《大规模分布式存储系统》第13章 大数据【13.3】

javazx

13.3　MapReduce扩展
) Q' O3 }% M* [$ E, A9 b& @) WMapReduce框架有效地解决了海量数据的离线批处理问题，在各大互联网公司得
1 I% A3 Q$ ^) U2 Z到广泛的应用。事实已经证明了MapReduce巨大的影响力，以至于引发了一系列的扩
展和改进。这些扩展包括：
: a. ?5 l. f# }2 S, g●Google Tenzing：基于MapReduce模型构建SQL执行引擎，使得数据分析人员可
以直接通过SQL语言处理大数据。
. A6 V' O/ c, P2 u, r6 F7 F●Microsoft Dryad：将MapReduce模型从一个简单的两步工作流扩展为任何函数
. @4 t& f7 p, Q; P; q集的组合，并通过一个有向无环图来表示函数之间的工作流。
: A& Z  v& i8 w( `; r; V●Google Pregel：用于图模型迭代计算，这种场景下Pregel的性能远远好于
MapReduce。
13.3.1　Google Tenzing
7 b% I0 g6 y: r3 x3 z. B- VGoogle Tenzing是一个构建在MapReduce之上的SQL执行引擎，支持SQL查询且能
够扩展到成千上万台机器，极大地方便了数据分析人员。
1.整体架构
Tenzing系统有四个主要组件：分布式Worker池、查询服务器、客户端接口和元
3 Y8 D; h4 D' c9 q4 J数据服务器，如图13-2所示。
! J. H* d5 V8 G* ]' M5 ]  p, U图　13-2　Tenzing整体架构
●查询服务器（Query Server）：作为连接客户端和worker池的中间桥梁而存在。
" J+ g$ K/ A( I: {& p  O查询服务器会解析客户端发送的查询请求，进行SQL优化，然后将执行计划发送给分
布式Worker池执行。Tenzing支持基于规则（rule-based optimizer）以及基于开销
. [/ G3 S3 I! N. ]0 v6 p' ~# i! _（cost-based optimizer）两种优化模式。
) K- F. C$ ~$ P% B2 K●分布式Worker池：作为执行系统，它会根据查询服务器生成的执行计划运行
MapReduce任务。为了降低查询延时，Tenzing不是每次都重新生成新进程，而是让进
程一直处于运行状态。Worker池包含master和worker两种节点，其中，master对应
MapReduce框架中的master进程，worker对应MapReduce框架中的map和reduce进程。
4 [( M, r* C6 f( v0 P: J另外，还有一个称为master监听者（master watcher）的守护进程，查询服务器通过
2 z1 B4 Y1 V2 b9 emaster监听者获取master信息。
4 C8 L& S2 K- a●元数据服务器（Metadata Server）：存储和获取表格schema、访问控制列表
（Access Control List,ACL）等全局元数据。元数据服务器使用Bigtable作为持久化的
后台存储。
●客户端接口：Tenzing提供三类客户端接口，包括API、命令行客户端（CLI）以
$ q4 I% i# W, s6 o- H$ o. T及Web UI。
●存储（Storage）：分布式worker池中的master和worker进程执行MapReduce任务
时需要读写存储服务。另外，查询服务器会从存储服务获取执行结果。
2.查询流程
' \3 S& t/ W( i5 F# @1）用户通过Web UI、CLI或者API向查询服务器提交查询。
2）查询服务器将查询请求解析为一个中间语法树。
7 y( V  S9 q5 B3 M. }8 l3 O3）查询服务器从元数据服务器获取相应的元数据，然后创建一个更加完整的中
" F$ x2 x/ o4 e间格式。
, N1 y$ b5 P2 d8 a- c4 C+ M2 Q2 u4）优化器扫描该中间格式进行各种优化，生成物理查询计划。
# P8 l/ T" @- U1 Y4 c  R4 L5）优化后的物理查询计划由一个或多个MapReduce作业组成。对于每个
MapReduce作业，查询服务器通过master监听者找到一个可用的master,master将该作业
5 h# @. B7 a: b9 m- P; D  K+ R划分为多个任务。
6）空闲的worker从master拉取已就绪的任务。Reduce进程会将它们的结果写入
到一个中间存储区域中。
! ?  E/ B' v* [( `7）查询服务器监控这些中间存储区域，收集中间结果，并流失地返回给客户
端。
, d! e' S6 c/ T- n  Z3 R3.SQL运算符映射到MapReduce
查询服务器负责将用户的SQL操作转化为MapReduce作业，本节介绍各个SQL物
3 u) W. G6 h. |3 U理运算符对应的MapReduce实现。
* ?  _" J0 }8 U4 x" u& I0 g, h- `（1）选择和投影
选择运算符σ C （R）的一种MapReduce实现如下。
