Hadoop平臺(tái)下海量日志數(shù)據(jù)處理模型的研究及改進(jìn).pdf

1、隨著計(jì)算機(jī)技術(shù)以及互聯(lián)網(wǎng)高速地運(yùn)用到人類社會(huì)生產(chǎn)生活的各個(gè)方面，數(shù)據(jù)量呈現(xiàn)出爆發(fā)性的增長(zhǎng)。為滿足海量數(shù)據(jù)應(yīng)用的處理要求，基于大規(guī)模計(jì)算機(jī)集群的并行計(jì)算成為了主要途徑，而MapReduce就是一個(gè)最初由谷歌設(shè)計(jì)用來(lái)在大型集群上執(zhí)行并行計(jì)算的框架。它能夠減少開(kāi)發(fā)人員在進(jìn)行并發(fā)編程時(shí)的復(fù)雜性，使得開(kāi)發(fā)人員在不了解分布式底層細(xì)節(jié)的情況下開(kāi)發(fā)分布式程序。
　　 Hadoop是一個(gè)實(shí)現(xiàn)MapReduce的開(kāi)放源代碼的集群平臺(tái)。目前，Hado

2、op在很多互聯(lián)網(wǎng)公司里都已經(jīng)得到了應(yīng)用，可以說(shuō)是應(yīng)用最為廣泛的開(kāi)源云計(jì)算軟件平臺(tái)。但是，Hadoop還是一個(gè)發(fā)展時(shí)間較短的平臺(tái)，在許多地方還需要提高和改進(jìn)。本文主要研究工作和貢獻(xiàn)如下:
　　 1)本文對(duì)Hadoop平臺(tái)的架構(gòu)及其核心技術(shù)進(jìn)行了深入的研究;闡述了Hadoop平臺(tái)下現(xiàn)有的調(diào)度算法FIFO、計(jì)算能力調(diào)度算法以及公平調(diào)度算法的設(shè)計(jì)思路、實(shí)現(xiàn)過(guò)程以及算法優(yōu)缺點(diǎn)。針對(duì)FIFO調(diào)度策略單一、容易造成大作業(yè)長(zhǎng)時(shí)間等待、集群CPU

3、利用率低的問(wèn)題，提出了基于紅黑樹(shù)的分層調(diào)度算法(HSBRB)，并將其引入Hadoop平臺(tái)。
　　 2)HSBRB調(diào)度算法引入了紅黑樹(shù)作為存儲(chǔ)作業(yè)信息的數(shù)據(jù)結(jié)構(gòu)。紅黑樹(shù)是一種效率非常高的不完全平衡二叉樹(shù)，隨著結(jié)點(diǎn)個(gè)數(shù)的增加，紅黑樹(shù)會(huì)獲得高速的數(shù)據(jù)插入、刪除速度，從而提高整個(gè)集群的CPU利用率。同時(shí)，HSBRB調(diào)度算法采用了層次調(diào)度模型來(lái)調(diào)度作業(yè)。當(dāng)多用戶共享集群平臺(tái)時(shí)，每個(gè)用戶對(duì)應(yīng)一個(gè)池，每個(gè)池里存放多個(gè)作業(yè)，從而解決了FIFO只

4、針對(duì)單用戶提交作業(yè)的不足導(dǎo)致的集群資源利用率低的問(wèn)題。
　　 3)海量日志數(shù)據(jù)的處理。本文的海量日志數(shù)據(jù)均來(lái)自于NBER的專利數(shù)據(jù)集。為獲得不同引用頻率的專利數(shù)目，搭建了一個(gè)小型的Hadoop集群平臺(tái)，并在該平臺(tái)上開(kāi)發(fā)分布式并行程序，結(jié)果保存到指定的目錄文件中。
　　 4)為驗(yàn)證HSBRB算法的性能，本文設(shè)計(jì)了兩個(gè)不同的實(shí)驗(yàn)場(chǎng)景對(duì)Hadoop現(xiàn)有的調(diào)度算法FIFO、FairScheduler以及本課題的HSBRB算法進(jìn)行