Hadoop集群性能優(yōu)化研究.pdf

1、時(shí)代見(jiàn)證了大數(shù)據(jù)的蓬勃發(fā)展，大數(shù)據(jù)的提取、存儲(chǔ)和分析一直是IT領(lǐng)域的重要議題。許多優(yōu)良的分布式系統(tǒng)和計(jì)算框架技術(shù)應(yīng)運(yùn)而生，作為其中的代表Hadoop和MapReduce從問(wèn)世起，就引起了人們的廣泛關(guān)注，很多大型公司都利用Hadoop集群作為它們存儲(chǔ)數(shù)據(jù)和分析數(shù)據(jù)的主要平臺(tái)，部署Hadoop已經(jīng)成為一種IT行業(yè)技術(shù)發(fā)展的趨勢(shì)。然而任何一種新技術(shù)都或多或少有其局限性，對(duì)于Hadoop來(lái)說(shuō)，隨著越來(lái)越多的公司采用Hadoop方案構(gòu)建其基礎(chǔ)平臺(tái)

2、，Hadoop存在的一些問(wèn)題也凸顯出來(lái)，其中商業(yè)環(huán)境下企業(yè)最重要的問(wèn)題主要是集群性能的問(wèn)題。本文針對(duì)Hadoop平臺(tái)性能上存在的兩個(gè)方面的問(wèn)題提出了相應(yīng)的優(yōu)化方案，這對(duì)于整個(gè)Hadoop的發(fā)展和優(yōu)化有著十分積極的作用。
　　首先第一個(gè)是關(guān)于集群數(shù)據(jù)分布策略的問(wèn)題，我們知道數(shù)據(jù)本地性是影響Hadoop作業(yè)運(yùn)行性能的關(guān)鍵因素，有一種說(shuō)法是移動(dòng)計(jì)算比移動(dòng)數(shù)據(jù)要好，這是數(shù)據(jù)本地性的一個(gè)典型描述。數(shù)據(jù)本地性意味著幾乎不需要額外傳輸數(shù)據(jù)的開(kāi)銷(xiāo)

3、。而在實(shí)際的Hadoop集群中，如果集群是同構(gòu)的，每個(gè)物理節(jié)點(diǎn)的計(jì)算性能相同，原始Hadoop的數(shù)據(jù)分布策略是根據(jù)數(shù)據(jù)備份機(jī)制把數(shù)據(jù)分布在集群的多個(gè)節(jié)點(diǎn)中，這樣的分布策略在集群同構(gòu)的情況下是十分有效的。然而在異構(gòu)情況下，由于不同節(jié)點(diǎn)之間計(jì)算性能的差異，這會(huì)導(dǎo)致數(shù)據(jù)本地性的缺失，集群中不同節(jié)點(diǎn)之間需要傳輸數(shù)據(jù)，此時(shí)Hadoop集群的性能將會(huì)顯著下降。因此在本文中，我們將深入研究了該問(wèn)題，并提出了具體的數(shù)據(jù)分布方案，該方案的目的是對(duì)集群進(jìn)行

4、數(shù)據(jù)的負(fù)載均衡，即根據(jù)物理機(jī)器計(jì)算性能的大小來(lái)分配數(shù)據(jù)。本文通過(guò)實(shí)驗(yàn)證明了該數(shù)據(jù)分布機(jī)制的優(yōu)越性。
　　另一個(gè)是關(guān)于數(shù)據(jù)傳輸?shù)膯?wèn)題。shuffle階段是MapReduce計(jì)算框架中作業(yè)運(yùn)行的最重要的一部分，換句話(huà)說(shuō)，shuffle階段的性能直接影響著作業(yè)執(zhí)行的性能，最直觀地體現(xiàn)在作業(yè)運(yùn)行時(shí)間上。為了避免網(wǎng)絡(luò)擁塞，我們提出一個(gè)preshuffling算法來(lái)優(yōu)化原有的shuffle方案，該算法通過(guò)預(yù)處理map和reduce階段之間的中