《大规模分布式存储系统》第13章 大数据【13.3】

javazx

13.3　MapReduce扩展
MapReduce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
; Y+ L9 n: R; p6 E  L1 _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：
●Google Tenzing：基于MapReduce模型构建SQL执行引擎，使得数据分析人员可
% @- i$ j7 ^& [4 I2 {6 T% O* w- y以直接通过SQL语言处理大数据。
●Microsoft Dryad：将MapReduce模型从一个简单的两步工作流扩展为任何函数
& y# M6 K' X  R' c+ v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。
●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。
8 F3 @/ ?: p% T) c/ ~13.3.1　Google Tenzing
Google 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。
( ~! a% C4 Z! ^5 t+ s0 u9 j1.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
数据服务器，如图13-2所示。
% _( S% {* p3 C% J$ u图　13-2　Tenzing整体架构
+ Y9 I8 H7 `0 y& ]; {8 L●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。
: \0 M% A: Z& q  i! v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
7 x+ J8 J! t/ v) B（cost-based optimizer）两种优化模式。
% Z0 @& J3 k9 _7 G  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
* R% c3 M5 K5 w$ bMapReduce框架中的master进程，worker对应MapReduce框架中的map和reduce进程。
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
master监听者获取master信息。
! _; L0 n; a" b5 e$ A" s●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
' T5 o$ R2 k/ ~, A0 N及Web UI。
- A8 M  A7 O9 F( w. I●存储（Storage）：分布式worker池中的master和worker进程执行MapReduce任务
$ i3 j7 i3 A7 d/ }1 X- i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。
3 z: L% {6 q- g* j6 u2.查询流程
1）用户通过Web UI、CLI或者API向查询服务器提交查询。
0 J! M# z6 J. R0 [& c2）查询服务器将查询请求解析为一个中间语法树。
3）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
间格式。
4）优化器扫描该中间格式进行各种优化，生成物理查询计划。
5 Q2 c3 Y/ Y4 _( T0 ^5）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
$ P$ H0 |, w# n( m  z. a9 JMapReduce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
划分为多个任务。
, E+ [9 j" ?; \$ {& s- B6 o6）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。
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
. \: u2 K: C! Q端。
3.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
理运算符对应的MapReduce实现。
（1）选择和投影
选择运算符σ C （R）的一种MapReduce实现如下。
Map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。
' X: {. Y: A. c) P2 F9 VReduce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
& j( j" h# d' V2 n+ @# z部分。
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
* v* q  m9 P7 F8 |9 k# m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
9 U* j$ |! k' ?7 {0 Jπ S （R）。
Map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
7 z- b: Q  b9 A8 k7 R  s个“键-值”对（t'，t'）。
' u" a! ^& @' [2 ]+ wReduce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
2 S1 K( n$ d& Q7 k$ Q( x（t'，t'），Reduce函数将（t'，[t'，t'，…，t']）转换为（t'，t'），以保证对该键t'只产
6 V- T8 U: F* ]生一个（t'，t'）对。
2 Y5 h, ~/ |6 B9 TTenzing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
列式存储，Tenzing只扫描那些查询执行必须的列。
（2）分组和聚合
$ {/ Y& y, k- ]- l& `+ D$ V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
之和。可以采用如下方式实现γ A,SUM（B） (R）。
' M; G/ d, ]7 o. @  I2 GMap函数：对于每个元组，生成“键-值”对（a,b）。
Reduce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 ，
- g7 q9 a) b* }5 ^6 ^…，b n ]执行SUM操作，输出结果为（a,SUM（b 1 ，b 2 ，…，b n ））。
- \2 M0 H, `) D6 \7 LTenzing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
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
3 M. ^: p) s" ]1 p0 l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。
. s4 X: K0 @$ {& ^: z) k4 Z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：
Map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
) z- [/ O- Z7 g# q# r+ X$ X" F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
0 e. Z. w, G9 h, F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。
. t& I7 V- z1 ~, n# M4 ?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
0 \" ?, ^3 ^% F1 D' lJoin往往更加合适。
+ u3 j% q! D6 A) Z" w9 p! Z" B) m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。
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 ；
MR2：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 ；
MR3：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
7 g3 ]7 k- `8 C3 {" _7 {8 G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，
  P% s: u0 c6 q9 |  K7 O) y7 q/ s& b（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
的“键-值”对。
2 @$ b' L- }* Q  }4 d$ cSort 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
% B1 v$ K$ O' n! \: K& x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
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。
: j: H8 F2 e& A  S2 E6 U& C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
S（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
/ J7 y3 [2 i7 g! R) ]& H# D9 U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
- d3 [- ^& y9 f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
1 @- Y( I- D. L5 i! S5 d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
5 ^8 D7 \& B5 Q9 z; F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
9 s' `, V# j  w1 r. }（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
0 O, C3 K6 A1 b. t& _* P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
& E: Z2 i' o7 w0 a* b: g8 I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
2 p1 e* D) _* i+ U1 C以继续执行后续任务。
5 t6 S% r2 T; f5 UDryad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
' F  R) k4 G% w* V4 u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
复传递给以前传过的任务。
- H# `+ N" u+ V& v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
. z( ^5 P' u* NMapReduce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
MapReduce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
Google 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
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
" z8 x8 Y  z2 p/ U( q0 I入消息进行处理。
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
( }5 H7 `+ P; ~) F% Z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。
5 a" @6 o6 S& h4 T3 S8 _* ^Pregel采用了BSP（Bulk Sychronous Parallel，整体同步并行计算）模型。每个“超
2 A/ M! C) k- a6 K2 O) G' U& G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
, P  F7 H* z% G, d% R* 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
* y: Y! ]3 a5 r( B7 D果已经收敛，可以终止迭代。
" ?  z# ?& l: f3 x/ K图　13-4　Pregel BSP计算模型
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
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
8 ~! t3 p! j$ X' w8 x到b的边权重为w。
（1）超步
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
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。
# R% `* h7 i0 M; S% d$ Y2 o4 R（2）终止条件
8 b( v/ f: j& `# S; c/ o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
7 `0 M/ ], a. i" d计算出想要的结果，整个迭代过程可以结束。
$ B- R! k  A8 v3 L; l# @" nPregel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
; _: ]- ~$ A3 T: ?5 j) g5 e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
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
. {  U0 h4 ?% U( z. t' D" L* y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
0 t, s3 a7 w' d7 C! D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。
' C+ P2 E6 `" e8 Y2 ]: Y( U
$ ~/ U# |! m! a: }+ I+ M/ I