大规模分布式系统架构与设计实战_迷你书

colding

贡献于2015-09-04

字数:0 关键词: 分布式/云计算/大数据

相关图书推荐 978-7-111-43052-0 大规模分布式存储系统 :原 理解析与架构实战 978-7-111-42226-6 Hadoop 技术内幕:深入解 析 MapReduce 架构设计与 实现原理 978-7-111-41766-8 Hadoop 技术内幕:深入解 析 Hadoop Common 和 HDFS 架构设计与实现原理 978-7-111-42591-5 数据挖掘:实用案例分析 978-7-111-44534-0 Hadoop 技术内幕:深入解 析 YARN 架构设计与实现 原理 978-7-111-45244-7 Hadoop 应用开发技术详解 978-7-111-43514-3 网站数据分析:数据驱动 的网站管理、优化和运营 978-7-111-42650-9 数据挖掘与数据化运营 实战:思路、方法、技巧 与应用 大数据技术丛书 大规模分布式系统架构与设计实战 彭渊 著 图书在版编目(CIP)数据 大规模分布式系统架构与设计实战 / 彭渊著.—北京:机械工业出版社,2014.1 (大数据技术丛书) ISBN 978-7-111-45503-5 I. 大… II. 彭… III. 分布式计算机系统-系统设计 IV. TP338.8 中国版本图书馆CIP 数据核字(2014)第013468号 版权所有 • 侵权必究 封底无防伪标均为盗版 本书法律顾问 北京市展达律师事务所 本书是作者从程序员到首席架构师十多年职业生涯的实战经验总结,系统讲解构建大规模分布式系统的核心技术 与实现方法,包含作者开源的 Fourinone 系统的设计与实现过程,手把手教你掌握分布式技术。通过学习这个系统的 实现方法与相关的理论,读者可快速掌握分布式系统的理论并设计自己的分布式系统。 本书从分布式计算的基本概念开始,解剖了众多流行概念的本质,深入讲解分布式系统的基本原理与实现方式, 包括 master-slave 结构、消息中枢模式、网状直接交互模式、并行结合串行模式等,以及 Fourinone 系统的架构、实 现分布式功能的示例。接下来详细介绍分布式协调、分布式缓存、消息队列、分布式文件系统、分布式作业调度平台 的设计与实现方法,不仅包括详细的架构原理、算法,还给出了实现步骤、核心 API、实现代码。随书附带的光盘包 括书中示例代码以及 Fourinone 系统源代码。 机械工业出版社(北京市西城区百万庄大街 22 号  邮政编码 100037) 责任编辑:吴 怡 印刷 2014 年 2 月第 1 版第 1 次印刷 186mm×240mm • 15 印张 标准书号:ISBN 978-7-111-45503-5 ISBN 978-7-89405-278-0(光盘) 定  价:59.00 元(附光盘) 凡购本书,如有缺页、倒页、脱页,由本社发行部调换 客服热线:(010)88378991 88361066 投稿热线:(010)88379604 购书热线:(010)68326294 88379649 68995259 读者信箱:hzjsj@hzbook.com 前 言 在大数据、云计算如火如荼的今天,各类技术产品顺应潮流层出不穷。大家是不是有这种感 觉:Hadoop 还没学完,Storm 就来了;Storm 刚学会安装配置,Spark、Hama、Yarn 等又一起出现了; 同时国内外各大云平台厂商,如 Google、亚马逊、阿里云等,还在推各自应用开发平台……要学 习的东西太多了,就是这样疲于奔命地学,刚学会了某个产品的安装配置与开发步骤,没多久它又 过时了。 这么多千姿百态的分布式技术和产品背后有没有某些共性的东西呢?能让我们换了马甲还能认 出它,让我们超越学习每个产品的“安装配置开发”而掌握背后的精髓呢?有没有可能学一反三, 学一招应万招,牢牢掌握好技术的船舵,穿越一次次颠覆性的技术浪潮?本书的目的就是为你揭示 分布式技术的核心内幕,透彻理解其精髓,站在浪潮之巅。 因此,这不是一本讲如何使用 Hadoop 的书,而是一本讲实现 Hadoop 功能的书,是一本讲如 何简化实现分布式技术核心功能的书。这不是一本空谈概念、四处摘抄的书,而是来源于作者十多 年来在私企、港企、外包、创业、淘宝、华为等企业打拼,从底层程序员一路走到首席架构师的实 战经验总结。绝技源于江湖,将军发于卒伍,这本书讲的是你在课本上学不到核心技术,无论你是 在中国什么样的 IT 企业做什么样的分布式应用,这本书对你都具备参考性。 本书面向千千万万战斗在一线攻城拔寨的程序员、工程师们,你可以有很多基础,也可以从头 开始,本书尽量做到深入浅出和通俗易懂,希望帮助你降低分布式技术的学习成本,帮助你更容易 完成工作任务,更轻松地挣钱。 本书根据分布式技术的主要应用,分别介绍分布式并行计算的基本概念、分布式协调、分布式 缓存、消息队列、分布式文件系统、分布式作业调度平台等,详细阐述分布式各技术的架构原理和 实现方式,并附带大量示例,便于读者实际操作运行。基于本书原理,作者用 Java 实现并开源了 Fourinone 框架,这是一个高效的分布式系统,归纳在 150KB 源码里,代码不到 1 万行,让你能够 轻松掌握。学习开发核心技术的诀窍是多动手,建议读者运行本书附带的大量 DEMO,在运行后细 细体会分布式的理论,进行反思和总结。本书归纳的设计思想和算法不局限于某个框架,读者领会 IV 后可以用任何语言来实现自己的分布式系统。 本书各章有一定的独立性,阅读本书的方式比较自由,可以从头开始,也可以随性翻阅。从第 2 章开始,每章都有理论部分与示例,读者可以先运行 DEMO,不清楚的地方再回看原理;也可以 先看原理,再运行 DEMO 加深理解。由于时间的限制,且本书写作的时期是在作者最为忙碌和事 业的转折时期,匆忙中,难免出错,请朋友们海涵,并提出意见以便于今后纠正。最后感谢机械出 版社华章公司所有幕后编辑的大量工作,感谢所给予我帮助与支持的领导和朋友。 本书所有源码附带在光盘里。你也可以登录开源地址下载,开源地址:http://code.google.com/ p/fourinone 作者联系方式:邮箱:Fourinone@yeah.net QQ 群 1:1313859 QQ 群 2:241116021 QQ 群 3:23321760 目  录 前 言 第1章 概述 …………………………………………………………………………………… 1 1.1 分布式计算、并行计算、云计算概述 …………………………………………………… 1 1.2 分布式产品Hadoop、ZooKeeper、HBase概述 …………………………………………… 6 1.3 Fourinone的产生背景 …………………………………………………………………… 12 第2章 分布式并行计算的原理与实践 …………………………………………………… 14 2.1 分布式并行计算模式 …………………………………………………………………… 14 2.1.1 最初想到的master-slave结构 …………………………………………………… 14 2.1.2 “包工头-职介所-手工仓库-工人”模式 ……………………………………… 15 2.1.3 基于消息中枢的计算模式 ……………………………………………………… 17 2.1.4 基于网状直接交互的计算模式 ………………………………………………… 18 2.1.5 并行结合串行模式 ……………………………………………………………… 22 2.1.6 包工头内部批量多阶段处理模式 ……………………………………………… 23 2.1.7 计算集群模式和兼容遗留计算系统 …………………………………………… 24 2.1.8 工人计算的服务化模式 ………………………………………………………… 26 2.2 跟Hadoop的区别 ………………………………………………………………………… 28 2.3 关于分布式的一些概念与产品 ………………………………………………………… 30 2.4 配置文件和核心API介绍 ………………………………………………………………… 35 2.5 实践与应用 ……………………………………………………………………………… 36 2.5.1 一个简单的示例 ………………………………………………………………… 36 2.5.2 工头工人计算模式更完整的示例 ……………………………………………… 39 2.5.3 工人合并互相say hello的示例 …………………………………………………… 44 VI 2.5.4 实现Hadoop经典实例Word Count ……………………………………………… 48 2.5.5 分布式多机部署的示例 ………………………………………………………… 52 2.5.6 分布式计算自动部署的示例 …………………………………………………… 53 2.5.7 计算过程中的故障和容灾处理 ………………………………………………… 57 2.5.8 计算过程中的相关时间属性设置 ……………………………………………… 60 2.5.9 如何在一台计算机上一次性启动多个进程 …………………………………… 63 2.5.10 如何调用C/C++程序实现 ……………………………………………………… 68 2.5.11 如何中止工人计算和超时中止 ………………………………………………… 68 2.5.12 使用并行计算大幅提升递归算法效率 ………………………………………… 73 2.5.13 使用并行计算求圆周率π ……………………………………………………… 81 2.5.14 从赌钱游戏看PageRank算法 …………………………………………………… 86 2.5.15 使用并行计算实现上亿排序 …………………………………………………… 96 2.5.16 工人服务化模式应用示例 ……………………………………………………… 104 2.6 实时流计算 ……………………………………………………………………………… 107 第3章 分布式协调的实现 ………………………………………………………………… 111 3.1 协调架构原理简介 ……………………………………………………………………… 111 3.2 核心API …………………………………………………………………………………… 113 3.3 权限机制 ………………………………………………………………………………… 115 3.4 相对于ZooKeeper的区别 ………………………………………………………………… 116 3.5 与Paxos算法的区别 ……………………………………………………………………… 117 3.6 实践与应用 ……………………………………………………………………………… 119 3.6.1 如何实现公共配置管理 ………………………………………………………… 119 3.6.2 如何实现分布式锁 ……………………………………………………………… 126 3.6.3 如何实现集群管理 ……………………………………………………………… 129 3.6.4 多节点权限操作示例 …………………………………………………………… 134 3.6.5 领导者选举相关属性设置 ……………………………………………………… 137 第4章 分布式缓存的实现 ………………………………………………………………… 139 4.1 小型网站或企业应用的缓存实现架构 ………………………………………………… 139 4.2 大型分布式缓存系统实现过程 ………………………………………………………… 140 4.3 一致性哈希算法的原理、改进和实现 ………………………………………………… 147 VII 4.4 解决任意扩容的问题 ………………………………………………………………… 152 4.5 解决扩容后数据均匀的问题…………………………………………………………… 153 4.6 分布式Session的架构设计和实现 …………………………………………………… 154 4.7 缓存容量的相关属性设置 …………………………………………………………… 156 4.8 缓存清空的相关属性设置 …………………………………………………………… 158 第5章 消息队列的实现 …………………………………………………………………… 162 5.1 闲话中间件与MQ ……………………………………………………………………… 162 5.2 JMS的两种经典模式 …………………………………………………………………… 163 5.3 如何实现发送接收的队列模式 ………………………………………………………… 164 5.4 如何实现主题订阅模式 ……………………………………………………………… 168 第6章 分布式文件系统的实现 …………………………………………………………… 173 6.1 FTTP架构原理解析 …………………………………………………………………… 174 6.2 搭建配置FttpAdapter环境 ……………………………………………………………… 177 6.3 访问集群文件根目录 ………………………………………………………………… 179 6.4 访问和操作远程文件 …………………………………………………………………… 181 6.5 集群内文件复制和并行复制 …………………………………………………………… 184 6.6 读写远程文件 …………………………………………………………………………… 187 6.7 解析远程文件 …………………………………………………………………………… 189 6.8 并行读写远程文件 ……………………………………………………………………… 191 6.9 批量并行读写远程文件和事务补偿处理 ……………………………………………… 194 6.10 如何进行整型读写 ……………………………………………………………………… 198 6.11 基于整型读写的上亿排序 ……………………………………………………………… 205 第7章 分布式作业调度平台的实现 …………………………………………………… 219 7.1 调度平台的设计与实现 ……………………………………………………………… 219 7.2 资源隔离的实现 ……………………………………………………………………… 224 7.3 资源调度算法 ………………………………………………………………………… 226 7.4 其他作业调度平台简介 ……………………………………………………………… 227 7.4.1 其他MPI作业资源调度技术 …………………………………………………… 227 7.4.2 Mesos和Yarn简介 ……………………………………………………………… 229 第1章 概 述 在概述分布式核心技术之前,我们有必要先概括阐述一下分布式计算、并行计算、云计 算等相关概念,以及市场上流行的相关技术产品,如 Hadoop 生态体系,然后再结合背景引出 我们为什么要归纳出一个轻量级的分布式框架。本章为后续章节的背景。本章意在使读者对分 布式技术话题的前因后果先有所了解。 由于只是概述,我们对涉及的分布式计算概念和 Hadoop 生态体系只是蜻蜓点水地带过, 目的仅是让读者了解到这些内容大致是什么,详细的使用方法和开发方法可以参考其他书籍。 1.1 分布式计算、并行计算、云计算概述 1. 什么是分布式计算 图 1-1 科学中的分布式计算 2 ◆ 大规模分布式系统架构与设计实战 经科学研究发现:目前存在很多万亿次计算实例,其中涉及的问题都需要非常巨大的计 算能力才能解决。这类问题很多还是跨学科的、极富挑战性的、人类亟待解决的科研课题, 如图 1-1 所示。 除此之外还有很多研究项目需要巨大的计算能力,例如: 1)解决较为复杂的数学问题,例如:GIMPS(寻找最大的梅森素数)。 梅森素数 (Mersenne Prime)是指形如 2^p - 1 的正整数,其中指数 p 是素数,常记为 Mp。 若 Mp 是素数,则称为梅森素数。p=2,3,5,7 时,Mp 都是素数,但 M11=2047=23×89 不是 素数 ,是否有无穷多个梅森素数是数论中未解决的难题之一。截至 2012 年 7 月已累计发现 47 个梅森素数,最大的是 p=43,112,609,此时 Mp 是一个 12,978,189 位数。 值得一提的是,中国的一位数学家算出了梅森素数的分布规律图,并用简练的数学公式 描述了出来。如果借助计算机的并行计算,也许会对寻找该数字分布规律有所帮助。 2)研究寻找最为安全的密码系统,例如:RC-72(密码破解)。 3)生物病理研究,例如:Folding@home(研究蛋白质折叠、误解、聚合,以及由此引 起的相关疾病)。 4)各种各样疾病的药物研究,例如:United Devices(对抗癌症的有效药物)。 5)信号处理,例如:SETI@Home(寻找地球外文明)。 由上不难看出,这些项目都很庞大,都需要惊人的计算量,仅由单个电脑或个人在一个 能让人接受的时间内计算完成是决不可能的。在以前,这些问题都应该由超级计算机来解 决。但是 , 超级计算机的造价和维护非常昂贵,这不是一个普通的科研组织能承受的。随着 科学的发展,一种廉价的、高效的、维护方便的计算方法应运而生——分布式计算! 所谓分布式计算其实就是一门计算机科学,它研究如何把一个需要非常巨大的计算能力 才能解决的问题分成许多小的部分,然后把这些部分分配给许多计算机进行处理,最后把这 些计算结果综合起来得到最终的结果。 最近的一个分布式计算项目已经使用世界各地成千上万位志愿者的计算机来进行操作, 利用这些闲置计算能力,通过因特网,你可以分析来自外太空的电信号,并探索可能存在的 外星智慧生命;你可以寻找超过 1000 万位数字的梅森素数;你也可以寻找并发现对抗艾滋 病病毒的更为有效的药物。 讨论 我们能否利用访问淘宝网的几千万个用户的电脑做一次分布式计算 ? 这里仅仅点拨一下,回答该问题其实涉及侵犯用户隐私。用户用电脑上网,安装了很多客户 端软件,有的软件是拥有本地所有权限的,它们是否在偷偷用用户的电脑干其他私活,用户也不 知道。这曾经引发过国内两大客户端巨头的官司。但是由此可以看出,千千万万用户的电脑是可 第1章 概 述 ◆ 3 以利用起来做计算的,当然计算必须围绕一个消息中枢模式进行,因为用户电脑间的网络结构千 差万别,无法直接连接。 2. 什么是并行计算 并行计算其实早就有了,所有大型编程语言都支持多线程,多线程就是一种简单的并行 计算方式,多个程序线程并行地争抢 CPU 时间。 并行计算(Parallel Computing)是指同时使用多种计算资源解决计算问题的过程。并行 计算的主要目的是快速解决大型且复杂的计算问题。此外还包括:利用非本地资源节约成 本,即使用多个“廉价”计算资源取代大型计算机,同时克服单个计算机上存在的存储器 限制问题。 传统上,串行计算是指在单个计算机(具有单个中央处理单元)上执行软件写操作。 CPU 逐个使用一系列指令解决问题,但在每一个时刻只能执行一种指令。并行计算是在串 行计算的基础上演变而来的,它努力仿真自然世界中的事务状态:一个序列中众多同时发生 的、复杂且相关的事件。 为利用并行计算,通常计算问题表现为以下特征: 将工作分解成离散部分,有助于同时解决; 随时并及时地执行多个程序指令; 多计算资源下解决问题的耗时要少于单个计算资源下的耗时。 并行计算是相对于串行计算来说的,所谓并行计算分为时间上的并行和空间上的并行。 时间上的并行就是指流水线技术,而空间上的并行则是指用多个处理器并发地执行计算。 3. 并行计算与串行计算的关系 并行计算与串行计算的关系如图 1-2 所示。 图 1-2 串行(上图),并行(下图) 结合图 1-2,对串行计算和并行计算分析如下: 4 ◆ 大规模分布式系统架构与设计实战 传统的串行计算,分为“指令”和“数据”两个部分,并在程序执行时“独立地申请 和占有”内存空间,且所有计算均局限于该内存空间。 并行计算将进程相对独立的分配于不同的节点上,由各自独立的操作系统调度, 享有独立的 CPU 和内存资源(内存可以共享);进程间相互信息交换是通过消息传递 进行的。 4. 什么是云计算 云计算是一种理念,是旧瓶子装新酒,它实际上是分布式技术 + 服务化技术 + 资源隔离 和管理技术(虚拟化),如图 1-3 所示。商业公司对云计算都有自己的定义,例如: 一种计算模式:把 IT 资源、数据、应用作为服务通过网络提供给用户(如 IBM 公司)。 一种基础架构管理方法论:把大量的高度虚拟化的资源管理起来,组成一个大的资源 池,用来统一提供服务(如 IBM 公司)。 