百度作為全球最大的中文搜索引擎公司，提供基于搜索引擎的各種產(chǎn)品，幾乎覆蓋了中文網(wǎng)絡(luò)世界中所有的搜索需求,因此，百度對(duì)海量數(shù)據(jù)處理的要求是比較高的， 要在線下對(duì)數(shù)據(jù)進(jìn)行分析，還要在規(guī)定的時(shí)間內(nèi)處理完并反饋到平臺(tái)上。百度在互聯(lián)網(wǎng)領(lǐng)域的平臺(tái)需求要通過(guò)性能較好的云平臺(tái)進(jìn)行處理了，Hadoop就是很好 的選擇。在百度，Hadoop主要應(yīng)用于以下幾個(gè)方面：

• 日志的存儲(chǔ)和統(tǒng)計(jì);

• 網(wǎng)頁(yè)數(shù)據(jù)的分析和挖掘;

• 商業(yè)分析，如用戶的行為和廣告關(guān)注度等;

• 在線數(shù)據(jù)的反饋，及時(shí)得到在線廣告的點(diǎn)擊情況;

• 用戶網(wǎng)頁(yè)的聚類(lèi)，分析用戶的推薦度及用戶之間的關(guān)聯(lián)度。

    MapReduce主要是一種思想，不能解決所有領(lǐng)域內(nèi)與計(jì)算有關(guān)的問(wèn)題，百度的研究人員認(rèn)為比較好的模型應(yīng)該如下圖:

 HDFS 實(shí)現(xiàn)共享存儲(chǔ)，一些計(jì)算使用MapReduce解決，一些計(jì)算使用MPI解決，而還有一些計(jì)算需要通過(guò)兩者來(lái)共同處理。因?yàn)镸apReduce適合處理數(shù) 據(jù)很大且適合劃分的數(shù)據(jù)，所以在處理這類(lèi)數(shù)據(jù)時(shí)就可以用MapReduce做一些過(guò)濾，得到基本的向量矩陣，然后通過(guò)MPI進(jìn)一步處理后返回結(jié)果，只有整 合技術(shù)才能更好地解決問(wèn)題。

 百度現(xiàn)在擁有3個(gè)Hadoop集群，總規(guī)模在700臺(tái)機(jī)器左右，其中有100多臺(tái)新機(jī)器和600多臺(tái)要淘汰的機(jī)器(它們的計(jì)算能力相當(dāng)于200多臺(tái)新機(jī)器)，不過(guò)其規(guī)模還在不斷的增加中。現(xiàn)在每天運(yùn)行的MapReduce任務(wù)在3000個(gè)左右，處理數(shù)據(jù)約120TB/天。

 百度為了更好地用Hadoop進(jìn)行數(shù)據(jù)處理，在以下幾個(gè)方面做了改進(jìn)和調(diào)整：

(1)調(diào)整MapReduce策略

 限制作業(yè)處于運(yùn)行狀態(tài)的任務(wù)數(shù);

 調(diào)整預(yù)測(cè)執(zhí)行策略，控制預(yù)測(cè)執(zhí)行量，一些任務(wù)不需要預(yù)測(cè)執(zhí)行;

 根據(jù)節(jié)點(diǎn)內(nèi)存狀況進(jìn)行調(diào)度;

 平衡中間結(jié)果輸出，通過(guò)壓縮處理減少I(mǎi)/O負(fù)擔(dān)。

（2）改進(jìn)HDFS的效率和功能

 權(quán)限控制，在PB級(jí)數(shù)據(jù)量的集群上數(shù)據(jù)應(yīng)該是共享的，這樣分析起來(lái)比較容易，但是需要對(duì)權(quán)限進(jìn)行限制;

 讓分區(qū)與節(jié)點(diǎn)獨(dú)立，這樣，一個(gè)分區(qū)壞掉后節(jié)點(diǎn)上的其他分區(qū)還可以正常使用;

 修改DSClient選取塊副本位置的策略，增加功能使DFSClient選取塊時(shí)跳過(guò)出錯(cuò)的DataNode;

 解決VFS(Virtual File System)的POSIX(Portable Operating System Interface of Unix)兼容性問(wèn)題。

