.png)
|
商务会议 | 会议PPT | 培训课程 | 发布活动 | 订单查询 | 登录 |
会议PPT
Shuffle作为大数据离线计算平台中最重要的模块，其性能直接影响作业的运行时效性和平台资源消耗。为进一步提高平台计算效能，百度研发了新型的流式Shuffle服务，降低框架资源消耗，提升框架计算有效性，进一步强化平台计算能力。流式Shuffle服务已成功应用于百度十万级规模的离线计算平台，收益显著。主要介绍点：流式shuffle&内存push（map数据不落盘）；Pipeline；Shuffle结果高度预聚合&多副本持久化；负载均衡与流控；去重与异常处理；多路输入多路输出（MIMO）；面向人群：架构师、大数据应用者、大数据框架开发者。
背景
据张老师介绍，百度私有云架构最底层有百度自研的高精硬件，上层包括集群操作系统Matrix，Normandy统一资源调度。
百度大数据离线计算平台：
一般Shuffle模式：
Shuffle作为大数据离线计算平台中最重要的模块，其性能直接影响作业的运行时效性和平台资源消耗。为进一步提高平台计算效能，百度研发了新型的流式Shuffle服务，降低框架资源消耗，提升框架计算有效性，进一步强化平台计算能力。
谈到平台发展历程时，张老师首先介绍主要的离线计算模型——MapReduce，百度从2007年开始引进Hadoop 0.15.1，随后快速发展，2011年百度的MR单集群规模达到5000台，到2013年已经多达1.3万台，这也是截止到目前为止全世界最大的单集群。Hadoop全集群规模为10万量级,作业量达到了百万量级，日均CPU利用率超过80%，远超业界同行，百度开放云底层依赖的大规模集群调度、资源隔离等技术能力世界领先。
除了在规模方面不断扩大，百度一直在Hadoop性能分析方面进行了大量的优化。2013年的测试结果显示，百度内部MR实现相比于开源Hadoop性能提升30%。典型优化，例如Hadoop中的Shuffle，我们将其做成一个统一的shuffle服务，不再占用Map或Reduce槽位。比如对关键热点函数采用SSE向量化等。
架构
流式Shuffle服务已成功应用于百度十万级规模的离线计算平台，收益显著。面向架构师、大数据应用者、大数据框架开发者等人群，张老师主要介绍了流式shuffle&内存push(map数据不落盘)；Pipeline；Shuffle结果高度预聚合&多副本持久化；负载均衡与流控；去重与异常处理；多路输入多路输出(MIMO)。
关键技术
ShuffleMaster：
Writer：
Shuffler：
Reader：所有Map完成后，调度Reduce，直接读取DFS排好序的数据，去重&数据验证，多路归并排序。
Map Pipeline：Map端Writer，要等Shuffler将数据持久化到DFS后，才能将发送的rpc buffer释放，所有发送的数据被Shuffler持久化后，Map才能安全退出。
收益与总结
收益，流式shuffle：减少旧shuffle map merge、reduce pull时间消耗；内存Push：map端不落盘；Shuffler内存聚合：聚合度高，减少map端seek，减少reduce端merge路数，减少IO；Pipeline：大大提高中小作业map端运行速度；中间数据持久化：避免重算(对dag作业尤为重要)。
流式Shuffle服务，push instead of pull；Shuffle过程交给能拿到更多全局信息、更专业的shuffler来做；Map、Shuffler、Reduce，每个都做自己最适合做且擅长做的事情；Shuffle与Reduce解耦，简化Reduce，也为解决分桶不均问题提供可能；Pipeline；无缝的流线，减少无谓的等待。
问题：更多的网络io(万兆网卡，网络不是瓶颈)；Shuffler资源共享，作业间可能互相影响(让Shuffler资源非瓶颈)。
下一步计划
浏览7268次
浏览5062次
浏览4128次
浏览7520次
浏览9500次
浏览1290次
2024-08-23 上海
2024-09-25 上海
2024-08-22 北京
2024-07-20 上海
打开微信扫一扫，分享到朋友圈