以公开的标准和服务为基础,以互联网为中心,提供安全 、快速、便捷的数据存储和 网络计算服务(如 Google 公司)。 图 1-3 云计算示意图 通俗意义上的云计算往往是上面这个架构图包含的内容,开发者利用云 API 开发应用,然 后上传到云上托管,并提供给用户使用,而不关心云背后的运维和管理,以及机器资源分配等 问题。 虚拟化和服务化是云计算的表现形式(参见图 1-4): 第1章 概 述 ◆ 5 图 1-4 云计算表现形式 虚拟化技术包括:资源虚拟化、统一分配监测资源、向资源池中添加资源。虚拟化 的技术非常多,有的是完全模拟硬件的方式去运行整个操作系统 , 比如我们熟悉的 VMWare, 可以看做重量级虚拟化产品。也有通过软件实现的,共享一个操作系统的轻 量级虚拟化,比如 Solaris 的 Container、Linux 的 lxc( 关于 cgroup 的方式我们在 7.2 节 也会谈到)。虚拟化的管理、运维多数是通过工具完成的,比如 Linux 的 VirtManager、 VMWare 的 vSphere、VMWare 的 vCloud 等等。 服务思想包括: 软件即服务 ( Software-as-a-Service,SAAS)。是目前最为成熟的云计算服务模式。在 ○ 这种模式下,应用软件安装在厂商或者服务供应商那里,用户可以通过某个网络来 使用这些软件。这种模式具有高度的灵活性、可靠性和可扩展性,因此能够降低客 户的维护成本和投入,而且运营成本也得以降低。最著名的例子就是 Salesforce.com。 平台即服务 ( Platform-as-a-Service,PAAS)。提供了开发平台和相关组件,软件开 ○ 发者可以在这个开发平台之上开发新的应用,或者使用已有的各种组件,因此可以 不必购买开发、质量控制或生产服务器。Salesforce.com 的 Force.com、Google 的 App Engine 和微软的 Azure( 微软云计算平台)都采用了 PAAS 的模式。 基础设施作为服务 ( Infrastructure as a Service,IAAS)。通过互联网提供了数据中 ○ 心、硬件和软件基础设施资源。IAAS 可以提供服务器、操作系统、磁盘存储、数 据库和 / 或信息资源。用户可以像购买水电煤气一样购买这些基础设施资源使用。 6 ◆ 大规模分布式系统架构与设计实战 1.2 分布式产品 Hadoop、ZooKeeper、HBase 概述 1. Hadoop 说到云计算技术和产品,不能不提到 Google 这家企业。曾经,微软是 IT 行业的象征, 号称只招最聪明的人。十年后,微软逐渐疲软了下来,Google 这家企业取而代之号称只招最 聪明的人。 从搜索引擎到卫星地图,到云计算,到风靡世界的 Android,到现在的无人汽车、 Google 眼镜,以及传说中的机器人之父和在他家里满地爬的机器人……这个行业总有这么一 家企业成为最高科技的领袖,控制着大部分的核心技术,聚拢着大部分的一流人才,垄断着 最大份额的市场,几乎让其他公司望而却步。 因此,我们不难理解这个行业的结果,第一的企业吃肉,第二喝点汤,其他都亏损。 也许在学校读书时,考试成绩前十名都是好学生,但是 IT 行业的社会竞争,必须要做到 第一,成为所在领域的老大才有利可图。 再简单回顾一下云计算相关技术产品的发展史: 2002 ~ 2004:Apache Nutch。 2004 ~ 2006:Google 发表 GFS 和 MapReduce 相关论文。Apache 在 Nutch 中实现 HDFS 和 MapReduce。 2006 ~ 2008:Hadoop 项目从 Nutch 中分离。 2008 年 7 月,Hadoop 赢得 Terabyte Sort Benchmark。 从上面我们可以看到早在 2004 ~ 2006 年,Google 就发表了两篇与 GFS 和 MapReduce 相关的论文,分别是分布式文件系统和基于它的 Map/Reduce 并行计算。Apache 的开源项目 Hadoop 便是根据这两篇论文的思想实现的 Java 版本,Hadoop 引起关注是在它赢得了一次 TB 排序比赛:Hadoop Wins Terabyte Sort Benchmark: One of Yahoo’s Hadoop clusters sorted 1 terabyte of data in 209 seconds, which beat the previous record of 297 seconds in the annual general purpose (Daytona) terabyte sort benchmark. This is the first time that either a Java or an open source program has won. 用了大量的机器在 209 秒完成 1TB 排序,提升了之前 297 秒的记录。 值的一提的是,Hadoop 的作者 Doug Cutting 同时也是 Lucene 和 Nutch 的作者,早年供 职 Yahoo,后来担任 Apache 软件基金会主席。 Hadoop 的名字来源于 Doug Cutting 儿子的一个宠物名。Hadoop 从最初的 HDFS 分布式 文件系统发展到后来的 Hadoop+ZooKeeper+Hive+Pig+HBase 生态体系。 HDFS 提供了一个可扩缩的、容错的、可以在廉价机器上运行的分布式文件系统,按行 第1章 概 述 ◆ 7 进行存储,按 64MB 块进行文件拆分。 图 1-5 HDFS 体系结构 我们可以看到,HDFS 的架构是一个 NameNode 和多个 DataNode 的结构(参见图 1-5): NameNode 存储 HDFS 的元数据 (metadata)。 管理文件系统的命名空间(namespace)。 创建、删除、移动、重命名文件和文件夹。 接收从 DataNode 来的 Heartbeat 和 Blockreport。 DataNode 存储数据块。 执行从 NameNode 来的文件操作命令。 定时向 NameNode 发送 Heartbeat 和 Blockreport。 除了提供分布式文件存储外,Hadoop 还提供基于 Map/Reduce 的框架,进行按行的并行 分析,可以用来查询和计算。 图 1-6 是以 Word Count 为例子演示 Map/Reduce 机制的图,学习过 Hadoop 的人一般都 看到过,有趣的是,我们在 2.1.4 节也会基于 Fourinone 的方式实现一个 Word Count。 8 ◆ 大规模分布式系统架构与设计实战 图 1-6 Word Count 图 1-7 中 Hadoop 的 Map/Reduce 实际上是 1.0 版,也许 Hadoop 项目组也意识到该框架 的局限性,在目前 Map/Reduce2.0(Yarn)版中实际上已经完全进行了重构,整个设计思想 是做成一个资源和任务的调度框架,再也不是 Google 的 Map/Reduce 相关论文阐述的内容了。 关于 Yarn 我们在 7.4.2 节也会谈到。 关于 Hadoop 的详细资料可以参考以下信息: http://hadoop.apache.org/hdfs/docs/current/hdfs_design.html http://labs.google.com/papers/gfs.html 2. ZooKeeper ZooKeeper 在 Hadoop 生态体系中是作为协同系统出现的,为什么会独立出一个协同系统 呢?我们看看跟分布式协同相关的一些重要概念。 分布式协同系统:大型分布式应用通常需要调度器、控制器、协同器等管理任务进程 的资源分配和任务调度,为避免大多数应用将协同器嵌入调度控制等实现中,造成系 统扩充困难、开发维护成本高,通常将协同器独立出来设计成为通用、可伸缩的协同 系统。 ZooKeeper:Hadoop 生态系统的协同实现,提供协调服务,包括分布式锁、统一命 第1章 概 述 ◆ 9 名等。 Chubby:Google 分布式系统中的协同实现和 ZooKeeper 类似。 Paxos 算法:1989 年由莱斯利·兰伯特提出,此算法被认为是处理分布式系统消息传 递一致性的最好算法。 领导者选举:计算机集群中通常需要维持一个领导者的服务器,它负责进行集群管理 和调度等,因此集群需要在启动和运行等各个阶段保证有一个领导者提供服务,并且 在发生故障和故障恢复后能重新选择领导者。 当前业界分布式协同系统的主要实现有 ZooKeeper 和 Chubby,ZooKeeper 实际上是 Google 的 Chubby 的一个开源实现。ZooKeeper 的配置中心实现更像一个文件系统,文件系 统中的所有文件形成一个树形结构,ZooKeeper 维护着这样的树形层次结构,树中的结点称 为 znode, 每个 znode 存储的数据有小于 1MB 的大小限制。ZooKeeper 提供了几种 znode 类型: 临时 znode、持久 znode、顺序 znode 等,用于不同的一致性需求。在 znode 发生变化时,通 过“观察”(watch)机制可以让客户端得到通知。可以针对 ZooKeeper 服务的“操作”来设 置观察,该服务的其他操作可以触发观察。ZooKeeper 服务的“操作”包括一些对 znode 添 加修改获取操作。ZooKeeper 采用一种类似 Paxos 的算法实现领导者选举,以解决集群宕机 的一致性和协同保障。总体上说,ZooKeeper 提供了一个分布式协同系统,包括配置维护、 名字服务、分布式同步、组服务等功能,并将相关操作接口提供给用户。 ZooKeeper 的结构如图 1-7 所示。 图 1-7 ZooKeeper 的结构示意 ZooKeeper 大致工作过程如下: 1)启动 ZooKeeper 服务器集群环境后,多个 ZooKeeper 服务器在工作前会选举出一个 Leader,若在接下来的工作中这个被选举出来的 Leader 死了,而剩下的 ZooKeeper 服务器会 知道这个 Leader 死掉了,系统会在活着的 ZooKeeper 集群中会继续选出一个 Leader,选举出 Leader 的目的是在分布式的环境中保证数据的一致性。 