' r3 G6 L" o+ M! u3 vMap函数：对R中的每个元素t，检测它是否满足条件C。如果满足，则产生一
个“键-值”对（t,t）。也就是说，键和值都是t。
Reduce函数：Reduce的作用类似于恒等式，它仅仅将每个“键-值”对传递到输出
( c4 b7 G8 C' {, s2 v  b部分。
+ l9 ~% X$ W$ b2 w投影运算的处理和选择运算类似，不同的是，投影运算可能会产生多个相同的
元组，因此Reduce函数必须要剔除冗余元组。可以采用如下方式实现投影运算符
- b& W/ ~  D7 D6 Q/ jπ S （R）。
: N4 r: F+ y0 X  p9 KMap函数：对R中的每个元组t，通过剔除属性不在S中的字段得到元组t'，输出一
个“键-值”对（t'，t'）。
Reduce函数：对任意Map任务产生的每个键t'，将存在一个或多个“键-值”对
（t'，t'），Reduce函数将（t'，[t'，t'，…，t']）转换为（t'，t'），以保证对该键t'只产
生一个（t'，t'）对。
  Y; E% B2 P5 Y1 Y7 E; V: w/ WTenzing执行时会做一些优化，例如选择运算符下移到存储层；如果存储层支持
3 z1 l# |4 `$ v  p" l: N- E列式存储，Tenzing只扫描那些查询执行必须的列。
& h4 j% W5 m9 W6 e' |（2）分组和聚合
0 P8 V/ g" s( P3 L7 m- z  [; m假定对关系R（A,B，C）按照字段A分组，并计算每个分组中所有元组的字段B
: u# q0 v5 \4 X/ r; h" o; |7 ~8 N之和。可以采用如下方式实现γ A,SUM（B） (R）。
Map函数：对于每个元组，生成“键-值”对（a,b）。
9 w  n0 k! }& aReduce函数：每个键a代表一个分组，对与键a相关的字段B的值的列表[b 1 ，b 2 ，
…，b n ]执行SUM操作，输出结果为（a,SUM（b 1 ，b 2 ，…，b n ））。
Tenzing支持基于哈希的聚合操作，首先，放松底层MapReduce框架的限制，
shuffle时保证所有键相同的“键-值”对属于同一个Reduce任务，但是并不要求按照键
* C1 I# Q" I: H3 `8 Y6 x有序排列。其次，Reduce函数采用基于哈希的方法对数据分组并计算聚合结果。
（3）多表连接
大表连接是分布式数据库的难题，MapReduce模型能够有效地解决这一类问题。
常见的连接算法包括Sort Merge Join、Hash Join以及Nested Loop Join。
假设需要将R（A,B）和S（B,C）进行自然连接运算，即寻找字段B相同的元
组。可以通过Sort Merge Join实现如下：
& _( s# y# D" cMap函数：对于R中的每个元组（a,b），生成“键-值”对（b,（R,a）），对S中的
" P4 o+ Q: m* [' l$ z, M每个元组（b,c），生成“键-值”对（b,（S,c））。
Reduce函数：每个键值b会与一系列对相关联，这些对要么来自（R,a），要么来
自（S,c）。键b对应的输出结果是（b,[（a 1 ,b,c 1 ）,（a 2 ,b,c 2 ）,…]），也就是说，与b
相关联的元组列表由来自R和S中的具有共同b值的元组组合而成。
如果两张表格都很大，且二者的大小比较接近，Join字段也没有索引，Sort
Merge Join往往比较高效。然而，如果一张表格相比另外一张表格要大很多，Hash
Join往往更加合适。
7 d  l2 c9 ~$ {6 f3 O. b假设R（A,B）比S（B,C）大很多，可以通过Hash Join实现自然连接。Tenzing中
一次Hash Join需要执行三个MapReduce任务。
/ ~$ n. I3 W. }( j% T+ `MR1：将R（A,B）按照字段B划分为N个哈希分区，记为R 1 ，R 2 ，…，R N ；
( S: i+ G: f. E" k+ W  z9 fMR2：将S（B,C）按照字段B划分为N个哈希分区，记为S 1 ，S 2 ，…，S n ；
2 x+ i7 Y6 [. @7 o0 uMR3：每个哈希分区＜R i ,S i ＞对应一个Map任务，这个Map任务会将S i 加载到内
/ j6 m6 E& A+ b7 J( h+ ~; m存中。对于R i 中的每个元组（a,b），生成（b,[（a,b,c 1 ）,（a,b,c 2 ）,…]），其中，
3 Z4 p/ o% B: z: W7 M! [6 I（b,[c 1 ,c 2 ，…]）是S i 中存储的元组。Reduce的作用类似于恒等式，输出每个传入
' E! e% m1 n4 Q0 P" F/ X的“键-值”对。
Sort Merge Join和Hash Join适用于两张表格都不能够存放到内存中，且连接列没
有索引的场景。如果S（B,C）在B列有索引，可以通过Remote Lookup Join实现自然
" g1 a& V" s8 V' A! }连接，如下：
Map函数：对于R中的每个元组（a,b），通过索引查询S（B,C）中所有列值为b
! Y; e. R1 E+ F的元组，生成（b,[（a,b,c 1 ），（a,b,c 2 ）,…]）。
Reduce函数：Reduce的作用类似于恒等式，输出每个传入的“键-值”对。
