Spark 颠覆 MapReduce 保持的排序记录

在过去几年,Apache Spark的採用以惊人的速度添加着,通常被作为MapReduce后继,能够支撑数千节点规模的集群部署。

在内存中数 据处理上,Apache Spark比MapReduce更加高效已经得到广泛认识;可是当数据量远超内存容量时,我们也听到了一些机构在Spark使用 上的困扰。

因此,我们与Spark社区一起。投入了大量的精力做Spark稳定性、扩展性、性能等方面的提升。既然Spark在GB或TB级别数据上执行 良好。那么它在PB级数据上也应当相同如此。

为了评估这些工作,近期我们与AWS一起完毕了一个Sort Benchmark(Daytona Gray类别)測试,一个考量系统排序 100TB数据(万亿条记录)速度的行业基准測试。

在此之前,这项基准測试的世界记录保持者是雅虎,使用2100节点的Hadoop MapReduce 集群在72分钟内完毕计算。

而依据測试结果得知。在使用了206个EC2节点的情况下,Spark将排序用时缩短到了23分钟。这意味着在使用十分之中的一个计 算资源的情况下。同样数据的排序上。Spark比MapReduce快3倍!

此外,在没有官方PB排序对照的情况下。我们首次将Spark推到了1PB数据(十万亿条记录)的排序。这个測试的结果是,在使用190个节点的情 况下,工作负载在短短不到4小时内完毕,相同远超雅虎之前使用3800台主机耗时16个小时的记录。同一时候,据我们所知,这也是公用云环境首次完毕的PB级 排序測试。


Hadoop World Record Spark 100 TB Spark 1 PB
Data Size 102.5 TB 100 TB 1000 TB
Elapsed Time 72 mins 23 mins 234 mins
# Nodes 2100 206 190
# Cores 50400 6592 6080
# Reducers 10,000 29,000 250,000

1.42 TB/min 4.27 TB/min 4.27 TB/min
Rate/node 0.67 GB/min 20.7 GB/min 22.5 GB/min
Sort Benchmark Daytona Rules Yes Yes No
Environment dedicated data center EC2 (i2.8xlarge) EC2 (i2.8xlarge)

为什么会选择排序?

排序的核心是shuffle操作,数据的传输会横跨集群中全部主机。

Shuffle基本支持了全部的分布式数据处理负载。

举个样例,在一个 连接了两个不同数据源的SQL查询中。会使用shuffle将须要连接数据的元组移动到同一台主机;同一时候,类似ALS等协同过滤算法相同须要依赖 shuffle在网络中发送用户或产品的评级(ratings)和权重(weights)。

大部分数据管道開始时都会有大量的原始数据,可是在管道处理过程中,随着越来越多不相干数据被过滤。或者中间数据被更简洁的表示。数据量必 然会降低。

在100TB原始数据的查询上。网络上shuffle的数据可能仅仅有100TB的一小部分,这样的模式也体如今MapReduce的命名。

然而,排序却是很有挑战的。由于数据管道中的数据量并不会降低。假设对100TB的原始数据进行排序,网络中shuffle的数据必定也 是100TB。同一时候。在Daytona类型的基准測试中,为了容错,无论是输入数据还是输出数据都须要做备份。实际上。在100TB的数据排序上。我们可 能会产生500TB的磁盘I/O及200TB的网络I/O。

因此,基于上述原因。当我们寻找Spark的測量标准和提升办法时,排序这个最苛刻的工作负载成为了对照的不二之选。

产生如此结果的技术实现

在超大规模工作负载上。我们投入了大量的精力来提升Spark。从细节上看。与这个基准測试高度相关的工作主要有3个:

首先及最关键的,在Spark 1.1中我们引入了一个全新的shuffle实现,也就是基于排序的 shuffle(SPARK­2045)。在此之前。Spark做的是基于哈希的shuffle实现,它须要在内存中同一时候保持P(reduce的切割数 量)个缓冲区。而在基于排序的shuffle下,不论什么时候系统仅仅使用一个缓冲区。这个操作将显著地降低内存开销,因此同一个场景下能够支撑数十万任务(我 们在PB排序中使用了2.5万个任务)。

其次,我们修订了Spark的网络模型。通过JNI(SPARK­2468)使用基于Netty的Epoll本地port传输。

同一时候,新的模型还拥有了独立的内存池,绕过了JVM的内存分配器。从而降低垃圾回收造成的影响。

最后但相同重要的是。我们建立了一个外部shuffle服务(SPARK­3796)。它与Spark本身的运行器全然解耦。这个新的服务基于上文所述的网络模型,同一时候,在Spark本身的运行器忙于GC处理时,它仍然能够保证shuffle文件处理的继续运行。

Spark 颠覆 MapReduce 保持的排序记录

通过这三项改变,我们的Spark集群在map阶段单 节点能够支撑每秒3GB的IO吞吐,在reduce阶段单节点能够支撑1.1GB,从而榨干这些机器间10Gbps的网络带宽。

很多其它的技术细节

TimSort:在Spark 1.1版本号中。我们将默认排序算法从 quicksort转换到 TimSort,它是合并排 序和嵌入排序的一个衍生。在大部分现实世界数据集中,TimSort比quicksort更加高效,在部分排序数据中表现则更为优秀。

无论在map阶段还 是Reduce阶段,我们都使用了TimSort。

缓存位置的利用:在排序基准測试中,每条记录的大小都是100字节,而被排序的键是前10个字节。在排序项目的 性能分析阶 段,我们注意到缓存命中率不如人意。由于每次比較都须要进行一个随机的对象指针查询。为此。我们又一次设计了记录在内存的布局,用16字节长度(两个长整 形)的记录来表示每条记录。在这里,前10个字节代表了排序的键,后4个字节则代表了记录的位置(鉴于字节顺序和符号。这点并不easy发现)。这样一来,每 个比較仅仅须要做一次缓存查询,并且它们都是连续的。从而避免了随机的内存查询。

使用TimSort和新的布局方式来利用缓存命中,排序所占用的CPU时间足足降低了5倍。

大规模下的容错机制:在大规模下,很多问题都会暴露。在这个測试过程中。我们看到由于网络连通问题出现的节点丢失,Linux内核自旋,以及由于内存碎片整理造成的节点停滞。幸运的是,Spark的容错机制很好,而且顺利的进行故障恢复。

AWS的能量:如上文所述,我们使用了206个i2.8xlarge实例来跑这个I/O密集測试。通过SSD。 这些实例交付了很高的I/O吞吐量。

我们将这些实例放到一个VPC放置组中,从而通过单SR-IOV增强网络性能,以获得高性能(10Gbps)、低延 时和低抖动。

Spark仅仅能在内存中大放异彩?

这个误解一直环绕着Spark,特别是刚进入社区中的新人更是如此觉得。不错。Spark由于内存计算的高性能闻名。然而Spark的设计 初衷和理念却是一个通用的大数据处理平台——无论是使用内存还是磁盘。在数据无法全然放入内存时。基本上全部的Spark运算符都会做一些额外的处理。通 俗来说,Spark运算符是MapReduce的超集。

如本次測试所看到的,Spark能够胜任集群内存大小N倍的数据集处理。

总结

击败Hadoop MapReduce集群创造的大规模数据处理记录不仅是对我们工作的一个证明,也是对Spark承诺的一个验证——在不论什么数据体积,Spark在性能和扩展性上都更具优势。同一时候。我们也希望在用户使用过程中,Spark能够带来时间和开销上的双节省。

上一篇:自己动手编写IOC框架(二)


下一篇:hdu1520 第一道树形DP,激动哇咔咔!