大数据培训新三板挂牌机构 股票代码:837906 | EN CN
阿里巴巴菜鸟级数据产品经理半年回顾总结篇
干货教程:如何绘制业务流程图(二)
干货教程:如何绘制业务流程图(一)
技术贴:如何在数据库中秘密地查询隐私数据
攻略教程:信息图(infographic)是怎么做出来的?
分析师一定要看!用数据讲故事的五个步骤
技术篇:怎样玩转千万级别的数据?
北漂书生:大数据时代SEO数据如何搜集和分析
干货,从十大问题重新认识并读懂互联网
相似图片搜索、算法、识别的原理解析(下)
相似图片搜索、算法、识别的原理解析(上)
制作信息图时请遵循这10条原则
提高表格可读性的一些技巧,适用于Excel、PPT等数据报表
实用教程:如何让Excel图表更具“商务气质”?
一张数据信息图是这样制作完成的
菜鸟读财报,如何从上市公司财报中挖情报?
北大数据分析老鸟写给学弟们一封信
如何一步一步制作出高品质数据信息图?
总结:海量数据分析处理的十个方法
【实战经验】数据分析师如何了解老板真正想法?
零售业数据分析那些事儿
数据分析时l常用电子表格公式【大全】
用数据来告诉你 上市公司财报的秘密
这12个数据能 帮你搞定淘宝店铺
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(四)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(三)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(二)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(一)
淘宝网店从激活到挽留,4步走玩转数据营销
文案怎样写才有意思、不空洞、打动人?
入门级扫盲贴:数据分析的步骤有哪些?
关系即数据,论社交媒体的关系转换
数据的力量,苹果教你用数据鄙视竞争对手
谁说文科生不能做数据分析?数据分析入行→技能提升→优势
产品运营数据分析——SPSS数据分组案例
如何追踪iPhone和iPad等移动设备的用户行为数据?
阿里巴巴中国站:用户满意度指标权重计算方法
广告中的AdNetwork、AdExchange、DSP、SSP、RTB和DMP是什么?
信息图制作教程:关于数值的表现
为什么大数据会如此轰动?(值得深度的文章)
多图技术贴:深入浅出解析大数据平台架构
面板数据分析中标准误的估计修正——根据Peterson (2009)的归纳
财务官、投资人、CIO看过来:给企业数据定价
推荐系统中常用算法 以及优点缺点对比
探索Weotta搜索引擎背后的大数据技术
如何识别虚假数据?
为什么我们像驯化小狗那样驯化算法
程序员必须知道的10大基础实用算法及其讲解
电子商务:最影响转化率的九大要素
如何迅速成为一名数据分析师?
想从事大数据、海量数据处理相关的工作,如何自学打基础?
如何用亚马逊弹性MapReduce分析大数据?
译文:机器学习算法基础知识
给hadoop新手的一封信:Hadoop入门自学及对就业的帮助
从入门到精通,我是这样学习算法的
小商家,从老客户身上获取的数据才更有意义
13页PPT讲述:大数据下网站数据分析应用
40页PPT详解:京东大数据基础构架与创新应用
67页PPT解密搜索引擎背后的大技术:知识图谱,大数据语义链接的基石
营销洞察力——10个营销度量指标
技术篇:前端数据之美如何展示?
董飞:美国大数据工程师面试攻略【PPT】
easel:如何制作好的信息图——来自专家的顶级技巧
大数据实操:以3D打印机为例,如何知道卖点有没有市场需求?
大数据建模 需要了解的九大形式
用户画像数据建模方法
从规划开始,公司or企业如何入手和实施大数据?
干货:商品信息数据分析和展现系统的设计与开发
高手教你用Excel制作百度迁徙数据地图
50篇干货:淘宝店/电子商务如何玩转数据分析?
精华索引:大数据实际应用案例50篇
