MIT 6.824 Distributed System Lecture 1阅读笔记

导入/Intro

MapReduce是一种从函数式编程中取经、用于分布式系统中数据处理的设计范式。简单来说，MapReduce将对于分布式系统中典型的一种(key,value)式结构（例如SQL）的数据处理抽香味Map和Reduce两个过程：

• Map：输入一对(key,value)，映射到一个中间键值对的集合，MapReduce本身会将这个集合里key同为某个\(I\)的中间值聚在一起（总之类似于一个\(\text{Map<K,Set<V>>}\)）需要注意的是这里似乎输入输出键值对类型好像要是一样的？不过这不重要，毕竟只是个抽象。
• Reduce：对某个特定的key值\(I\)和对应的value的集合进行合并，输出一个小一点的集合。一般来说Reduce的返回值只有零个或一个元素（例如，sum，max等）

例子

统计一堆文档内每个单词的出现次数

map(key=document name, value=document content):
for word in value:
EmitIntermediate(word, 1) //count the word into the intermediate set
reduce(key=word,values= list of count, i.e. lots of 1):
Emit(sum(values))

分布式grep（linux的正则表达式命令）

map(key=string, value=string content):
for line in string:
if match(line):
Emit(..)
reduce=(_,value=list of mathced command) -> value

实现/Impl

场景

本质上看MapReduce只是一个Interface，资瓷：

• \(\text{Map(K key, V value)} \rightarrow\text{ Map<K, Set<V> >}\)
• \(\text{Reduce(K, Set<V>)}\rightarrow\text{Set<V>}\)
  关键在于我们在将模型套用到现实场景落地的用户场景。以当时（Google 2004）的节点情况为例：
• dual core x86, 2-4G memory
• 100Mbps~1Gbps互联
• ~数百个运算节点，因此经常会有一些挂掉
• 远程HDD大容量廉价存储
• 用户将任务提交到一个调度系统上，由调度系统进行分配执行
  可以看出：
• 需要一定容错率
• 传输速率不低
• 存储空间大
• 考虑到04年的水平，各种编程任务实际上占用会很低(?)所以其实内存不小

Google's MapReduce Impl

考虑我们现在有一个巨大的文件作为程序输入：

1. 将输入文件分块（文中16M-64M一块），并将程序拷贝到各台电脑上
2. 其中有一个Master程序，剩余的是Worker程序，Master程序给Worker分配对应的那一块做Map还是Reduce
3. 被分配到Map的Worker Map完后将中间集合放在内存上做缓冲
4. 中间集合被写入到远程大容量存储上，写入的位置被分成若干个区（分布式存储），对应的位置被传回master
5. 某个被分配到Reduce的Worker使用RPC下载中间集合并按照key做排序（以聚堆），假如中间集合太大（超出内存）将使用external sort
6. For each value sets with respect to each keys in intermediate set, 进行Reduce()
7. 所有Map和Reduce的活干完之后返回给用户的程序
   实际上可以看出，这个MapReduce的Impl在Reduce方面非常直接暴力，也就是说大部分运算在构建Map上，这就很Functional Programming.

Data Structures

没用到什么特别的东西，主要总结一下都存了啥，主要重要的是Master节点，显然需要存：

• 每个map-task和reduce-task的状态（等待、执行中、完成）
• 各Worker的地址
  以及文中提到的
• Intermediate Set的存储位置