2)另外,ZooKeeper 支持 watch( 观察)的概念。客户端可以在每个 znode 结点上设置一 个 watch。如果被观察服务端的 znode 结点有变更,那么 watch 就会被触发,这个 watch 所属 的客户端将接收到一个通知包被告知结点已经发生变化。若客户端和所连接的 ZooKeeper 服 10 ◆ 大规模分布式系统架构与设计实战 务器断开连接时,其他客户端也会收到一个通知,也就是说一个 ZooKeeper 服务器端可以服 务于多个客户端,当然也可以是多个 ZooKeeper 服务器端服务于多个客户端。 我们这里只是讲述了 ZooKeeper 协同的基本概念,第 3 章我们还会详细讲如何实现这样 的协同系统,并与 ZooKeeper 进行一些对比。 3. HBase HBase 是 NoSQL 技术的产物,NoSQL 风行后,很多互联网应用需要一个面向键 / 值的 列存储数据库,并可以支持水平扩充,当然 Google 在这个领域又走在了前面。 HBase 是 Google Bigtable 的开源实现。Google Bigtable 利用 GFS 作为其文件存储系统, HBase 利用 Hadoop HDFS 作为其文件存储系统;Google 运行 MapReduce 来处理 Bigtable 中 的海量数据,HBase 同样利用 Hadoop MapReduce 来处理海量数据;Google Bigtable 利用 Chubby 作为协同服务,HBase 利用 ZooKeeper 作为对应的功能。 图 1-8 是 HBase 的架构,里面的 HDFS 也就是 Hadoop 中的分布式文件系统。对里面主 要的核心组件简单介绍如下: 图 1-8 HBase 第1章 概 述 ◆ 11 (1)Client Client 包含访问 HBase 的接口,维护着一些 cache 来加快对 HBase 的访问,比如 Regione 的位置信息。 (2)ZooKeeper 保证任何时候,集群中都只有一个 Master。存储所有 Region 的寻址入口。实时监控 Region server 的状态,将 Region server 的上线和下线信息实时通知给 Master。存储 HBase 的 schema 包括有哪些表,每个表有哪些列。 (3)Master 为 Region server 分配 Region。负责 Region server 的负载均衡。发现失效的 Region server 并重新分配其上的 Region。GFS 上的垃圾文件回收。处理 schema 更新请求。 (4)Region server Region server 维护 Master 分配给它的 Region,处理对这些 Region 的 IO 请求。 Region server 负责切分在运行过程中变得过大的 Region。 我们走马观花般地过了一遍 Hadoop 主要的技术和产品,当然 Hadoop 体系包括的还有很 多,我们只是描述了它最主要的部分,图 1-9 是 Hadoop 产品的生态图,有十多个,估计需 要工程师们挑灯苦学了。 图 1-9 Hadoop 产品生态环境 产品生态系统图 12 ◆ 大规模分布式系统架构与设计实战 1.3 Fourinone 的产生背景 1. 使用 Hadoop 时碰到的问题 笔者最开始尝试大数据并行计算分析是为了解决淘宝网的秒杀作弊问题。秒杀曾经是最 成功的电商促销活动,往往在短时间内造成平时很多倍的销量,当然这也给系统造成很大 的压力,但是这些都不是问题,关键是出现了像蟑螂一样的东西,怎么都灭不掉,那就是秒 杀器。 当市场上不断出现秒杀器后,想用手工秒杀商品越来越难了,秒杀活动几乎全部被秒杀 器软件垄断。于是买家开始大量抱怨不想参加秒杀了,卖家也不想发货给使用秒杀器作弊的 人,甚至社会上流言淘宝网搞虚假秒杀,严重扰乱了市场秩序。 虽然技术人员也尝试屏蔽秒杀器作弊,但是一直收效甚微,比如尝试把验证码设计得很 复杂,比如多加一些验证参数。写过秒杀器软件的人都明白,这样的防范把自己折磨得很辛 苦,但是对秒杀器是不起作用的,因为秒杀器实际上是一个复杂的模拟 HTTP 交互的网络通 信软件,它反复跟网站服务器交互 HTTP 报文,如果发现报文参数不够,会不断变更报文直 到通过,因此只要秒杀器写得足够好,理论上就无法屏蔽它。 因此,唯一的办法是要深入分析 HTTP 报文本身的差异性。秒杀器和浏览器制造的报文 是有区别的,这个区别或者大或者小,都是可以通过技术手段区分出来的,这是一个识别模 型。由于每日大型、小型秒杀的订单数量太大,为了在短时间内识别出每个订单报文是否作 弊,我们考虑用并行计算多机完成,为了完成这个技术任务,我们首先想到了用 Hadoop。 按照 Hadoop Map/Reduce 框架的开发步骤,我们要实现 Map 和 Reduce 接口,取出每 行,执行一段逻辑,打包好,启动 jobtracker……我们学会了按照这个步骤开发后,尝试套用 Map/Reduce 框架会发现一些的问题,比如: 1)HTTP 协议报文一个请求占多行,各行之前有一定逻辑关系,不能简单以行拆分和合并。 2)复杂的中间过程的计算套用 Map/Reduce 不容易构思,如大数据的组合或者迭代,多 机计算并不只有拆分合并的需求(请参考 2.1.11 节)。 3)Hadoop 实现得太复杂,API 枯燥难懂,不利于程序员迅速上手并驾驭。 4)Map/Reduce 容易将逻辑思维框住,业务逻辑不连贯,容易让程序员在使用过程中总 是花大量时间去搞懂框架本身的实现。 5)在一台机器上未能很直接看出并行计算优势。 6)比较难直观设计每台计算机干哪些事情,每台计算机部署哪些程序,只能按照开发 步骤学习,按照提供方式运行。 7)没有一个简单易用的 Windows 版,需要模仿 Linux 环境,安装配置复杂。 第1章 概 述 ◆ 13 2. 抽取一个简化的并行计算框架 我们从秒杀作弊分析延伸出了想法,提取和归纳了分布式核心技术,建立了一个简化的 并行计算框架用于业务场景需要。我们的思路有以下几点: 1)对并行计算 Map/Reduce 和 forkjoin 等思想进行对比和研究。 2)侧重于小型灵活的、对业务逻辑进行并行编程的框架,基于该框架可以简单迅速建 立并行的处理方式,较大程度提高计算效率。可以在本地使用,也可以在多机使用,使用公 共内存和脚本语言配置,能嵌入式使用。 3)可以并行高效进行大数据和逻辑复杂的运算,并对外提供调用服务,所有的业务逻 辑由业务开发方提供,未来并行计算平台上可以高效支持秒杀器作弊分析、炒信软件分析、 评价数据分析、账务结算系统等业务逻辑运算。 4)可以试图做得更通用化,满足大部分并行计算需求。 下一章我们顺着这个思路深入解析并行计算模式的设计过程。 第2章 分布式并行计算的原理与实践 本章首先讲述分布式并行计算的各种设计模式和原理机制,并进一步说明 Fourinone 与 市场上其他并行计算产品和技术的区别,最后手把手演示大量并行计算案例。 本章讲述的分布式并行计算思想、模式、技巧、实现,与编程语言无关,读者可以用多 台计算机来尝试编程。 2.1 分布式并行计算模式 2.1.1 最初想到的 master-slave 结构 当我们最初构思使用几台计算机去设计一个分布式并行计算系统时,很自然就会想到 master-slave(m-s)的结构,由一台计算机作 为主调度者,然后几台计算机根据调度完成任 务,如图 2-1 所示。 实际上,这个最简单的并行计算结构目前 仍然存在于很多分布式系统中,master 通常实 现为一个 SocketServer,slave 与之保持心跳, 并且互相通信传送任务,最后由 master 汇集结 果。这个结构一目了然,容易被 C/C++ 或者 Java 实现。或者另外一种变体就是在一台计算 机上的多线程实现,由线程共享变量代替通信,多线程实现的 master-slave 结构也广泛存在 于各种应用中,对于经验并不多的工程师,也能自己写一个多线程实现的 master-slave 一展 身手。 图 2-1 master-slave 结构 第2章 分布式并行计算的原理与实践 ◆ 15 但是实践的时间长点,我们会发现这个最简单的并行计算结构存在一些缺陷。首先,各 个 slave 需要获取 master 的存在并连接它,master 必须做为一个服务程序存在,它跟 slave 之 间是一种紧密耦合的连接状态,master 必须一直存在于集群中,它虽然孤立,但是它是中心 领导,它太重要了,因此不能有任何问题。 另外,我们观察 master 的职责,它除了分配任务给 slave 执行外,还承担着负责协同 一致性等角色,比如它要接受 slave 的注册,如果 slave 死掉,需要感知等等,承担的责任 太多了。 因此master最好能将协同部分的职责分离出来,它只负责任务调度部分,为了减少故障, 它最好不要做为服务程序一直存在。 2.1.2 “包工头 - 职介所 - 手工仓库 - 工人”模式 30 年的改革开放,中国经济总量已经排到了世界第二的位置上,有部分原因是农民工在 加工生产行业几十年辛勤的劳动和努力,是他们使中国经济获得了今天的地位。 为了表示对中国农民工的敬意,Fourinone 提出一种简化的分布式并行计算的设计模型, 模仿现实中生产加工链式加并行处理的“包工头 / 农民工 / 手工仓库 / 职介所”方式设计分布 式计算,如图 2-2 所示。 图 2-2 “包工头 - 职介所 - 手工仓库 - 工人”模式 这个图能帮助认识整个计算结构,并产生一个总体印象:工头的 giveTask 方法可以由开 发者实现,工头先获取线上工人数量,然后调用各个工人的 doTask 方法,让工人们并行完成 任务,工人的 doTask 方法也可以由开发者实现…… 就是这么一个简化的框架思想,初步理解了它,我们再进一步看看各个角色的详细含义: 16 ◆ 大规模分布式系统架构与设计实战 “职介所”(ParkServer)可以部署在一台独立计算机,它在每次分布式计算时给“包工 头”介绍“工人”,当“工人”加入集群时首先在“职介所”进行登记,然后“包工头”去 “职介所”获取可用于计算的“工人”,然后“职介所”会继续和“工人”保持松散的联系, 以便在有新的工程时继续介绍该“工人”。 “工人”(MigrantWorker)为一个计算节点,可以部署在多个机器,它的业务逻辑由开发 者自由实现,计算时,“工人”到“输入仓库”获取“包工头”分配的输入资源,再将计算 结果放回“输出仓库”返回给“包工头”。 “包工头”(Contractor)负责承包一个复杂项目的一部分,可以理解为一个分配任务和 调度程序,它的业务逻辑由开发者自己实现,开发者可以自由控制调度过程,比如按照“工 人”的数量将源数据切分成多少份,然后远程分配给“工人”节点进行计算处理,它处理完 的中间结果数据不限制保存在 HDFS 里,而可以自由控制保存在分布式缓存、数据库、分布 式文件里。但是通常情况下,输入数据多半分布在“工人”机器上,这样有利于“工人”本 地进行计算处理和生成结果,避免通过“包工头”进行网络传送耗用。“包工头”实际上是 一个任务的调度者,它通过 getWaitingWorkers 方法获取线上工人并行调度任务执行,“包工 头”是一个并行计算应用的程序入口,它不是一个服务程序,运行完成就退出。 “手工仓库”(WareHouse)为输入输出设计(参见后面的图 2-4),让计算的资源独立于 计算的角色(包工头,工人),包工头和工人的数据交互都是通过手工仓库,它可以当做远 程请求的参数,同时也是返回结果的对象。“手工仓库”可以存放任意类型的对象,它本身 就是一个 map 的实现。 我们注意 WareHouse doTask(WareHouse inhouse)这样的接口设计,它的输入输出都 是 WareHouse,意味着它可以接受任意数量、任意类型的输入,也可以返回任意数量、任意 类型的输出,这样能做到最大灵活程度,因为作为一个框架,我们无法假定开发用户设计出 什么样的输入输出参数,以及什么样的类型。 注意 有人容易认为,包工头是将数据发到职介所,由工人去职介所拿数据(当然这种基于消息中 枢的计算方式也是可以支持,下个章节会介绍),但是图 2-2 展示的默认最常用的计算模型,是 包工头直接跟工人交互的。也就是职介所只起介绍作用,介绍给工头后就不干涉他们之间分配 任务干活了(因此计算过程中,职介所挂掉也不会影响工头 / 工人完成计算,这对计算结构的健 壮性来说很重要),但是介绍后职介所还会跟工人保持一种松散的联系,询问工人工作的怎么样, 联系方式是否变了,等等。联系是松散的意味着不影响工人工作,可以半个月 1 个月跟职介所联 系一次,时间可以自由设置,但是不能中断联系。保持松散联系的目的是为了在下一次有工头来 第2章 分布式并行计算的原理与实践 ◆ 17 职介所找工人时,是否继续介绍该工人,如果该工人死机,跟职介所已经失去了联系,就不能再 介绍给工头。“包工头 - 职介所 - 工人”整个作业过程跟我们现实社会中的场景完全吻合,这样 设计有利于更直观形象地理解这背后的并行计算思想。 最后我们再归纳一下各个角色职责: 包工头负责分配任务,开发者实现分配任务接口。 农民工负责执行任务,开发者实现任务执行接口。 职介所负责协同一致性等处理(登记,介绍,保持联系)。 手工仓库负责输入输出数据交换。 2.1.3 基于消息中枢的计算模式 由于 Fourinone 提供简单 MQ 的支持,因此包工头和工人之间的交互也可以以消息中枢 的模式进行,包工头将需要工人执行的任务 / 命令 / 消息发送到消息中枢,工人监听消息中 枢上各自的消息队列,一旦自己的队列有新内容,便接收执行任务,各个工人以并行的方式 进行,如图 2-3 所示。 图 2-3 消息中枢模式 如果要支持消息中枢模式,在 Fourinone 里只需要修改一个配置即可,在 config.xml 配置 文件里: 0 1 可以看到默认的计算模式选项为 0,代表工头工人直接交互模式(下章会介绍),如果将 18 ◆ 大规模分布式系统架构与设计实战 默认改为 1,便是消息中枢模式。 提示 对于开发者来说,实现程序上一行代码都不用改动,doTask 和 giveTask 仍然按照实现的内容 执行,只不过它们背后的交互机制完全不同,模式 0 是直接交互,模式 1 是把任务发到消息中枢 上交互。 消息中枢模式的优点:最直接的优点就是包工头机器和工人机器可以互相不可见,可以 互相网络不通,只要它们都跟消息中枢机器能连接即可。比如我们一个网吧或者一个公司的 机器,可以访问外面的互联网服务器,但是互联网服务器却不能直接连接到局域网网关内的 每台机器,那么使用模式 0 的方式肯定连接不了,使用模式 1 消息中枢是最好的方式,因为 如果包工头在另外一个局域网网络里,那么公共的互联网服务器是大家都可以连接的,但是 包工头和工人却无法直接连接。比如每日访问淘宝网站的有几千万用户 PC 机,他们可以直 接连接淘宝服务器,但是反过来淘宝的工头程序无法连接到每台用户 PC,如果能使用消息 中枢模式利用用户这几千台 PC 做一次并行计算,将产生一个巨大的计算能力。 消息中枢模式的缺点:所有的任务发送到消息中枢来实现异步传递,消息中枢本身很容 易形成瓶颈,因为它只有一台机器,容量有限,也容易形成故障单点,很明显,太大数据的 任务或者太频繁、太多的消息请求都对它的性能有严重影响,它只适合数量不多连续性质的 增量消息,但是不适合各种并行计算场景,特别是输入输出数据庞大,并且耗费网络带宽很 大的计算,比如我们下面的 2.3 节还会谈及 MPI 方式的并行计算。 所有的任务通过消息中枢中转而不是直接交互,数据多了一个中转环节,经过我们测 试,显然速度上不如直接交互的计算快。 消息中枢模式意味着包工头无法直接对工人进行各种复杂点的计算控制,因为这两者隔 离开来了,所以框架很多高级功能支持(比如避免工人任务重复调用、工人任务中止或者超 时中止、工人网络波动抢救期设置等等)在消息中枢模式下使用不了,以及我们下一节会谈 到工人和工人之间传递数据也使用不了。消息中枢模式只能完成最简单基本的计算。 因此,框架默认和推荐的方式是直接交互模式,该模式几乎能完成所有的分布式并行计 算需求了,只有工头 / 工人无法直接连接的网络环境才考虑使用消息中枢模式。 2.1.4 基于网状直接交互的计算模式 “包工头 - 职介所 - 手工仓库 - 工人”的基本结构和角色已经在前面介绍过了,这里重点 介绍计算过程中的工头和工人的交互机制。先看看框架默认和推荐的网状直接交互模式。 前面我们基本了解到工头通过在 giveTask 实现中,调用工人的 doTask 来分配任务,并 第2章 分布式并行计算的原理与实践 ◆ 19 轮询检查 doTask 结果是否完成,如果选择网状直接交互模式,也就是默认的设置: 0 那么这个调用过程是直接调用,而不会通过消息中枢中转,也就是如果计算过程中,把 parkserver 关掉,对计算也没有影响,反之则不行。 图 2-4 网状直接交互模式 通过图 2-4 我们观察到一个重要的特性,就是工人之间也是可以直接交互的。这个机制 主要使用在并行计算过程中的合并,各个工人在计算过程中互相进行数据合并。在每个工人 的 doTask 实现里,框架提供了一系列 API 帮助获取到集群中其他工人集合,如下所示: // 获取除该工人外其他所有相同类型的工人 protected abstract Workman[] getWorkerElse(); // 获取其他某个相同类型的工人,index 为在集群中序号 protected abstract Workman getWorkerIndex(int index); // 获取除该工人外其他所有工人,workerType 为工人类型 protected abstract Workman[] getWorkerElse(String workerType); // 获取其他某个工人,workerType 为工人类型,index 为在集群中序号 protected abstract Workman getWorkerIndex(String workerType, int index); 20 ◆ 大规模分布式系统架构与设计实战 // 获取某台机器上的工人,workerType 为工人类型,host 为 ip,port 为端口 protected abstract Workman getWorkerElse(String workerType, String host, int port); // 获取集群中所有工人,包括该工人自己 protected abstract Workman[] getWorkerAll(); // 获取集群中所有类型为 workerType 的工人 protected abstract Workman[] getWorkerAll(String workerType); // 获取自己在集群中的位置序号 protected abstract int getSelfIndex(); // 接收来自其他工人的发送内容 protected abstract boolean receive(WareHouse inhouse); 上面 API 中获取集群其他工人返回结果是 Workman,代表该名其他工人,Workman 有 一个 receive 方法可供调用,通常调用该工人的 receive 方法向它发送数据,同时每个工人都 需要实现 receive 接口,工人之间的整个交互过程如图 2-5 所示。 图 2-5 工人间互相交互 第2章 分布式并行计算的原理与实践 ◆ 21 图中示例了 3 个工人间的交互过程: 1) 包工头会并发地调用 3 个工人的 doTask,让他们完成任务; 2) 每个工人在计算过程中,如果需要跟其他工人交互,应先获取其他工人集合; 3) 依次调用其他工人的 receive 方法,将数据发送给该工人; 4) 在各自的 receive 方法实现中,接收其他工人发送过来的数据; 5) 如果所有工人的 doTask 调用完成了,那么所有工人的 receive 接收也完成了。 注意 对比前面的介绍,我们发现这里工人获取其他工人并且交互都是独立一套 API,为什么不直 接使用包工头的 getWaitingWorkers 获取工人集合,再调用每个工人的 doTask 传递数据呢?如果 工头和工人共用一套交互机制,很容易出现工头工人都在等待 doTask 执行完成,会产生死锁问 题(可以参考银行家算法),下面谈及跟 MPI 的区别时也会提到,因此框架从设计上就避免了开 发者使用产生死锁问题,分别用独立的 API 将“工头 - 工人”、“工人 - 工人”的交互隔离开来。 