如果S（B,C）能够存放到内存中，那么，Map进程在执行map任务的过程中会将
" D# N  D5 {8 @+ j  @) J: DS（B,C）的所有元组缓存在本地，进一步优化执行效率。另外，同一个Map进程可
能执行多个map任务，这些map任务共享一份S（B,C）的所有元组缓存。
13.3.2　Microsoft Dryad
Microsoft Dryad是微软研究院创建的研究项目，主要用来提供一个分布式并行计
算平台。在Dryad平台上，每个Dryad工作流被表示为一个有向无环图。图中的每个
  e: Q. @; E" e: w% b, X; g0 [) E/ z% i节点表示一个要执行的程序，节点之间的边表示数据通道中数据的传输方式，其可
能是文件、管道、共享内存、网络RPC等。Dryard工作流如图13-3所示。
图　13-3　Dryad工作流
8 r# m, I; g' \  G( y) u每个节点（vertices）上都有一个处理程序在运行，并且通过数据通道
/ l& S7 ]0 O+ f! }- n（channels）的方式在它们之间传输数据。类似于Map和Reduce函数，工作流中的
grep、sed、map、reduce、merge等函数可以被很多节点执行，每个节点会被分配一部
分输入。Dryad的主控进程（Job Manager）负责将整个工作分割成多个任务，并分发
给多个节点执行。每个节点执行完任务后通知主控进程，接着，主控进程会通知后
续节点获取前一个节点的输出结果。等到后续节点的输入数据全部准备好后，才可
以继续执行后续任务。
Dryad与MapReduce具有的共同特性就是，只有任务完成之后才会将输出传递给
3 U; g2 [$ O7 g" s( ]7 j接收任务。如果某个任务失败，其结果将不会传递给它在工作流中的任何后续任
务。因此，主控进程可以在其他计算节点上重启该任务，同时不用担心会将结果重
1 }1 |" y- U" P( Q: X8 e9 w7 B, I复传递给以前传过的任务。
相比多个MapReduce作业串联模型，Dryad模型的优势在于不需要将每个
9 f  w% m2 O; Z% k0 M& `MapReduce作业输出的临时结果存放在分布式文件系统中。如果先存储前一个
/ n- |* U* m& A& s5 b& H4 XMapReduce作业的结果，然后再启动新的MapReduce作业，那么，这种开销很难避
免。
13.3.3　Google Pregel
2 L, s  ?8 F( b2 m( vGoogle Pregel用于图模型迭代计算，图中的每个节点对应一个任务，每个图节点
: g" Y: H% {8 ?/ A1 Q会产生输出消息给图中与它关联的后续节点，而每个节点会对从其他节点传入的输
入消息进行处理。
1 J" A& K/ B. U. {" [8 y' S4 [Pregel中将计算组织成“超步”（superstep）。在每个超步中，每个节点在上一步
收到的所有消息将被处理，并且将处理完后的结果传递给后续节点。
% ?: t2 {% W5 [4 w* g. qPregel采用了BSP（Bulk Sychronous Parallel，整体同步并行计算）模型。每个“超
. ]& Q9 u5 f* I" H% u步”分为三个步骤：每个节点首先执行本地计算，接着将本地计算的结果发送给图中
相邻的节点，最后执行一次栅栏同步，等待所有节点的前两步操作结束。Pregel模型
- N3 K! }% L; t. l! A0 h8 B会在每个超步做一次迭代运算，当某次迭代生成的结果没有比上一次更好，说明结
8 @& N3 E0 k  r! D) z: J8 b6 G# t+ q. k- J果已经收敛，可以终止迭代。
图　13-4　Pregel BSP计算模型
  p1 J7 V6 i. G1 V- ^5 q5 }& ^假设有一个带边权重的图，我们的目标是对图中的每个节点计算到其他任一节
8 i" t+ C# C+ K' i9 J- f9 Y% `点的最短路径长度。一开始，每个图节点a都保存了诸如（b,w）对的集合，这表示a
到b的边权重为w。
（1）超步
! `- k6 B( p5 R2 ]! Q每个节点会将（a,b,w）传递给图中与它关联的后续节点。当节点c收到三元组
（a,b,w）时，它会重新计算c到b的最短距离，如果w+v＜u（假设当前已知的c到a的
. S9 {' E/ v$ {- F) L最短距离为v,c到b的最短距离为u），那么，更新c到b的最短距离为w+v。最后，消
息（c,b,w+v）会传递给后续节点。
（2）终止条件
7 {( l6 R! _. q当所有节点在执行某个超步时都没有更新到其他节点的最短距离时，说明已经
计算出想要的结果，整个迭代过程可以结束。
2 l; x' D+ h8 U* R0 kPregel通过检查点（checkpoint）的方式进行容错处理。它在每执行完一个超步之
后会记录整个计算的现场，即记录检查点情况。检查点中记录了这一轮迭代中每个
4 A6 \6 b: ]) j任务的全部状态信息，一旦后续某个计算节点失效，Pregel将从最近的检查点重启整
个超步。尽管上述的容错策略会重做很多并未失效的任务，但是实现简单。考虑到
服务器故障的概率不高，这种方法在大多数时候还是令人满意的。
1 U% C: j, \( {( F