（3）修改Speculative的執(zhí)行策略

 采用速率倒數(shù)替代速率，防止數(shù)據(jù)分布不均時(shí)經(jīng)常不能啟動(dòng)預(yù)測(cè)執(zhí)行情況的發(fā)生;

 增加任務(wù)時(shí)必須達(dá)到某個(gè)百分比后才能啟動(dòng)預(yù)測(cè)執(zhí)行的限制，解決reduce運(yùn)行等待map數(shù)據(jù)的時(shí)間問(wèn)題;

 只有一個(gè)map或reduce時(shí)，可以直接啟動(dòng)預(yù)測(cè)執(zhí)行。

（4）對(duì)資源使用進(jìn)行控制

 對(duì)應(yīng)用物理內(nèi)存進(jìn)行控制。如果內(nèi)存使用過(guò)多會(huì)導(dǎo)致操作系統(tǒng)跳過(guò)一些任務(wù)，百度通過(guò)修改Linux內(nèi)核對(duì)進(jìn)程使用的物理內(nèi)存進(jìn)行獨(dú)立的限制，超過(guò)閾值可以終止進(jìn)程。

 分組調(diào)度計(jì)算資源，實(shí)現(xiàn)存儲(chǔ)共享、計(jì)算獨(dú)立，在Hadoop中運(yùn)行的進(jìn)程是不可搶占的。

 在大塊文件系統(tǒng)中，X86平臺(tái)下一個(gè)頁(yè)的大小是4KB。如果頁(yè)較小，管理的數(shù)據(jù)就會(huì)很多，會(huì)增加數(shù)據(jù)操作的代價(jià)并影響計(jì)算效率，因此需要增加頁(yè)的大小。

 百度在使用Hadoop時(shí)也遇到了一些問(wèn)題，主要有：

• MapReduce的效率問(wèn)題：比如，如何在shuffle效率方面減少I(mǎi)/O次數(shù)以提高并行效率;如何在排序效率方面設(shè)置排序?yàn)榭膳渲玫模驗(yàn)榕判蜻^(guò)程會(huì)浪費(fèi)很多的計(jì)算資源，而一些情況下是不需要排序的。
• HDFS的效率和可靠性問(wèn)題：如何提高隨機(jī)訪問(wèn)效率，以及數(shù)據(jù)寫(xiě)入的實(shí)時(shí)性問(wèn)題，如果Hadoop每寫(xiě)一條日志就在HDFS上存儲(chǔ)一次，效率會(huì)很低。
• 內(nèi)存使 用的問(wèn)題：reducer端的shuffle會(huì)頻繁地使用內(nèi)存，這里采用類(lèi)似Linux的buddy system來(lái)解決，保證Hadoop用最小的開(kāi)銷(xiāo)達(dá)到最高的利用率;當(dāng)Java 進(jìn)程內(nèi)容使用內(nèi)存較多時(shí)，可以調(diào)整垃圾回收(GC)策略;有時(shí)存在大量的內(nèi)存復(fù)制現(xiàn)象，這會(huì)消耗大量CPU資源，同時(shí)還會(huì)導(dǎo)致內(nèi)存使用峰值極高，這時(shí)需要 減少內(nèi)存的復(fù)制。
• 作業(yè)調(diào)度的問(wèn)題：如何限制任務(wù)的map和reduce計(jì)算單元的數(shù)量，以確保重要計(jì)算可以有足夠的計(jì)算單元;如何對(duì)TaskTracker進(jìn)行分組控制，以限制作業(yè)執(zhí)行的機(jī)器，同時(shí)還可以在用戶提交任務(wù)時(shí)確定執(zhí)行的分組并對(duì)分組進(jìn)行認(rèn)證。
• 性能提 升的問(wèn)題：UserLogs cleanup在每次task結(jié)束的時(shí)候都要查看一下日志，以決定是否清除，這會(huì)占用一定的任務(wù)資源，可以通過(guò)將清理線程從子Java進(jìn)程移到 TaskTracker來(lái)解決;子Java進(jìn)程會(huì)對(duì)文本行進(jìn)行切割而map和reduce進(jìn)程則會(huì)重新切割，這將造成重復(fù)處理，這時(shí)需要關(guān)掉Java進(jìn)程 的切割功能;在排序的時(shí)候也可以實(shí)現(xiàn)并行排序來(lái)提升性能;實(shí)現(xiàn)對(duì)數(shù)據(jù)的異步讀寫(xiě)也可以提升性能。
• 健壯性 的問(wèn)題：需要對(duì)mapper和reducer程序的內(nèi)存消耗進(jìn)行限制，這就要修改Linux內(nèi)核，增加其限制進(jìn)程的物理內(nèi)存的功能;也可以通過(guò)多個(gè)map 程序共享一塊內(nèi)存，以一定的代價(jià)減少對(duì)物理內(nèi)存的使用;還可以將DataNode和TaskTracker的UGI配置為普通用戶并設(shè)置賬號(hào)密碼;或者讓 DataNode和TaskTracker分賬號(hào)啟動(dòng)，確保HDFS數(shù)據(jù)的安全性，防止Tracker操作DataNode中的內(nèi)容;在不能保證用戶的每 個(gè)程序都很健壯的情況下，有時(shí)需要將進(jìn)程終止掉，但要保證父進(jìn)程終止后子進(jìn)程也被終止。
• Streaming 局限性的問(wèn)題：比如，只能處理文本數(shù)據(jù)，mapper和reducer按照文本行的協(xié)議通信，無(wú)法對(duì)二進(jìn)制的數(shù)據(jù)進(jìn)行簡(jiǎn)單處理。為了解決這個(gè)問(wèn)題，百度人 員新寫(xiě)了一個(gè)類(lèi)Bistreaming(Binary Streaming)，這里的子Java進(jìn)程mapper和reducer按照(KeyLen，Key，ValLen，Value)的方式通信，用戶可以 按照這個(gè)協(xié)議編寫(xiě)程序。
• 用戶認(rèn)證的問(wèn)題：這個(gè)問(wèn)題的解決辦法是讓用戶名、密碼、所屬組都在NameNode和Job Tracker上集中維護(hù)，用戶連接時(shí)需要提供用戶名和密碼，從而保證數(shù)據(jù)的安全性。