验证最小化可行产品 (MVP) 的 15 种方法
干货:数据分析师的完整知识结构
大数据技术Hadoop面试题,看看你能答对多少?答案在后面
用SPSS做数据分析?先弄懂SPSS的基础知识吧
怎样做出优秀的扁平化设计风格PPT? 扁平化PPT设计手册#3
解答│做大数据过程中遇到的13个问题
40页PPT│社交网络发展的新动力:大数据与众包
以Amazon、豆瓣网为例,探索推荐引擎内部的秘密#1
怎样做出优秀的扁平化设计风格PPT?#2
怎样做出优秀的扁平化设计风格PPT?#1
36页PPT│大数据分析关键技术在腾讯的应用服务创新
如何丰满地做SWOT分析?
【35页PPT】TalkingData研发副总阎志涛:移动互联网大数据处理系统架构
27页PPT|以珍爱网为例,如何构建有业务价值的数据分析系统?
国外数据新闻资源分享
21页PPT重磅发布:Mariana——腾讯深度学习平台的进展与应用
从0到100——知乎架构变迁史
PPT解读:百度大数据质量保障方案探索
45页PPT|大数据环境下实现一个O2O通用推荐引擎的实践
从数据看豆瓣兴衰
深度学习系列:解密最接近人脑的智能学习机器——深度学习及并行化实现(四)
重磅推荐:129页PPT讲述移动时代创业黄金法则 via:腾讯企鹅智酷
重磅推荐:大数据工程师飞林沙的年终总结&算法数据的思考
OpenKN——网络大数据时代的知识计算引擎
大数据下城市计算的典型应用
技术贴:大数据告诉你,如何给微信公众号文章取标题?
你的QQ暴露了你的心——QQ大数据及其应用介绍PPT
如何从企业报表看企业的生存能力?
实用的大数据技巧合集
技术帝揭秘:充电宝是如何盗取你的个人隐私的?
重磅!50页PPT揭秘腾讯大数据平台与推荐应用架构
原创教程:饼图之复合饼图与双层饼图(1)
PPT:大数据时代的设计特点——不了解这个你做不了今天的设计
教程贴:如何用方程式写春联?
原创教程:如何用Excel制作简易动态对比图
深度译文:机器学习那些事
教程帖:数学之美——手把手教你用Excel画心(动态图)
董老师走进斯坦福,聊聊硅谷创业公司和大数据的事儿(附课件PPT下载)
【限时】年度钜献,108个大数据文档PDF开放下载
董飞专栏:大数据入门——大数据相关技术、Hadoop生态、LinkedIn内部实战
亿级用户下的新浪微博平台架构
一张图了解磁盘里的数据结构
浅析数据化设计思维在阿里系产品的应用
美团推荐算法实践
一个P2P创业公司有哪些部门,都是做什么的?
一个P2P平台的详细运营框架是怎样的?
机器学习中的算法——决策树模型组合之随机森林与GBDT
神经网络简史
58页PPT看懂互联网趋势,大数据/物联网/云计算/4G都有了
广点通背后的大数据技术秘密——大规模主题模型建模及其在腾讯业务中的应用(附PPT)
微信红包之CBA实践PPT——移动互联网海量访问系统设计
一文读懂机器学习,大数据/自然语言处理/算法全有了……
搜狐新闻客户端的背后大数据技术原理——推荐系统(PPT)
原创教程:用Excel做动态双层饼图
半小时读懂PMP私有广告交易市场
怎样分析样本调研数据(译)
PPT:支付宝背后的大数据技术——DataLab、Higo的实践及应用
大数据技术人员的工具包——开源大数据处理工具list(限时下载)
计算机视觉:随机森林算法在人体识别中的应用
24页PPT:机器学习——支持向量机SVM简介(附下载)
互联网高手教你如何搜集你想要的信息
深度:对地观测大数据处理、挑战与思考
原创教程:用Excel做饼图之复合饼图与双层饼图(2)
移动大数据时代: 无线网络的挑战与机遇(附pdf下载)
Excel使用技巧——25招必学秘技
【年度热门】加上这些 Excel 技能点,秒杀众人(多图)
原创教程:用Excel做纵向折线图
知识图谱——机器大脑中的知识库
何明科专栏:用数据化的方式解析投资条款
DT时代,如何用大数据分析创造商业价值(23页PPT)
MIT牛人梳理脉络详解宏伟现代数据体系
