【论文总结】MapReduce论文

摘要：

1. MR是啥：编程模型，用户只需编写Map，Reduce两个函数，系统完成分布式计算
2. MR系统是啥：在大量普通计算机上实现并行化计算，系统只关心如何分割数据、大规模集群的调度、集群容错、集群通信
3. MR在Google的并行处理能力：上千台机器上，处理TB级数据

介绍：

• 问题：海量数据、数据分发、并行计算、容错，开发、维护复杂，且不可复用
• 核心：技术问题---》制约业务开发
• 解决：封装分布式处理的所有细节，提供统一的计算模型（MapReduce）
• 为什么是MapReduce：来源Lisp，函数式编程的Map、Reduce原语，能解决Google绝大多数问题

实现：

执行过程

1. 输入文件按照大小split成M份（16-64M），分发程序副本到各个worker上
2. master控制任务流程，将M个Map任务与N个Reduce任务(用户指定输出桶数)分配给空闲的worker执行
3. map任务读取输入split，将输入key/value传递给Map函数，产生中间key/value，并缓存在内存中、
4. 缓存中的key/value通过分区函数分成R个桶，并周期性写到本地磁盘中。中间结果再磁盘中的位置会告知master，再由master告知reduce任务
5. Reduce worker接收到master发来的存储位置后，RPC读取磁盘中的中间结果。不同map的中间结果虽然有序，但全局无序，所以当所有中间结果读取完后，会进行全局排序(内存排序，不够会外排)。
6. Reduce worker读取排序后的结果。对每一个key值，与中间value集合会调用一次reduce函数。reduce的输出会被追加到所属桶的输出文件中。
7. 当所有map任务、reduce任务完成后，master唤醒用户程序，调用返回。
8. 若存在后续计算，可将当前输出的N个文件作为下一个MapReduce任务的输入。

容错

MapReduce通常在上千台机器组成的集群上运行，所以发生机器故障是常态

master故障

Master存储了每一个Map和Reduce任务的状态（空闲、工作中、完成），以及Worker机器数，以及其状态

中间文件的存储位置通过Master从Map传递到Reduce。对于每个已完成的Map任务，Master存储了Map任务产生的R个中间文件存储的大小和位置

当Map任务完成时，Master接收到位置和大小更新信息，这些信息被逐步递增的推送给那些正在工作的Reduce任务

• Master周期性将上述数据结构写入磁盘，即检查点（checkpoint）。可以从最后一个检查点开始启动另外一个Master进程。Master失效再恢复是比较麻烦的，因此当前实现是，如果Master失效，就终止MapReduce运算。

worker故障

• Master周期性ping每个worker。如果在一个约定时间没收到worker返回的信息，Master将这个worker标记为失效。所有由这个失效的worker完成的Map任务被重设为空闲。同样，worker失效时正在运行的Map或Reduce任务也将被重置了空闲状态，等待被重新调度

备用任务

影响一个MapReduce任务的总执行时间最通常的因素是“落伍者”：由于机器资源不均衡，可能某几台机器上的Map或Reduce任务花了很长时间才完成。比如磁盘老化，读写速度很慢，由比如此机器负载较高。

• 当一个MapReduce操作解决完成的时候，Master调度备用的任务进程来执行剩下的处于处理中状态的任务。最后无论最初的执行进程、还是备用的执行进程完成了任务，我们都标记为已完成。（部分实验效率提升了44%）

技巧

• M根据输入拆分成饿了M个片段，Reduce拆分成R个片段执行。理想情况下M+R应当远大于worker数目（有利于动态负载均衡），但事实上Master需要执行O(M+R)次调度，保存O(M*R)个状态，因此要考虑Master负载
• 移动计算，本地计算或同一个交换机类通信，尽量减少网络传输
• 通过写临时文件，rename临时文件避免读到中间状态的文件数据
• partition函数：通过hash(key) mod R 进行负载均衡。也可以使用hash(hostname(urlkey))来保证相同主机的key落到同一个分区
• Combiner函数：可选，是否先进行本地合并，本质等同于Reduce函数，减少网络传输
• 自定义输入输出类型：输入输出的类型，自定义数据来源，数据分割方式，输出同理
• 跳过损坏的记录：MapReduce设置了信号函数捕获内存段异常和总线错误，通过全局保存记录序号。如果特定记录不止失败一次，则master标记该记录需要跳过，并在下次重新执行Map、Reduce任务时跳过
• standalone本地调试：本地顺序执行MapReduce任务，方便调试
• 状态信息：监控各种执行状态。已经完成多少任务、有多少任务在处理、输入字节数、输出字节数、处理百分比等等
• 自定义计数器：统计不同事件发生的次数。比如想查看当前已经处理了多少个单次，这些计数器的值通过worker到master的ping包中传递

总结

1. MapReduce封装了并行计算、容错、数据本地化优化、负载均衡等技术难点细节
2. 大量不同类型的问题都可以通过MapReduce解决（抽象的计算模型）
3. 数千台机器的大型集群上运行MapReduce
4. 约束式编程使得并行和分布式计算非常容易，也易于构建容错的计算资源
5. 网络带宽是稀缺资源，需大量针对性优化，从本地磁盘读取（移动计算）
6. 多次执行相同任务来减少性能缓慢的机器带来的负面影响

疑惑的解答：

• 为什么是Map、Reduce函数，能数学上证明所有问题能分解成Map、Reduce任务吗？

1. 这么做只是起源于函数式编程，又能解决Google内部的计算问题。
2. 提供最简单的抽象，能极大的简化分布式系统的并行计算、容错等设计

• MapReduce为什么具有划时代的意义？（当时也就Oracle设计了最多 32台机器的并行数据库）

数千台廉价机器的大规模并行计算，Google证明了这条路的可行性，设计了完整的容错方案

• MapReduce为什么还需要我写代码，提交jar包，这么“难”使用？

1. 当时只是Google为了解决一些很简单的计算任务，并且主要时为了隐藏了分布式实现的细节，因此这个使用方式以及“满足”了Google的场景
2. 目前其实各种查询引擎已经屏蔽了这些细节，无需再关注实际如何写MapReduce

• MapReduce执行流程为什么是这样的？为什么必须按key排序？

因为当初Google的内部问题大部分需要排序，Doug Cutting就是看论文照着抄的

SQL转MapReduce案例

Group By案例

select rank, isonline, count(*) from city group by rank, isonline;

Distinct案例

select dealid, count(distinct uid) num from order group by dealid;

JOIN案例

select u.name, o.orderid from order o join user u on o.uid = u.uid;

参考资料：
https://tech.meituan.com/2014/02/12/hive-sql-to-mapreduce.html