前面介绍了不少分布式系的内容,在这不免需要介绍分布式系统中关于批量处理(batch processing)问题, 对比与在线系统(online system), 批量处理属于离线数据处理范围,对响应时间的要求相对会低一些,在评估系统的性能时,更优先考察系统的容错性(fault toleration)和稳定性(stability);
借鉴与unix的管道设计理念,批量处理流程(主要是mapred模式)简化各个处理环节,环节间通过字节文件进行通信(即处理节点接受的是字节,输出的也是字节);
批量处理封装很多细节内容(包括通信调度,任务监控和重试,排序等),使的用户只需要关注节点上数据处理流程;
这里想分享的是在设计mapreducer 任务中关于join/merge操作的一些有趣模式,为了让问题更具体,我们简单借用一个任务例子;
假设有两张表,内容分别是用户id和对应站内网站(URL)的访问日志和用户属性表(如性别,年龄等), 现在想分析各个站点消费用户人群特点, 我们不可避免将两个表进行join/merge操作, 而join操作即可在map阶段也可在reducer阶段,我们先介绍在map阶段的join:
场景一,如果其中一个表小到可以加载到单机内存(Broadcast Hash Join)
该场景下,简单将小表加载到内存,全量扫另一张表,并合并相关信息,在reducer阶段进行merge;
场景二,如果两个表都达到无法load到单机内存 (Partitioned Hash Join)
这种情况,事宜对用户表进行分片,对每一个片区读取和处理全量日志表,并过滤相关用户活动日志;
场景三,如果用户日志信息和用户属性已完美分区(Map-side Merge Join)
只需要key已分好区,并按升降序排序,只需顺序处理即可;
reducer阶段join方案:
方案,在reducer阶段将相同key的用户属性和用户活动日志分到相同分区(partition), 并通过字段将用户属性排到用户日志前面(即用户A的属性信息一定在该用户活动日志前), 进行融合(merge)处理;
问题部分
在批量处理这种模型下,仍存在部分业务处理任务无法胜任的情况,如需要多次数据迭代的模型收敛训练,社交型网路遍历问题等, 最简单的例子,计算明星和大众用户的平均距离(即社交关系距离); 这类问题普遍需要多次的迭代计算,并将前一次的计算结果用做下一次的计算输入;
这其中引入了另个一个问题,是否把中间结果实例化(即分布存储中间结果),因为如果存,涉及网络传输耗时较久,如果不存如何进行容错处理(即部分节点crash后如何恢复的问题);
基于mapreducer 这个批量计算框架,工业界在上层有搭建了其他计算模型来解决上述问题,具体的有Pregel Processing Model