你的老婆是怎么算出来的?揭秘佳缘用户推荐系统
飞林沙:商品推荐算法&推荐解释
PPT:如何成为真正的数据架构师?(附下载)
开源大数据查询分析引擎现状
董飞专栏:打造数据产品必知秘籍
译文:如何做强大又漂亮的信息图
如何使用Amazon Machine Learning构建机器学习预测模型
如何运用数据协助货架管理(内附26张PPT)
SVM算法
主流大数据系统在后台的层次角色及数据流向
PPT:阿里全息大数据构建与应用
人脸识别技术大总结——Face Detection & Alignment
教程:用Excel制作成对条形图
易观智库:大数据下的用户分析及用户画像(18页PPT附下载)
技术向:如何设计企业级大数据分析平台?
电商数据分析基础指标体系
IBM SPSS Modeler 决策树之银行行销预测应用分析
拓扑数据分析与机器学习的相互促进
基于 R 语言和 SPSS 的决策树算法介绍及应用
用php做爬虫 百万级别知乎用户数据爬取与分析
另类新浪微博基本数据采集方法
以10万+阅读的文章为例 教你做微信公众号的运营数据分析
破解数据三大难题:变现?交易?隐私?
微店的大数据平台建设实践与探讨
阿里巴巴PPT:大数据基础建议及产品应用之道
基于社会媒体的预测技术
人工智能简史
技巧:演讲中怎样用数据说话
马云和小贝选谁做老公?写给非数据人的数据世界入门指南
掘金大数据产业链:上游资源+中游技术+下游应用
原创教程:手把手教你用Excel做多层折线图
销售分析:如何从数据指标发现背后的故事
如何一步步从数据产品菜鸟走到骨干数据产品
也来谈谈微博的用户画像
行走在网格之间:微博用户关系模型
如何拍出和明星一样美爆的自拍照?斯坦福大学用卷积神经网络建模告诉你
运营商如何玩转大数据? 浙江移动云计算和大数据实践(PPT附下载)
大数据分析的集中化之路 建设银行大数据应用实践PPT
腾讯防刷负责人:基于用户画像大数据的电商防刷架构
创业提案的逻辑
友盟分享 | 移动大数据平台架构思想以及实践经验
寻路推荐 豆瓣推荐系统实践之路
“小数据”的统计学
重磅!8大策略让你对抗机器学习数据集里的不均衡数据
小团队撬动大数据——当当推荐团队的机器学习实践
微博推荐架构的演进
科普文 手把手教你微信公众号数据分析
信息图制作的六个注意点
【权利的游戏】剧透新玩法:情理之中?意料之外
推荐系统(Recommender System)的技术基础
核心算法 谷歌如何从网络的大海里捞到针
Quora数据科学家和机器学习工程师是如何合作的
阿里巴巴PPT:大数据下的数据安全
数据建模那点事儿
全民拥抱Docker云–Lhotse系统经验分享
实时股票分析系统的架构与算法
架构师必看 京东咚咚架构演进
什么叫对数据敏感?怎样做数据分析?
推荐系统基础知识储备
刘德寰:数据科学的整合与细分 数据科学的七个危险趋势(视频)
实际工作中,如何做简单的数据分析?
分布式前置机器学习在威胁情报中的应用(附PPT下载)
数据科学 怎样进行大数据的入门级学习?
扛住100亿次请求 如何做一个“有把握”的春晚红包系统?(PPT下载)
从 LinkedIn 的数据处理机制学习数据架构
大数据会如何改变管理咨询公司(I)
优秀大数据GitHub项目一览
生硬的数字和数据新闻:这么近,那么远
经典大数据架构案例:酷狗音乐的大数据平台重构(长文)
揭秘中兴大数据在银行领域的系统部署
基于大数据的用户画像构建(理论篇)
【R】支持向量机模型实现
数据图处处有陷阱?五个例子教你辨真伪
如何用R绘制地图
你确定你真的懂用户画像?
数据模型需要多少训练数据?
【接地气】01 数据报表的颜色怎么配
游戏价值和数据分析新思路
【R】异常值检测
快的打车架构实践
豆瓣还是朋友圈:大数据、新方法和日常问
PPT数据图表,怎么做才好看?
大道至简的数据体系构建方法论
数据的误区及自身业务
新浪微博的用户画像是怎样构建的?
