大数据存储与处理-第二讲

– Reduce输入是一个函数和一个列表，输出是将函数依次作用于列表的每 个元素后获得的计算结果 (map 'vector #* #(1 2 3 4 5) #(5 4 3 2 1) -> #(5 8 9 8 5)
(reduce #'+ #(5 8 9 8 5)) -> 35
Lisp中的Map和Reduce操作
三大关键问题
存储
计算 容错
存储问题
解决大数据存储效率的两方面：
– 容量 – 吞吐量
容量
– 单硬盘容量提升：MB → GB → TB → ┈
– 系统整体容量提升：DAS、NAS、SAN
吞吐量 = 传输数据量 / 传输时间
– 单硬盘吞吐量提升：转速、接口、缓存等 – 节点吞吐量提升：RAID、专用数据库机
MapReduce原理
Source：sun.fim.uni-passau.de/cl/MapReduceFoundation/
MapReduce机制
主控程序（Master）：将Map和Reduce分配到合适的工作机上 工作机（Worker）：执行Map或Reduce任务
让程序员在使用MapReduce时面对以下细节问题？
– 大数据如何分割为小数据块？ – 如何调度计算任务并分配和调度map和reduce任务节点？ – 如何在任务节点间交换数据？ – 如何同步任务？ – 相互依赖的任务是否执行完成？ – 任务节点失效时该如何处理？ Google的MapReduce是一个完整的计算框架
1/3 1/3 1/3 0 0
PageRank（9）– 算法的计算问题
如何计算10亿、100亿个网页？ 行列数以亿为单位的矩阵相乘！
Google三大法宝之一：MapReduce
矩阵乘法串行实现
1: for i=1;i<=N;i++
2: 3:
4: 5:
for j=1;j<=N;j++ for k=1;k<=N;k++
C C1 A A1 B
Cm
CM
=
Am AM
ⅹ
Cm = Am ⅹ B M台服务器并行计算，时间降低为1/M
想办法解决大规模矩阵相乘问题：我再拆
C
C1,1 Cm,1 CM,1
A
A1
B
=
Am AM
ⅹ
Cm,n = Am ⅹ Bn
B1
Bn
BM
M ⅹM台服务器并行计算，时间降低为1/M2点间交换数据开销较大 适合处理器数量较大的大规模并行系统 后期发展的主流
–
–
三大关键问题
存储
计算 容错
数据容错
RAID单节点数据冗余存储
– RAID0：并行磁盘 – RAID1：镜像冗余 – RAID10：RAID1+RAID0 – RAID5：校验冗余
集群多节点数据冗余存储
提升吞吐量
RAID：Redundant Array of Inexpensive Disks，冗余磁盘阵列
– 把多块独立的硬盘按一定的方式组合起来形成一个硬盘组，从而实现高性 能和高可靠性
– RAID0：连续以位或字节为单位分割数据，并行读/写于多个磁盘上，提升 吞吐量
Source: /
每个处理器拥有独立的内存和若干磁盘， 通过高速网络相连 处理器独立处理所管理的数据
– – – – – –
结构简单，负载均衡
数据总线成为瓶颈，可扩展性较差， 共享内存单点故障 适合处理器较少（≤8）的小规模并 行数据库
– –
处理器间共享全部磁盘
容错性提高 共享磁盘成为性能瓶颈，需要额外 维护内存与磁盘间的数据一致性
YouTube +Google Apps
Health+ iPhone 应用
手机+投 平板电脑 资能源+ +Google 应用商店 眼镜
Google之前的搜索
目录型搜索：Yahoo!
– 收集：人工分类 – 索引：主题 – 使用：目录结构 – 优点：准确率高 – 缺点：覆盖率低
索引型搜索：AltaVista
三大法宝
– Sanjay Ghemawat, Howard Gobioff, et. al., The Google file system, Proceedings of the Nineteenth ACM Symposium on Operating Systems Principles, 2003. (3911) – Jeffrey Dean, Sanjay Ghemawat, MapReduce: Simplified Data Processing on Large Clusters , Sixth Symposium on Operating System Design and Implementation, 2004. (9569) – Fay Chang, Jeffrey Dean, et. al., Bigtable: A Distributed Storage System for Structured Data, Seventh Symposium on Operating System Design and Implementation, 2006. (2558)
int main(int argc, char** argv) { ParseCommandLineFlags(argc, argv); MapReduceSpecification spec; for (int i = 1; i < argc; i++) { MapReduceInput* input = spec.add_input(); input->set_format("text"); input->set_filepattern(argv[i]); input->set_mapper_class("WordCounter"); } MapReduceOutput* out = spec.output();
–
多个操作间存在依赖关系，且 后一个操作必须等待前一个操 作处理完后方可执行 将多个操作分配给不同处理器， 但处理器间以流水线方式执行 例：Scan → Sort → Group
数据操作的输入数据可以分解为多个 子集，且子集之间相互独立 分割为若干独立的子操作，每个子操 作只处理对应的部分数据，并将这些 子操作配到不同的处理器上执行 例： Scan → Merge
第二讲 大数据的关键技术
大数据的三个关键问题 Google的大数据技术
Google的业务：PageRank 三大法宝
1
三大关键问题
3V
数据分析
数据计算 平 台 管 理
｝ ｝
现代数据处理 能力组件
计算 存储
数据存储
｝
容错
文件存储
数据集成
Database Web
Log
…
数据源
现代数据处理框架
– 程序员只需要编写少量的程序实现应用层逻辑
MapReduce不仅仅是编程模型!
程序示例：WordCount
#include "mapreduce/mapreduce.h"
class WordCounter : public Mapper {
public: virtual void Map(const MapInput& input) { const string& text = input.value(); const int n = text.size(); for (int i = 0; i < n; ) { while ((i < n) && isspace(text[i])) i++; int start = i; while ((i < n) && !isspace(text[i])) i++; if (start < i) Emit(text.substr(start,i-start),"1"); }}}; REGISTER_MAPPER(WordCounter);
C[i][j] += A[i][k]*B[k][j] end for 是否OK？
6:
end for
7: end for
算法复杂度：O(N3)
以1次乘法需要1个时钟周期，计算10亿维度矩阵为 例，使用1G的CPU，需要的计算时间为： t = 10亿×10亿×10亿 / 10亿 = 317年！
想办法解决大规模矩阵相乘问题：我拆
F 1 F/ N 1
非对称多处理器架构（ASMP）
– –
对称多处理器架构（SMP）
– –
不同类型计算任务或进程由不同处理器执行
简单，操作系统修改小 低效 早期过渡性架构
所有处理器完全对等
计算任务按需分配 高效 普遍采用
–
–
–
–
并行模式
独立并行
–
流水线并行
–
分割并行
–
两个数据操作间没有数据依 赖关系 可以采用独立并行的方式分 配给不同的处理器执行 例：两个独立数据集的Scan 操作
灵 魂
血 肉
搜索结果如何排序！
佩奇（Page），斯坦福
– 整个互联网就像一张大的图，每个网站就像一个节点， 每个网页的链接就像一个弧。我想，互联网可以用一个 图或者矩阵描述，我也许可以用这个发现做篇博士论文。
算法的图论表述
n1
n2 n3 n4 n5
0 0 0 0 1
0 0 0 1/2 0 0 1/2 0 0 1/2 0 1 1/2 0 0