这样让开发者可以轻松设计并行计算而完全不用考虑死锁等复杂问题,这些让框架去考虑,开发 者专注在实现计算逻辑本身上即可。 我们总结一下并行计算过程中数据和计算的关系: 比如 Hadoop 的方式,是将计算 jar 包发到数据节点上执行,计算向数据移动; 还有的实时计算 Storm,是将数据通过消息发到节点上计算,数据向计算移动。 一般这类计算平台软件会将数据和计算的关系固化下来,开发者无法自己决定,必须按 照计算平台规范开发,上传 job 进行执行。 但是 Fourinone 的数据和计算的关系相当灵活,可以根据需求自由设计,几乎不受限制, 如下所示: 如果数据小,可以由工头分配任务时放在 Warehouse 里直接传给工人。 如果数据大,可以直接保存在工人机器上,Warehouse 里只放工头的命令,工人收到 命令后直接在本地读取数据计算;或者工头把数据地址、数据库表连接信息等发给工 人用于计算,但是不传数据。 如果计算结果小,各工人可以直接返回结果给工头汇总。 如果计算结果大,各工人直接存放本地,返回完成状态告诉工头。 如果中间结果小,可以返回工头合并再做为条件重新安排任务。 如果中间结果大,可以多次通过 receive 方式跟其他工人合并。 怎么做完全取决于开发者的需求和设计。 22 ◆ 大规模分布式系统架构与设计实战 2.1.5 并行结合串行模式 我们现实中很多需求不仅需要并行方式加快执行,很多时候还必须遵循串行的先后次序 执行。 比如生产 PC 机,必须要把主板、硬盘、CPU、内存等配件生产齐全后,才能进行组装, 如果其中一个配件未生产齐全,无法完成后续组装。但是生产主板、硬盘、CPU、内存每一 个配件的过程又都是并行的,现实生活中电子工厂生产线上大量的工人并行作业,同时生产 各种配件。 因此,我们需要框架支持“并行 + 串行”的模式才能满足更多的需求,如图 2-6 所示。 图 2-6 并行结合串行模式 我们可以看到,多个包工头可以衔接在一起,以加工链式的方式向下执行,同时每一个 链环节又可以让多个工人并行完成。这样做的好处有很多: 我们知道分布式并行计算多用于解决数据庞大计算复杂的应用,那么这个计算过程最 好能够拆分开来,不光是将计算数据拆分到不同计算机,计算过程也能拆分为多个环 节去做,工业界叫做“工艺流程”,如果将一个复杂漫长的计算过程混在一起并不是 一个好的做法。 计算过程混在一起没有环节,首先比较难监控和处理异常,如果把包工头划分为多个 环节很容易对计算过程进行监控,出现异常容易锁定环节,我们可以知道一个时间长 的计算任务目前运行到什么环节了,问题出在哪个环节,每个环节完成还可以发送消 第2章 分布式并行计算的原理与实践 ◆ 23 息事件进行相关协作。 对照环节的切分思想,我们再看看如何满足 Map/Reduce 计算,那么实际上 Map 是 一个环节,Reduce 是第二个环节,如果是更灵活的需求,比如 Map/Reduce/Map/ Reduce…,或者 Map/Reduce/Reduce…。如果我们按照 Map/Reduce 的方式套就很难 设计了,但是转换为一到多个链式环节去处理就很容易。 因此,包工头实现链式的多环节处理,有利于我们将复杂计算进行拆分,并且可以深入 控制计算过程,通过能构思整个计算“工艺流程”的设计,能保证业务逻辑的完整性,而不 至于将业务分散到框架的各个 Map 或者 Reduce 接口中,拆分得支离破碎,难以理解整个计 算过程设计。 2.1.6 包工头内部批量多阶段处理模式 通过上一节,我们了解到包工头之间的链式多环节处理, 但是由于多个包工头通常是由 多个类角色实现的,代表不同的调度角色和任务,那么这是一种粗粒度的环节划分,是否在 一个包工头里面也是可以进行细粒度的划分呢? Fourinone 框架提供了包工头内部的批量处理,批量处理就是由多个工人完成各自的任 务,必须等到最慢的一个工人做完,才统一返回结果。我们可看到批量处理 doTaskBatch 方 法的定义(详见框架源码): WareHouse[] doTaskBatch(WorkerLocal[] wks, WareHouse wh) 输入参数:WorkerLocal[] 是集群工人集合,WareHouse 是任务。 输出参数:WareHouse[] 是工人计算结果集合。 doTaskBatch 方法的含义也就是让 WorkerLocal[] 中每个工人执行 WareHouse 任务, 然后返回一个结果集 WareHouse[],其序号对应 WorkerLocal[],代表每个工人的完成 结果。 doTaskBatch 是一个堵塞方法,直到 WorkerLocal[] 中所有工人计算完成,才返回最后的 结果集。 因此,在包工头内部的逻辑设计中,我们可以通过多个 doTaskBatch 批量处理,将 giveTask 划分为多个细粒度的阶段处理,比如多个步骤。如图 2-7 所示。 24 ◆ 大规模分布式系统架构与设计实战 图 2-7 内部批量多阶段处理模式 所以,现在我们通过包工头的链式处理和内部的批量处理,可以粗粒度或细粒度地设计 并行计算过程中的环节和阶段划分,这样能更灵活地满足不同层面的计算过程划分需求。在 下面的章节中我们还会谈到业界的 BSP 等并行计算方式,其核心思想也就是对计算过程环节 划分的功能支持,但是没有粗细粒度的考虑。 2.1.7 计算集群模式和兼容遗留计算系统 从上面我们知道多个包工头外部可以分环节处理,虽然每个包工头可以调用多个工人并 行处理,但是多个包工头之间是一种串式处理,我们能否让多个包工头之间也并行处理呢? 比如一个包工头带领几个工人做饭,另外一个包工头带领几个工人炒菜,做饭和炒菜不需要 先后顺序,可以并行进行。 曾经收到一些开发者的反馈,说框架应该增加一个总工头角色,总工头可以给多个工头 分配任务,再由每个工头给多个工人分配任务,最后所有工人和工头都是并行作业。 我们顺着这个思路完善,如果总工头分配了任务,各个工头完成后,需要任务合并怎么 办,都汇集到总工头这个角色来合并吗,这样对于数据大的结果并不妥,各工头之间能否合 并呢,如果要支持,那么是否跟工人之间的合并机制类似了呢,能否避免重复设计? 另外,随着计算集群的扩充,总工头负责的计算任务的范围也需要扩大,能否不改变设 计便集成到另外一个包括它的计算集群中去,那么是否还需要总 - 总工头,总工头上面又总 工头,总工头和总工头之间是否也要考虑增加合并机制呢? 这样设计会越来越复杂和臃肿。 实际上灵活运用工头工人组合机制就可以解决这个问题,组成计算集群模式不需要额外 第2章 分布式并行计算的原理与实践 ◆ 25 设计其他角色。如图 2-8 所示。 图 2-8 计算集群模式 我们通过图 2-8 可以看到:这里总共示范了 4 组“工头 - 工人”计算单元,它们之间是 有层级的,下面阴影部分的 3 组计算单元是任务执行者,上面白色部分相当于一个“总工头” 角色,我们发现它是通过上层工人调用下层工头方式集成其他并行计算单元的,在工人的 doTask 实现内部,新增一个其他计算单元的工头类,管理该工头的生命周期,并且等待该工 头完成并行计算任务后,获取结果,这个中间结果可以返回给最上层的工头汇总,也可以上 层工人之间再进行合并。 通过这样的计算单元组件衔接的方式,我们可以横向扩充更多的“工头 - 工人”计算单 元进来,也可以纵向延升到更高级的工头,工头上面集成更多的工头,组成一个大的计算 集群。 同时,每一个并行计算单元并不一定都是同一时期开发的,也不一定是同一套 Java 技术 或者基于 Fourinone 计算框架开发的,它可以是 MPI 的,也可以是其他一个多台计算机的计 算集群,我们可以在工人实现里面通过脚本调用方式启动它(详见下面章节 2.5.9 节和 2.5.10 节),这样就能实现新旧系统、将不同技术平台的历史遗留系统统一集成。 为了深刻理解该并行计算集群结构,我们联想一下现实加工生产行业的类似情形: 假设我们是苹果公司,我们将手机生产组装的任务外包给中国的企业做,假设富士坑组 装手机壳、比阿迪生产摄像头、还有一些小公司组装其他配件,苹果公司内部跟这些外包公 司对接的都是各个部门,这些部门的负责人就好比是上层的工人,他们直接指挥下层公司的 老板——计算单元的包工头,每个生产外包公司的老板分配任务让各自工厂成千上万的工人 生产。每个生产外包公司都在并行生产各种配件,每个公司的工人都在并行生产某种配件, 26 ◆ 大规模分布式系统架构与设计实战 整体就是一个大的并行计算集群,最后汇总到苹果公司形成最终的手机产品。 几乎完全吻合我们现实社会中的生产加工原材料半成品承包模式。 实际上在上层工人调用下层工头时,可以根据一些条件流向的,比如满足 a 条件,分配 给 A 工头,满足 b 条件,分配给 B 工头,最后形成一个作业流,我们在后面 2.3 节讲 DAG 时, 也会谈到这个问题。 2.1.8 工人计算的服务化模式 在分布式应用中,非常基础也非常广泛的一项应用就是服务化,服务是 SOA 架构中最核 心的单元,可以说所有的 SOA 都是服务的组成和上层运用。 什么是服务,大家了解到 WebService 是服务,MQ 也可以看做一个服务,Http 可以看做 服务,Socket 服务端也可以看做服务,Ftp 也可以做服务,等等。 我们听说过这么多的技术被叫做服务,那么如何来归纳服务的概念呢? 最简陋的理解:服务是一个监听程序,它说白了就是提供服务器在某个端口监听,并提 供根据业务定义的输入输出数据格式交换接口。 因此,我们写一个 Socket 服务程序,它一直监听等待,它只接受某种格式的消息头,并 返回某种格式的数据,那么这就是一个原始简陋的服务。 当然有更标准的服务 WebService,它提供一个基于 XML 的 WSDL 服务定义,无论什么 样的程序语言平台,我们都遵循这个 XML 输入输出标准,如何查看这个服务标准呢,访问 它的 WSDL 文件,然后各自的程序语言平台去实现各自语言数据格式到 XML 数据格式的转 换,分布式通信交互都是通过 XML 的消息方式进行,WSDL 严格定义了服务的内容和数据 格式,而且形成标准。 