面试干货!21个必知数据科学面试题和答案part1(1-11)
易观智库:中国大数据产业生态图谱2016(附下载)
Airbnb的数据基础架构
50PB海量数据排序,谷歌是这么做的
大数据时代工程师如何应对–今日头条走进硅谷技术讲座
D3.js教学记(下)
D3.js教学记(上)
飞林沙:企业级服务公司如何赚钱?只有平台级产品才有大数据的理论
一个母婴电子商务网站的大数据平台及机器学习实践
7大板块 组成数据分析师的完整知识结构
干货:SaaS领域如何分析收入增长?
学术 | 词嵌入的类比特性有实用意义吗?
6个用好大数据的秘诀
一个数据库外行眼中的微信优化 (附专家补充)
大数据调研,如何实现快全准?
数据大师Olivier Grisel给志向高远的数据科学家的指引
数据堂肖永红:数据交易的是使用权或数据的增值,而不是数据本身(PPT附下载)
淘宝商品详情平台化思考与实践
刘译璟:百分点大数据理念和实践(图文+PPT下载)
如何快速搞定一份看起来还不错的演示文档?
【BABY夜谈大数据】决策树
数据驱动设计:数据处理流程、分析方法和实战案例
美图数据总监:Facebook的法宝,我们在产品中怎么用?
树的内核:量化树结构化数据之间的相似性
拿到用户数据之后,LinkedIn怎么赚钱?
GrowingIO张溪梦:增长黑客的核心 企业应该重视产品留存率(附PPT下载)
[译]Airbnb是如何使用数据理解用户旅行体验的?
微博推荐数据服务代理: hyper_proxy的设计和实现
星图数据谷熠:消费领域DaaS 大数据重构未来商业游戏规则(附PPT下载)
鲍忠铁:TalkingData大数据技术与应用实践(PPT下载)
【干货教材】数据分析VS业务分析需求
九枝兰专访:数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销
我们的应用系统是如何支撑千万级别用户的
R应用空间数据科学
Excel进行高级数据分析(上)
Excel进行高级数据分析(下)
国内各大互联网公司2.0版技术站点收集
网站数据分析思路导图
大数据分析报表设计开发要素
大数据需要的12个工具 推荐
YARN/MRv2 Resource Manager深入剖析—NM管理
YARN/MRv2 Resource Manager深入剖析—RMApp状态机分析
Hadoop 1.0与Hadoop 2.0资源管理方案对比
Hadoop 2.0中单点故障解决方案总结
Hadoop 2.0 (YARN)中的安全机制概述
Hadoop 新特性、改进、优化和Bug分析系列1:YARN-378
Hadoop 新特性、改进、优化和Bug分析系列2:YARN-45
Hadoop 新特性、改进、优化和Bug分析系列3:YARN-392
Hadoop版本选择探讨
探究提高Hadoop稳定性与性能的方法
《Effective C++》读书笔记(第一部分)
Hadoop分布式环境下的数据抽样
Hadoop计算能力调度器算法解析
如何编写Hadoop调度器
数据结构之红黑树
Hadoop pipes设计原理
《C++ Primer plus》学习笔记之”类”
《C++ Primer plus》学习笔记之”类继承”
《C++ Primer plus》学习笔记之”C++中的代码重用”
《C++ Primer plus》学习笔记之”异常”
《C++ Primer plus》学习笔记之”RTTI”
Hadoop pipes编程
Hadoop Streaming高级编程
《C++ Primer plus》学习笔记之”标准模板库”
《C++ Primer plus》学习笔记之”输入输出库”
Linux Shell 命令总结
算法之图搜索算法(一)
awk使用总结
素数判定算法
《C++ Primer plus》学习笔记之“函数探幽”
使用Thrift RPC编写程序
如何在Hadoop上编写MapReduce程序
怎样从10亿查询词找出出现频率最高的10个

