HaLoop——适用于迭代计算的Hadoop

q789321

　　文章连接（VLDB‘2010）
　　原文网址：http://wuyanzan60688.blog.163.com/blog/static/127776163201211553756914/
该文章提出了对Hadoop的修改，使之能够适用于迭代计算，将原生的Hadoop中每一个job中一个map-reduce对改成多个map-reduce对，这样job就可以复用（如果不复用，每一个job完成之后都会把reduce的结果写进Hdfs文件，同时启动新的job时会从Hdfs中读文件，造成I/O压力），实现了在job内就可以控制迭代，同时由于迭代计算本身的特性（不变的数据invariant data会多次复用，而且变的数据比不变的数据要小很多），将invariant data缓存（cache）起来，进一步减少了I/O，使得迭代的效率更高。
下面架构图：


 
与Hadoop比较的四点改变：
1.提供了一套新的编程接口，更加适用于迭代计算；
HaLoop给迭代计算一个抽象的递归公式：


 
2.HaLoop的master进行job内的循环控制，直到迭代计算结束；
     循环控制在Hadoop中是在job间的，因为Hadoop的一个job只能是一个map-reduce对，迭代计算需要多次map-reduce，因此需要启动多个job，而且每个job完成之后需要进行判断，而判断的时候需要从hdfs中读取reduce的结果文件，这样又要启动额外的任务，因此HaLoop将其做了修改，一个job中可以有多个map-reduce对，而且提供了判断接口，这样不需要再启动额外的任务来判断迭代是否结束，下图说明了Hadoop与HaLoop的不同：


 

判断结束有两种方法：
a.设置相邻两次迭代计算的差值门限（threshold）
b.设置迭代的最大次数
3.Task Scheduler也进行了修改，使得任务能够尽量满足data locality（尽量本地计算对HaLoop来说非常重要，否则Cache没有任何用处，还是得耗费网络I/O），除此之外应该让两次迭代的任务尽量使用相同的数据。
下图很清楚地说明了如果能够满足任务使用相同数据时的好处：


 
 如图所示，从整体来看我们可以这样简化过程：输入的是（data input）Ri和L，输出的是（data output）Ri+1.
该job一共有三个map任务，三个reduce任务，分布在三个节点上，对于map任务，在n2，n3中运行，数据都是邻接表（linkage table），这是静态数据（invariant data），而R也即迭代的中间数据则在n1上运行，这是动态数据（variant data）。上一次迭代完成后，进入下一个迭代环节，如果我们依然用n2，n3节点计算L邻接表的数据，而n1计算Ri中的数据，这样我们就不需要再将n2，n3的map结果传给reduce，因为跟上次的结果是一样的，只需要将n1的计算结果传到后面。
4.slave nodes对数据进行cache并index索引，索引也以文件的形式保存在本地磁盘。
　　slave的cache有：
a.Reduce input cache：这样cache之后，如果上次的Map output跟这次的一样，就不用网络I/O，直接从磁盘I/O进内存。
b.Reduce output cache：用于判断迭代的终止。
c.Map input cache：如果这一次的计算是网路I/O得到的数据，则将其cache起来方便下次使用。
 
总结HaLoop的缺点：
1.静态数据与动态数据不能完全分离；
2.迭代的终止条件不能准确判断；
3.抽象度不够高。