不过,我发现很多公司并不喜欢 WebService 的标准服务(我怀疑可能开发有点繁琐, 因此工程师难上手而回避它,好像更喜欢 restful 方式的简单服务),而更多是自己实现一个 类似上面说的 Socket 原始简陋的服务,当然他们的实现技术千差万别,一般不会基于底层 写 TCP 通信,而会借助 MINA、NETTY 这样的通信组件解决通信交互问题,然后再自己做 点序列化的工作, 再集成到 Spring 等 Bean 管理容器中。最后完成的这个服务产品肯定没有 WSDL 的标准定义,在其之上也比较难做 ESB 等标准服务编排等 SOA 架构,它更多的是用 在公司内部的服务化需求中,而很少用在公司对外的服务集成中。 实际上在金融行业,银行保险公司对外提供的服务交换接口中,银监会有着严格的服务 标准定义,比如银保通定义了银行和保险公司数据交换的详细格式和内容,体现在他们系统 对外的服务接口上,必须严格遵循该项标准。否则金融行业对外的系统交互需求特别多,如 果各个公司都遵循自己的服务标准,几乎建立不了公共标准的集成应用。 第2章 分布式并行计算的原理与实践 ◆ 27 我们理解了一些服务的概念,再回头来看看 Fourinone 做为一个分布式框架,对服务性 质的功能的支持,那么可以肯定的是提供不了 WebService 的标准跨平台服务,因为框架的侧 重点不是在服务化的深入和标准上,但是由于分布式技术与服务的相似性,可以实现上面理 解的最原始简陋的服务。 提示 实际上工人都是一个个的服务,doTask 是一个通用的服务接口。只不过通常在并行计算中 工人只对一个工头提供服务,默认不允许多个工头对它调用,它们默认并不是一个广泛意义的服 务,但是我们可以通过修改配置文件将工人改成一个广泛的服务。 在 config.xml 配置文件的工人模块: false 我们可以看到 SERVICE 项的默认配置是 FALSE,将它改为 TRUE,那么工人变成一个 服务概念,由于服务需要支持多个客户端同时访问,每个工人服务可以接受多个工头调用, 工头在这里变成一个服务客户端概念,WareHouse 在这里变成了一个输入输出的格式定义, 因为 WareHouse 是一个通用的 MAP,它什么都可以装,也什么都可以返回。最后我们的通 用服务接口看上去像这样: Map outputdata doService(Map inputdata) 只不过这里名字不叫 doService,而叫 doTask。 图 2-9 工人计算服务化模式 28 ◆ 大规模分布式系统架构与设计实战 但是我们面向用户的时候多半不是上面通用服务接口的样子,而是有业务含义的特定服 务接口,比如像下面这个样子: String sayHello(String name) 这个特定服务输入一个字符串参数 name,根据逻辑返回另外一个字符串结果。按照我们 设计软件的通常做法,一般会将背后原始基础的通用服务隐藏起来,把面向用户的接口暴露 给它们,而在用户接口的实现里面调用原始的通用基础服务 doTask。在下面 2.5.1 节的例子 里我们就可以看到。 另外还有个地方要注意,使用工头获取线上工人服务需要输入一个类型然后得到一个集 合,这实际上意味着我们可以让工人指定提供某种类型的服务,并且可以有多个工人提供这 种类型的服务,换句话说,提供某种服务的地址可以有多个,比如 3 个服务器都可以提供 hello 服务,我们可以负载均衡的访问他们其中一个,这恰恰是大型分布式服务系统所需要的。 根据之前我们了解的 doTask 的调用,在并行计算环境下需要轮询结果,如果是服务化运 用,包工头实际上是在提供客户端的功能,doTask 实际上是服务调用,那么我们可以异步方 式调用,轮询结果;也可以同步调用,使用前面讲的 doTaskBatch,等待结果完成后再返回。 工人服务化详细实践和示例请参见 2.5.16 节。 2.2 跟 Hadoop 的区别 对于初学者,特别是学习过一些 Hadoop 知识的读者,可能阅读到这里会产生疑惑,本 书描述的分布式核心技术跟 Hadoop 之间的到底有哪些区别。 在表 2-1 中,我们全面列举两者之间的区别,但是仅供参考,不是对 Hadoop 产品持否 认态度,我们一贯尊重 Hadoop 作者和 Hadoop 的使用者。 注意 该对比是在 Fourinone-1.11.09 版本,在 2.0 版以后的 Fourinone 打包部署提供了自动部署,并 且增加了完整分布式文件操作功能。 表 2-1 两个系统的比较 Fourinone-1.11.09 Hadoop-0.21.0 体积 82K 71M 依赖关系 就一个 jar,没有依赖 约 12 项 jar 包依赖 配置 就一个配置文件 较多配置文件和复杂属性 集群搭建 简单,每台机器放一个 jar 和配置文件 复杂,需要 Linux 操作基础和 ssh 等复杂 配置,还需要较多配置文件配置 第2章 分布式并行计算的原理与实践 ◆ 29 Fourinone-1.11.09 Hadoop-0.21.0 计算模式 提供两种计算模式:包工头和工人直接交 互方式,包工头和工人通过消息中枢方式交 互,后者不需要工人节点可直接访问 计 算 更 多 倾 向 于 文 件 数 据 的 并 行 读 取, 而 非 计 算 过 程 的 设 计。JobTracke 跟 TaskTracker 直接交互, 查询 NameNode 后, TaskTracker 直接从 DataNode 获取数据 并行模式 N×N,支持单机并行,也支持多机并行, 多机多实例并行 1×N,不支持单机并行,只支持多机单 实例并行 内存方式 支持内存方式设计和开发应用,并内置完 整的分布式缓存功能 以 HDFS 文件方式进行数据处理,内存 方式计算支持很弱 文件方式 自带文件适配器处理 IO HDFS 处理文件 IO 计算数据要求 任意数据格式和任意数据来源,包括来自 数据库,分布式文件,分布式缓存等 HDFS 内的文件数据,多倾向于带换行符 的数据 调度角色 包工头,可以有多个,支持链式处理,也 支持大包工头对小包工头的调度 JobTracke,通常与 NameNode 一起 任务执行角色 农民工,框架支持设计多种类型的工人用 于拆分或者合并任务 TaskTracker,通常与 DataNode 一起 中间结果数据保存 手工仓库,或者其他任意数据库存储设备 HDFS 中间结果文件 拆分策略 自由设计,框架提供链式处理对于大的业 务场景进行环节拆分数据的存储和计算拆分 根据业务场景自定义 以 64M 为拆分进行存储,以行为拆分进 行计算,实现 map 接口,按行处理数据进 行计算 合并策略 自由设计,框架提供农民工节点之间的合 并接口,可以互相交互设计合并策略,也可 以通过包工头进行合并 TaskTracker 不透明,较少提供程序控制, 合并策略设计复杂,实现 Reduce 接口进行 中间数据合并逻辑实现 内存耗用 无需要制定 JVM 内存,按默认即可,根 据计算要求考虑是否增加 JVM 内存 需要制定 JVM 内存,每个进程默认 1G, 常常 NameNode,jobtracker 等启动 3 个进程, 耗用 3G 内存 监控 框架提供多环节链式处理设计支持监控过 程,通过可编程的监控方式,给于业务开发 方最大灵活的监控需求实现,为追求高性能 不输出大量系统监控 Log 输 出 较 多 的 系 统 监 控 Log, 如 Map 和 Reduce 百分比等,但是会牺牲性能,业务 监控需要自己实现 打包部署 脚本工具 上传 jar 包到 jobtracker 机器 平台支撑 支持跨平台,Windows 支持良好 多 倾 向 于 支 持 Linux,Windows 支 持 不 佳,需要模拟 Linux 环境,并且建议只用于 开发学习 其他 协同一致性、分布式缓存、通信队列等跟 分布式计算关系密切的功能支持 不支持 总结:Hadoop 并不是为了追求一个并行计算的框架而设计,提供快捷和灵活的计算方式 去服务各种计算场景, 它更多的是一个分布式文件系统,提供文件数据的存储和查询,它的 Map/Reduce 更倾向于提供并行计算方式进行文件数据查询。 Fourinone 和 Hadoop 运行 Word Count 的对比测试(平均 4 核 4G 配置,输入数据为文件) 如表 2-2 所示。 (续)   30 ◆ 大规模分布式系统架构与设计实战 表 2-2 运行对比 Fourinone- 1.11.09(n×4) Fourinone- 1.11.09(n×1) Hadoop- 0.21.0(n×1) 3 台机器 ×256M 4s 12s 72s 3 台机器 ×512M 7s 30s 140s 3 台机器 ×1G 14s 50s 279s 19 台机器 ×1G 21s 60s 289s 10 台机器 ×2G 29s 5 台机器 ×4G 60s N×4: Fourinone 可以充分利用单机并行能力,4 核计算机可以 4 个并行实例计算,Hadoop 目前只能 N×1; 如果要完成 20G 的数据,实际上 Fourinone 只需要使用 5 台机器用 60 秒完成,比使用 19 台机器完成 19G 的 Hadoop 节省了 14 台机器,并提前了 200 多秒。 2.3 关于分布式的一些概念与产品 从业 IT 行业就要做好心理准备,这个行业的技术日新月异,产品层出不穷,Hadoop 还 没学完,Spark 就来了,Spark 刚学会安装,Storm 又来了……一个产品刚学会了安装配置开 发步骤,没多久它又过时了,很多工程师就这样最终被拖累了,拖疲了,拖的放弃了技术路 线,转向管理岗位。 这么多千姿百态的技术和产品背后有没有某些共性的东西呢?能让我们换了马甲还能认 出它,能让我们超越学习每个产品的“安装配置开发”而掌握背后的精髓呢,这样学一反 三,学一招应万招,能够牢牢掌握好技术的船舵,穿越一次次颠覆性的技术浪潮。 我们前面章节学习了 Fourinone 的很多分布式技术思想,那么当我们再次碰到市场上其 他千姿百态的技术时,能否具备了一些识别能力,具备了一些悟性,帮助我们认清楚这些技 术的本质和用途,避免重复性学习呢。 我们发现,市场上和分布式技术一起高频率出现还有这些技术名词:离线计算、实时计 算、迭代计算、Mpi、Spark、Storm、BSP、DAG……我们接下来争取用简练的语言指出这 些技术和产品的本质特征。 离线计算:它不是技术,也不是产品,而是一种分布式计算应用方式。