探究提高Hadoop稳定性与性能的方法

于2017-03-26由小牛君创建

分享到:



2012 Hadoop与大数据技术大会上,阿里系的无影带来了题为“阿里Hadoop集群架构及服务体系”的演讲,他主要介绍了阿里集群的发展现状、服务模式和挑战、Hadoop版本特性等方面的内容。本文主要尝试解析该PPT(http://hbtc2012.hadooper.cn/subject/track1liangliyin1.pdf)中提到的Hadoop版本特性。

在PPT中,谈到了阿里曾经遇到的Hadoop稳定性方面的挑战,并给出了几个例子:

阿里稳定性方面的挑战:
<1>异常作业拖垮\拖慢集群
<2>异常大作业浪费slots
<3>部分Slave机器带宽被打满
<4>NameNode被单个作业拖慢
<5>近期案例
– 用户作业的Task中创建了大量线程
– 用户提交的作业配置了777777700个Reduce Task
– 用户作业的Task在slave机器上创建了1000w+临时文件

针对遇到的这些问题,他介绍了具体的一些方案,下面逐一进行解析。需要说明的是,以下改进点均来自阿里的PPT,我只是解析,且解析的内容在各个Hadoop书籍中均有介绍,比如《Hadoop权威指南》。PPT中讲到的特性,一部分已在现有Hadoop中得到支持,另外一些尚未解决,应该是阿里自己添加的。

Hadoop已经支持的功能有:

3(1)1),3(3)(4),4(2)2)4)。

Hadoop尚未支持的功能:

1(1),1(2),1(3),2(1),2(2),3(1)2),3(2)1)2),3(3)(5)(6),4(2)1),4(2)3)。

1. 调度器改造

(1) 增加JobLevel概念,优先保证Level高的作业

当前Hadoop将作业分为了5个等级,分别是VERY_HIGH、HIGH、NORMAL、LOW、VERY_LOW,用户提交作业时可通过参数“mapred.job.priority”设置作业优先级。如果你的Hadoop集群规模足够大或者作业足够多,你会发现这几个优先级难以区分作业的重要程度,为此,一种可行的解决方案是增加作业的优先级数目,比如增加到120个(像Linux Kernal那样),其中,最重要最紧急的作业优先级区间为90~120,次紧急的是60~90……

(2) 支持异构操作系统调度,如RTEL 4u7,5u6

由于Hadoop是采用Java语言编写的,因此,Hadoop与平台无关的。但此处为什么提到支持异构操作系统调度呢?原因可能是,有些应用程序需要特殊操作系统上的API,为了能够让任务成功运行,必须将之调度到安装了对应操作系统的节点上。为了实现这个功能,需要让每个TaskTracker启动时(或者通过心跳,不过这样太冗余了)将自己的操作系统类型汇报给JobTracker,以便调度时用。

(3)服务端控制Reduce启动时机(slow start)

我们知道,对于一个MapReduce作业,它的Reduce Task依赖于Map Task的中间输出结果,每个Reduce Task要从每个Map Task中读取部分数据。选择合适的Reduce Task启动时机对于优化集群资源利用率十分必要,如果Reduce Task启动过早,会造成reduce slot资源利用率过低,如果启动过晚,会使得Map Task和Reduce Task串行执行,增加了作业运行时间。为此,通常待Map Task完成数目超过一定比例(用户可通过参数mapred.reduce.slowstart.completed.maps配置,默认是0.05,表示map task完成数目达到5%后,才可以调度reduce task)后,才开始让Reduce Task调度运行。然而,在实际运行应用中,由于不同作业的Map Task运行时间长短不一,对于一些Map Task运行时间较长的作业,即使只剩下一个Map Task时启动Reduce Task也会造成Reduce slot利用率低下,为了优化这种情况,可以让最后一个Map Task剩余时间达到一定值后,才开始调度Reduce Task。我们可通过已经运行完成的Map Task运行时间估算正在运行的Map Task的剩余运行时间。让服务端控制Reduce启动时机,既减少了用户配置参数,又能优化集群的资源利用率,一举两得。

