云计算技术概述(3)

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：GFSMap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