister把每次部署map/reduce的configuration连同input data一起保存下来，如果在同步点发现了任务丢失，就简单地重新开始走一遍，如果找不到数据的话就算了，这个recovery操作就此终止（多么扯淡。。。）。

总结Twister：

Twister在功能上基本上完成了对传统mapreduce的修改以适用于迭代计算，包括job复用，数据缓存，迭代结束条件判断等，但是在性能方面应该还有很多缺陷，上面已经做了说明。

参考文献：

http://wuyanzan60688.blog.163.com/blog/static/127776163201211611306687/

转载地址：https://blog.csdn.net/leijie0322/article/details/46332043 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！

上一篇：Matlab画曲线

下一篇：HaLoop—适用于迭代计算的Hadoop

发表评论

关于作者

喝酒易醉，品茶养心，人生如梦，品茶悟道，何以解忧？唯有杜康！

-- 愿君每日到此一游！

发表评论

最新留言

关于作者

推荐文章