2. 动态调整slots配置

(1)动态增减TaskTracker上的slots个数

现在Hadoop中使用slot表示各个TaskTracker上的资源,一个slot代表固定的资源组合,比如<2G内存,1CPU>,管理用可通过参数“mapred.tasktracker.map.tasks.maximum”和mapred.tasktracker.reduce.tasks.maximum配置每个TaskTracker上的Map slot和Reduce slot个数,为JobTracker中的调度器负责将各个TaskTracker上的map slot和reduce slot分配给各个作业。这两个参数一旦配置后,不能够动态修改,如果想修改必须重启对应的TaskTracker服务。由于不同作业的任务需要的资源量不同,因此,尽管节点资源相同,跑的任务数目相同,但机器的资源利用率可能是不同的。为此,可修改TaskTracker相关代码,让其可根据资源使用情况动态增减slot数目。

(2)根据集群map和reduce使用比例调整

由于map slot和reduce slot不能在map task和reduce task之间共享(map slot只能供map task使用,reduce slot只能供reduce task使用),因此,当某一种类型任务对资源需求量而另外一种小时,会造成后一种资源浪费,为此,可根据集群map和reduce需求比例动态调整map slot和reduce slot数目。

3. 消除异常Job的影响

(1) 内存监控

1)  单个Task内存限制

Task内存控制是由各个TaskTracker负责的,TaskTracker会启动一个额外的线程监控每个Task进程树所消耗的总内存,一旦超过了用户设置的内存量,则将其杀掉。管理员可通过参数“mapred.cluster.map.memory.mb”和“mapred.cluster.reduce.memory.mb”设置每个map slot和reduce slot代表的内存量,一旦设置了这两个参数,则会启动Task内存监控线程。用户提交作业时,可通过参数“mapred.job.map.memory.mb”和“mapred.job.reduce.memory.mb”设置每个map task和reduce task要消耗的内存量。

当然,对于一些大内存作业,可能要占用多个slot,这要求调度器支持大内存作业调度,当前仅有Capacity Scheduler支持该功能,其他调度器,如Fair Scheduler和FIFO,仅支持“一个task一个slot”。

2)  计算节点内存上限控制

JobTracker是否为一个TaskTracker分配任务,并不取决于该TaskTracker是否有空闲的slot。即使存在空闲的slot,TaskTracker也可根据需要选择是否接收(askForNewTask=false则不接收,该变量在心跳中),比如,当前该TaskTracker内存利用率过高,它可通过心跳告诉JobTracker不要为之分配新的任务。这一点,当前Hadoop并未实现,需要各公司研发人员添加,O(∩_∩)O~。

(2)磁盘IO监控

1)Shuffle磁盘的读取限制

2)Shuffle速度限制

前面两个feature,当前Hadoop尚未实现,个人觉得,可通过两种方法实现,一种是利用cgroups进行资源隔离,另一种不太严格的方法是调节Reduce Task的并发数据拷贝线程数目,即调整参数“mapred.reduce.parallel.copies”,默认是5,或者根据需要调整每个TaskTracker上允许同时通过Jetty Server读取数据的Reduce Task数目。

3)Job的日志量限制

管理员可在TaskTracker上通过参数“mapreduce.cluster.map.userlog.retain-size”和“mapreduce.cluster.reduceuserlog.retain-size”设置每个Map Task或者Reduce Task保存的日志量,如果任务输出日志超过该限制,则只保存后面的那一部分。

(3)Job的Task数限制

如果一个Job包含大量的Task,可能会将JobTracker内存耗光,为此,可在JobTracker端设置Map Task和Reduce Task上限,将“大作业”扼杀在摇篮中,这一点,当前Hadoop并未实现。

(4) Job的Counter数限制

如果作业包含大量的counter,会严重降低该作业的性能,为此,用户可通过参数“mapreduce.job.counters.limit”设置作业Counter数目上限,默认是120,另外,作业的Counter Group数目上限是50,这个不能配置。

