【论文总结】MapReduce

目录

MapReduce
1、MapReduce
1、介绍
2、编程模型
3、实现
4、容错机制
5、技巧
6、思考

MapReduce

• 本文只对论文中对分布式设计的相关算法做总结交流

1、介绍

• MapReduce是谷歌工程师提出的一个编程模型，用于处理、产生大数据集的相关实现。MapReduce在计算上实现是基于计算机集群，这篇论文就是在描述在集群进行计算时资源管理、分配的方法。

2、编程模型

- MapReduce是如何使用的？

map(String key,String value):
 //key:文档的名字
 //value:文档的内容
 for each word w in value:
    EmitIntermediate(w,"1");
 
reduce(String key,Iterator values):
//key:一个词
//values:一个计数列表
 int result=0;
 for each v in values:
   result+=ParseInt(v);
 Emit(AsString(resut));

• map：产生数据（输入），reduce：整合数据（输出）。
• 通过上面的函数，可以发现map、reduce在获取数据后，再通过一个调用某个接口来进一步实现计算，那么通过下面的介绍，我们来了解集群是如何实现对大规模数据计算。

3、实现

• 概述
  从上图，可看出userprogram在接到计算任务后，会创建子进程分别与master、worker建立连接，此时关于计算的相关细节，userprogram不再参与，控制权将移交给master。其中worker在集群中承担具体计算任务，master负责计算任务及资源的调度。
• 实现
  首先MapReduce会将计算任务划分成M份，并将划分后的数据传输给其他不同的机器上，同时将输出划分成R份，同样由不同的机器进行维护，计算结束后R份的结果会统一输出到user上
  • a. MapReduce将输入数据划分成M份后，将其拷贝到集群中的其他机器上
  • b. 整个集群中，master会接收一份数据副本，剩余的机器在获得数据后，接受master统一调度，分别承担M任务和R任务。
  • c. master会指派部分机器承担M任务----worker。woeker负责对本机收到的数据片段进行计算，并将结果放在内存的缓冲区中。
  • d. 缓存中的结果会周期性的写入本地磁盘中，其中接收数据的本地磁盘位置会返回给master，master会将这些存有结果数据的磁盘地址转发给R。
  • e. R在收到位置后，通过远程调用方法读取结果数据。在读取过程中，R会对结果数据进行一次整理。
  • f. 整理结果后，R将唯一性（确定）数据存放在一个临时文件中，整个计算结束后，得到的所有数据输出到用户文件。
  • g. 计算结束，master会唤醒用户程序，用户调用输出文件获得最后结果。

4、容错机制

**worker故障**

worker在一段时里未向master发送消息后，master认为该机失效，将该机上的计算任务分配给其他worker，R也不再在该机上进行数据读取。master会将故障woker设置为初始态，待一切正常，故障worker重新进入调度
master故障

master故障发生，时间则回滚到上一次时间节点，并让另一个master进程执行，并根据需要判断是否需要重新执行计算操作。
备份任务

针对在计算任务结束前，计算的进度可能会因为某一个机器的性能低下拖慢整个计算，那么在计算结束前，master会启动一个备用任务，备用人物同时执行最后这部分数据，原来或者备用的任务完成，整个计算则标记结束。

5、技巧

/*待续*/

6、思考

/*待续*/