百度下一步的工作重點(diǎn)可能主要會(huì)涉及以下內(nèi)容：

• 內(nèi)存方面，降低NameNode的內(nèi)存使用并研究JVM的內(nèi)存管理;
• 調(diào)度方面，改進(jìn)任務(wù)可以被搶占的情況，同時(shí)開(kāi)發(fā)出自己的基于Capacity的作業(yè)調(diào)度器，讓等待作業(yè)隊(duì)列具有優(yōu)先級(jí)且隊(duì)列中的作業(yè)可以設(shè)置Capacity，并可以支持TaskTracker分組;
• 壓縮算 法，選擇較好的方法提高壓縮比、減少存儲(chǔ)容量，同時(shí)選取高效率的算法以進(jìn)行shuffle數(shù)據(jù)的壓縮和解壓;對(duì)mapper程序和reducer程序使用 的資源進(jìn)行控制，防止過(guò)度消耗資源導(dǎo)致機(jī)器死機(jī)。以前是通過(guò)修改Linux內(nèi)核來(lái)進(jìn)行控制的，現(xiàn)在考慮通過(guò)在Linux中引入cgroup來(lái)對(duì) mapper和reducer使用的資源進(jìn)行控制;將DataNode的并發(fā)數(shù)據(jù)讀寫(xiě)方式由多線程改為select方式，以支持大規(guī)模并發(fā)讀寫(xiě)和 Hypertable的應(yīng)用。

 百度同時(shí)也在使用Hypertable，它是以Google發(fā)布的BigTable為基礎(chǔ)的開(kāi)源分布式數(shù)據(jù)存儲(chǔ)系統(tǒng)，百度將它作為分析用戶行為的平臺(tái)，同時(shí)在元數(shù)據(jù)集中化、內(nèi)存占用優(yōu)化、集群安全停機(jī)、故障自動(dòng)恢復(fù)等方面做了一些改進(jìn)。

來(lái)源：開(kāi)源中國(guó)  作者：MrMichael