Spark中緩解數(shù)據(jù)傾斜的自適應(yīng)任務(wù)調(diào)度技術(shù)研究與優(yōu)化.pdf

1、大數(shù)據(jù)及其相關(guān)處理技術(shù)成為當(dāng)今計算機科學(xué)領(lǐng)域和工業(yè)界最重要的技術(shù)之一，最為嶄新的知識獲取范式，商業(yè)公司和學(xué)術(shù)科研組織已經(jīng)將大數(shù)據(jù)的獲取、存儲與處理能力作為其核心競爭力之一。大數(shù)據(jù)面臨著諸多問題，數(shù)據(jù)的規(guī)模正在非線性增長，傳統(tǒng)的數(shù)據(jù)庫技術(shù)早已不能滿足大數(shù)據(jù)的要求。Google公司于2004年提出的MapReduce框架成為大數(shù)據(jù)時代具有里程碑意義的技術(shù)，然而近年來層出不窮的新場景、新應(yīng)用卻使MapReduce的開源實現(xiàn)Hadoop遭遇前所

2、未有的沖擊。2011年由Matei Zaharia提出的基于RDD即彈性分布式數(shù)據(jù)集概念的通用內(nèi)存計算框架Spark在批量計算、迭代計算和流式計算等高速場景表現(xiàn)良好，但是這兩種通用模型都要面對數(shù)據(jù)傾斜的問題，實際上只有少數(shù)系統(tǒng)如HBase、Pig等才有相應(yīng)的防傾斜策略。
　　本文深入探討并總結(jié)了 RDD的原理和Spark的執(zhí)行流程，結(jié)合MapReduce下的傳統(tǒng)策略，分析了其處理數(shù)據(jù)傾斜的缺陷，致力于引入少量改動而大幅提高其緩解數(shù)

3、據(jù)傾斜的性能，最終實現(xiàn)了優(yōu)化的SASM策略。Spark將最小的調(diào)度粒度控制在任務(wù)層，每個任務(wù)中處理的數(shù)據(jù)量在任務(wù)執(zhí)行中是不可變的。但是Spark在實現(xiàn)時良好的分層結(jié)構(gòu)使調(diào)度粒度控制變得更加靈活，使其在數(shù)據(jù)傾斜場景下有很大的優(yōu)化空間。SASM的核心思想為將調(diào)度粒度下移到文件塊層，使得數(shù)據(jù)能在任務(wù)層自由調(diào)度，最大程度平衡各個任務(wù)的負載量。
　　SASM為了減少文件調(diào)度前由掃描引起的大量磁盤I/O開銷，只利用任務(wù)在執(zhí)行中用于獲取真實數(shù)據(jù)

4、的文件塊元數(shù)據(jù)，并以此為基礎(chǔ)計算調(diào)度策略，為了避免不必要的調(diào)度，調(diào)度策略只辨識執(zhí)行最慢的任務(wù)，并將其所屬文件塊分配給執(zhí)行較快的數(shù)個任務(wù)。Shuffle時的下游任務(wù)除了接受Spark調(diào)度系統(tǒng)傳送的文件塊，還在任務(wù)執(zhí)行過程中動態(tài)添加或者刪除文件塊。調(diào)度系統(tǒng)基于異步消息模型，即可以保證指令的順序執(zhí)行，也可以避免消息處理阻塞數(shù)據(jù)處理過程，提高的CPU處理效率， 代價是消息接收方需要對消息有效性做出鑒別。SASM策略在執(zhí)行中會同時收集任

5、務(wù)的計算速度和網(wǎng)絡(luò)傳輸速度，通過將其納入調(diào)度方案的計算使調(diào)度更加公平。本文還討論了其他配套的優(yōu)化措施，包括維持執(zhí)行器池和拉取器分階段處理，一定程度上增加了該策略下的調(diào)度空間，提高了其效用。
　　最后，本文設(shè)計并執(zhí)行了大量實驗，對 SASM引入的新特性進行了認真的評估，包括實驗數(shù)據(jù)結(jié)果的分析、理論推演與論證、實驗數(shù)據(jù)的佐證。SASM策略在數(shù)據(jù)傾斜場景下的性能優(yōu)于原先的Spark，但是對于存在多個拉取器的任務(wù)會引入一定的阻塞開銷，這會