(5)Job本地文件系统数据读写量监控

(6)Job创建HDFS文件数目的监控

以上两个只是监控,可将相应的数值表示成Hadoop系统Counter,这样可在日志和界面上看到这些监控值。

4. Master节点的单点性能压力

(1)NameNode改进

略过

(2)JobTracker改进

1)  Scheduler调度算法重写,从O(n2)降低到O(1)

在Hadoop中,当一个TaskTracker通过心跳向JobTracker请求资源时,Jobracker会调用调度器的assignTasks()函数为该TaskTracker分配任务,调度器需要扫描系统中所有作业和任务以便选择一个或多个最合适的Task,如果作业和任务数目非常多,这必然是非常耗时的。为了降低时间复杂度,通常在调度器中启动一个更新线程,这个线程实时更新各个作业和任务的状态,并将下次可以调度的任务放到一个数据结构中,这样,当一个TaskTracker请求任务时,可直接从该数据结构中取。另外,可通过Set或者Map这种树形结构维护作业和任务信息,以便降低时间复杂度。

2)  一次心跳分配多个Task

对于多租户调度器,包括Fair Scheduler和Capacity Scheduler,旧的Hadoop版本(具体指哪个版本,我没调查)仅支持一个心跳分配一个任务,在比较新的Hadoop版本中,则支持一个心跳分配多个任务,这样可大大提高任务分配速度。在Capacity Scheduler中,管理员可通过参数“mapred.capacity-scheduler.maximum-tasks-per-heartbeat ”设置一次心跳最多分配的任务数,默认是Short.MAX_VALUE;在Fair Scheduler中,管理员可通过参数“mapred.fairscheduler.assignmultiple”设置是否允许一次心跳分配多个任务,默认是true(TaskTracker能容纳几个任务就分配几个),当然,管理员可通过设置参数“mapred.fairscheduler.assignmultiple.maps”和“mapred.fairscheduler.assignmultiple.reduces”设置一次心跳最多分配的Map/Reduce Task数目,默认是-1,表示不限制。

3)Job History改造成异步写

Hadoop会为一个作业运行过程中的重要阶段作日志,比如提交作业时,启动作业时,任务开始运行时等,这些日志有两个作用,一个是JobTracker出现问题重启时恢复之前运行的作业(JobTracker HA),二是方便用户查询历史作业运行信息。然而,作业日志是同步做的,伪代码如下:

Job.submitJob();

JobHistory.submitJob(job); //执行完这条语句,才能继续往下执行

同步作日志有一个问题是,当写日志时,由于磁盘、文件系统等原因,卡住了,则作业无法往下执行,甚至可能失败。一种解决方法是将写日志改成异步的,即:

Job.submitJob();

JobHistory.addJobEvent(new SubmitJobEvent(job)); //将写日志封装成事件放到JobHistory的一个队列中,由一个consumer线程从这个队列中取事件进行处理。只要将事件添加到队列中就可以往下执行。

异步写日志已在下一代MpaReduce中采用。

4)Out-of-bound heartbeat提高调度的效率

我们知道,TaskTracker与JobTracker之间的通信方式采用了pull模型,即JobTracker永远不会主动与TaskTracker通信,而是TaskTracker周期性地主动通过RPC心跳与JobTracker通信,汇报各个任务的运行状态和自己的资源使用情况, JobTracker则通过心跳应答为TaskTracker分配任务。

然而,Hadoop的心跳间隔最低是3s(从Hadoop 0.21.0开始,为了照顾小集群用户,将该默认值改为500ms),且随着集群规模递增,默认情况下,每增加100个节点,会增加1s(可以配置),比如你的集群规模是500,则心跳间隔是8s,8s啊,亲!如果一个TaskTracker运行完一个Task并释放了slot,则它最长需要等待8s才能获取下一个新任务!为了解决该问题,Hadoop采用了一种基于带外心跳(Out-of-bound heartbeat)的优化方法:当一个Task运行结束或者Task运行失败时,可立刻触发一个心跳(带外心跳),与JobTracker通信以领取新的任务。管理员可以在各个TaskTracker上通过将参数“mapreduce.tasktracker.outofband.heartbeat”置为true以启动带外心跳这一功能。