搜索
概念回顾Google云计算背景分布式文件系统GFS并行数据处理模型MapReduce分布式锁服务Chubby分布式数据库BigTableGoogleAppEngineGoogle云计算技术小结并行数据处理模型MapReduce摩尔定律◦集成电路芯片上所集成的电路的数目，每隔18个月就翻一番，同时性能也提升一倍◦经验总结，12个月-18个月-24个月GordonMoore“免费的性能大餐”？◦Andygiveth,andBilltakethaway◦软件算法、数据结构似乎不再重要，因为处理器性能不断提升免费的午餐已经结束！！IntelMicrosoft摩尔定律正在走向终结…◦单芯片容纳晶体管的增加，对制造工艺提出要求◦CPU制造18nm技术，电子泄漏问题◦CPU主频已达3GHz时代，难以继续提高散热问题（发热太大，且难以驱散）功耗太高未来的发展：多核在多核时代生存，必须考虑并发问题不存在解决多核编程问题的银弹，不存在可以简单地将并发编程问题化解掉的工具，开发高性能的并行程序必须要求开发者从根本上改变其编程方法从某种意义上来说，这不仅仅是要改变50年来顺序程序设计的工艺传统，而且是要改变数百万年来人类顺序化思考问题的习惯HerbSutter串行编程◦早期的计算里，程序一般是被串行执行的◦程序是指令的序列，在单处理器的机器里，程序从开始到结束，这些指令一条接一条的执行并行编程◦一道处理可以被划分为几部分,然后它们可以并发地执行◦各部分的指令分别在不同的CPU上同时运行，这些CPU可以存在于单台机器中,也可以存在于多台机器上,它们通过连接起来共同运作什么样的问题适合并行计算？◦斐波那契序列(Fibonacci)的计算？什么样的问题适合并行计算？◦如果有大量结构一致的数据要处理，且数据可以分解成相同大小的部分，那我们就可以设法使这道处理变成并行并行计算模式并行计算与分布式计算有何联系与区别？Google拥有海量数据，并且需要快速处理对爬虫获取的网页进行倒排索引计算网站的PageRank分析搜索趋势(GoogleTrends)计算网页的访问量……美国总统奥巴马“Greatnessisneveragiven,itMustbeearned.”计算问题简单，但求解困难◦待处理数据量巨大（PB级），只有分布在成百上千个节点上并行计算才能在可接受的时间内完成◦如何进行并行分布式计算？◦如何分发待处理数据？◦如何处理分布式计算中的错误？简单的问题，计算并不简单！GoogleMapReduce架构设计师JeffreyDeanJefferyDean设计一个新的抽象模型，使我们只要执行的简单计算，而将并行化、容错、数据分布、负载均衡的等杂乱细节放在一个库里，使并行编程时不必关心它们这就是MapReduce一个软件架构，是一种处理海量数据的并行编程模式用于大规模数据集（通常大于1TB）的并行运算MapReduce实现了Map和Reduce两个功能◦Map把一个函数应用于集合中的所有成员，然后返回一个基于这个处理的结果集◦Reduce对结果集进行分类和归纳◦Map()和Reduce()两个函数可能会并行运行，即使不是在同一的系统的同一时刻案例：单词记数问题(WordCount)◦给定一个巨大的文本（如1TB），如何计算单词出现的数目？使用MapReduce求解该问题◦定义Map和Reduce函数使用MapReduce求解该问题◦Step1:自动对文本进行分割使用MapReduce求解该问题◦Step2:在分割之后的每一对key,value进行用户定义的Map进行处理，再生成新的key,value对使用MapReduce求解该问题◦Step3:对输出的结果集归拢、排序(系统自动完成）使用MapReduce求解该问题◦Step4:通过Reduce操作生成最后结果1、处理流程2、分片方式源文件：GFSMap处理结果：本地存储Reduce处理结果：GFS日志：GFSGoogleMapReduce计算架构有什么问题？Worker故障◦Master周期性的ping每个worker。如果master在一个确定的时间段内没有收到worker返回的信息，那么它将把这个worker标记成失效◦重新执行该节点上已经执行或尚未执行的Map任务◦重新执行该节点上未完成的Reduce任务，已完成的不再执行Master故障◦定期写入检查点数据◦从检查点恢复WHY？任务备份机制◦慢的workers会严重地拖延整个执行完成的时间由于其他的任务占用了资源磁盘损坏◦解决方案:在临近结束的时候，启动多个进程来执行尚未完成的任务谁先完成，就算谁◦可以十分显著地提高执行效率本地处理◦Master调度策略:向GFS询问获得输入文件blocks副本的位置信息Maptasks的输入数据通常按64MB来划分(GFSblock大小)按照blocks所在的机器或机器所在机架的范围进行调度◦效果绝大部分机器从本地读取文件作为输入，节省大量带宽跳过有问题的记录◦一些特定的输入数据常导致Map/Reduce无法运行◦最好的解决方法是调试或者修改不一定可行~可能需要第三方库或源码◦在每个worker里运行一个信号处理程序，捕获map或reduce任务崩溃时发出的信号，一旦捕获，就会向master报告，同时报告输入记录的编号信息。如果master看到一条记录有两次崩溃信息，那么就会对该记录进行标记，下次运行的时候，跳过该记录实践证明，MapReduce是出色的分布式计算模型◦Google宣布，其对分布于1000台计算机上的1TB数据进行排序仅仅需要68s◦对4000台计算机上的1PB数据进行排序处理仅需要6小时2分钟（每次测试至少会损坏1块硬盘）◦在08年1月份，GoogleMapReduce平均每天的数据处理量是20PB，相当于美国国会图书馆当年5月份存档网络数据的240倍“免费的午餐”已经结束◦并行思维MapReduce◦并行分布式数据处理框架◦屏蔽各种并行分布式计算的难题如何使用MapReduce实现海量数据的并行分布式排序？云计算有没有什么问题？欢迎访问中国云计算网站欢迎使用《云计算》教材电子工业出版社刘鹏主编本讲到此结束