Hadoop 应用大部 分都是离线计算,也就是数据通常保存在分布式文件系统中,在离线状态下去分析这些数据, 类似离线状态的数据分析应用有很多,日志分析也属于一种离线计算,很多数据挖掘算法也 是基于离线计算的。通常离线计算要分析的的数据量很大,一般用并行计算方式提高效率。 实时计算:其实多数是指一种增量计算,尽量让计算过程在短时间完成,而不是先导入 多少数据到一个存储位置,然后再花费数个小时去分析这些数据,这是跟离线计算的本质区 别,实时计算的数据是增量性的,少量的,变化的,来了就能算的。实时计算也是一种分布 第2章 分布式并行计算的原理与实践 ◆ 31 式计算应用方式。 迭代计算:这种计算方式使用 Hadoop 的 Map/Reduce 并不好弄,它有个最大的区别,就 是需要考虑阶段,上一阶段的结果是下一阶段的条件,而且为了高效,最好中间结果保存 内存,不要频繁读写文件,迭代计算在数据挖掘聚类算法、机器学习算法等等有很多应用, 主要因为这些算法要大量训练,逐渐靠近精确结果,所以中间结果会做为下一轮条件。在 2.1.11 节我们讲述了一个迭代计算的简单例子。 这三种计算应用方式实际上是目前互联网行业运用最多的。下面介绍一些分布计算的产品。 1.Storm 国外 Twitter 公司的一款用于实时分析的软件,后来将其开源,Twitter 这家企业技术实 力并不强,规模也不能算大,国内新浪微博跟它类似,但是市场规模要更大。Storm 是一个 集成性质的软件产品,核心的消息通信和分布式协调都是使用其他开源软件,要运行 Storm, 需要依赖 Apache ZooKeeper、JZMQ(ZeroMQ),ZooKeeper 用于管理集群中的不同组件的协 同,JZMQ(ZeroMQ) 是其核心的内部消息系统。抛开 Storm 本身的安装配置开发步骤,我们 认识到其流式计算方式,主要是指增量数据通过消息分发,多个消息接收者并行接收处理这 样的一个机制,我们再回头看 Fourinone 能否也实现这样的机制。 提示 跟 Storm 集成 ZooKeeper 和 JZMQ(ZeroMQ) 去实现其核心功能不同,Fourinone 的分布式协 调和消息队列功能都是框架自带的功能,拥有自己的实现,底层技术上完全不依赖第三方厂商。 我们回头看 2.1.2 节“包工头 - 职介所 - 手工仓库 - 工人模式”的架构图会发现可以完 全实现上面 Storm 的计算机制,通过工人分发任务调用,可以将数据以消息的形式封装到 warehouse 里,调用每个工人并行完成对数据消息的处理,而且根据前面章节的详细阐述, 可以支持消息中枢的方式(跟 Storm 一样),也可以支持直接工头工人直接调用方式(这种方 式更高效,避免消息中枢瓶颈),两种方式只需要配置修改一下,实现程序无须变动。 由于一直以来国内的工程师都是以学习使用国外开源软件作为生存技能,所以作为国外 软件的 Storm,在国内仍然拥有一些追随者,当然这也离不开 Twitter 公司的应用场景。但是 我们看到 Fourinone 对分布式技术设计思想的归纳是覆盖这个应用范围的,在软件分布式技 术这个层面,我们已经拥有相关的核心技术,并能做得更超越。Fourinone 努力将分布式实现 技术做到傻瓜化和普及化,让工程师能更快更轻松的掌握。 2.Spark 这实际上是加州伯克利大学学生的作品,年少轻狂、意气风发的学生们开发了一款基于 32 ◆ 大规模分布式系统架构与设计实战 内存的用于迭代计算的框架,立刻便风靡世界。有时真佩服这种国外学校的市场影响力,不 用做什么推广就产生市场效应,特别是 Spark 还公开表示自己并不成熟稳定就能吸引大量 追随者。Spark 建立在一个叫做 mesos 的资源调度框架上(我们会在第 7 章介绍到 mesos), mesos 也是伯克利大学学生们的作品,后来开源后成为 Apache 项目。在 mesos 的 Github 官方 Wiki 上用黑色醒目字体写了这么句话:Please note that Mesos is still in beta. Though the current version is in use in production at Twitter, it may have some stability issues in certain environments. (https://github.com/mesos/mesos/wiki ),公开表示还不稳定。 Spark 用比较少的 Scala 代码实现,跟 Hadoop 基于分布式文件 IO 操作方式不同,Spark 尽可能利用内存去做迭代计算,并使用 mesos 管理机器资源分配。 Fourinone 则是通过多个包工头多环节链式处理和包工头内部多阶段处理的粗细粒度方式 支持迭代类型计算,对于内存的使用提供完整的单机小型缓存和多机分布式缓存功能(详见 第 4 章)。因此,通过提供多环节计算支持和分布式缓存功能,也能实现 Spark 基于内存完成 迭代计算的机制。 在互联网公司内部,Spark 相对于 Storm 来说,使用的场景要少很多,这个原因作者也 观察思考过,虽然加州伯克利大学耀眼的光环仍然吸引着大量研究者,但是有一点估计是哑 巴吃黄连,就是用起来比较难,学习成本大,出了问题难以处理。因此导致工程师真正使用 Spark 建立应用的场景很少。就好比西藏虽然很美很理想,但是氧气稀薄,紫外线太厉害, 对皮肤的杀伤力太大,让人很难拥有。还有一点永远不会变,那就是工程师和研究人员不 同,研究人员不能研究太通俗易懂、简单直观的东西,但是工程师最终只会支持自己能学会 的、容易学会的、容易谋生的工具。EJB 被 Hibernate 打败就是一个活生生例子,曾经的 EJB 是分布式技术领域的重要代表,为什么 EJB2.0 几乎到死亡的边缘,原因可能很多,但有一点 是肯定的,因为它开发配置复杂难用,而 Hibernate 更轻量级和简单易用,其实 Hibernate 只 能做 O/R 映射,根本解决不了分布式框架的问题,但是这不影响它取代 EJB,因为大部分开 发人员对 EJB 的理解就是当做 O/R 映射来用。 3.MPI MPI(Message Passing Interface)是消息传递并行程序设计的标准之一,它是一个规范 或者是一个库,但是不包括实现,目前最新版本为 MPI-2(1997 年发布),MPI 能完成并行 机的进程间通信,当前的实现版本有 MPICH2 和 OPENMPI,目前广泛用于互联网企业的广 告算法和迭代算法,阿里和国内其他大型互联网公司都有成百上千的 MPI 计算集群。 MPI 定义了进程间的通信接口,比如 mpi_send 和 mpi_recv 等两个进程发送接收最常用 接口,由此可见,基于 MPI 可以利用多个进程并行作业和交互,相对于上面介绍的 Hadoop、 Storm 等计算平台,MPI 能实现更灵活的并行计算方式,MPI 更接近开发工具包和开发规范, 第2章 分布式并行计算的原理与实践 ◆ 33 在这点上跟 Fourinone 有很大的相似性,比如 giveTask 和 doTask 跟 mpi_send 和 mpi_recv 在 并行计算上有相似点。 但是 MPI 仅仅定义出进程间的通信接口和交互方式,它缺乏对并行计算模式的设计归纳 和角色抽象,比如没有任务调度角色包工头,没有多环节处理模式设计,没有独立的协调者 角色,等等。因此基于 MPI 开发并行计算的难度要更大,编程要基于进程通信接口,缺乏一 个完善而灵活的框架去简化复杂度和屏蔽编程错误,比如多进程合并的死锁问题,MPI 开发 者需要自己在开发中考虑。另外 MPI 的调度是一个突出问题,由于缺乏专门的任务调度角 色,MPI 的启动借助于操作系统进程管理器,把各个 MPI 进程当作操作系统进程孤立地启动 和管理,因此 MPI 的调度方案一直是阿里、百度等公司进行研究的项目(我们在 7.4.1“其 他 MPI 作业资源调度技术”中会详细谈到)。 MPI 在中国著名高校里作为研究生课程,有比较深的普及度,但是在业界开源社区并不 火热,多数应用于 Linux 下的 C 环境开发,Java 开源社区涉及的很少,几乎没有太知名的 Java 版 MPI 实现。 MPI 虽然原始,开发运行较繁琐,但仍不失为一种灵活的并行计算方式。比如前面我 们举的并行计算递归,或者并行计算求圆周率这些灵活计算的例子,使用 Hadoop/STORM/ Spark 几乎做不了,使用 MPI 可以做出,但是实现肯定比 Fourinone 要麻烦。 4.BSP Apache 发布了一款 Hama 的并行计算软件牵扯出了 BSP (Bulk Synchronous Parallel) 思想, 工程师们感慨万千,老外又出新产品和技术了,赶紧学啊,指南在哪里,helloworld 例子在 哪里,安装部署文档在哪里,又要开始学习新技术的苦逼日子了……其实我们不妨先从原理 上分析一下该技术的来龙去脉和核心思想,再看看我们掌握的已有技术是否已经覆盖了。 Hama 基于 BSP 实现了 Google 的 Pregel 的思想,提供一个相对于 Map/Reduce 和 MPI 更灵活的计算模式,大致由并行进程、消息通信层、栅栏同步层组成,并划分成一系列的 superstep。官方资料强调 BSP 相对于 MPI 更侧重解决通信密集型计算,并对计算过程用一些 参数指标,比如:进程数、进出消息数、消息大小等等,试图预估出整个计算需要耗费的时 间。BSP 相对于 MPI 的优化主要还是设计模型上,通信接口等优化不了什么。提出一个栅栏 的设计,其实就是划分阶段和环节,用于迭代类型。还有就是基于消息的进程间通信交互, 用发布接收消息模式代替点对点通信。 Google 相关论文是:Pregel: A System for Large-Scale Graph Processing。 我们看到,BSP 思想的核心其实就是将复杂计算过程划分多个阶段 , 每阶段等待最慢的 进程计算完才能进行下一个阶段,并且试图通过一些参数指标估算出并行计算时间,但是这 个时间较难估计,跟用户业务实现复杂度相关。而 Fourinone 对阶段的粗细粒度设计,BSP 34 ◆ 大规模分布式系统架构与设计实战 并没有这样的考虑。 5.DAG 我们对任务调度 DAG(有向无环图)的认识更多是从微软的分布式并行计算平台 Dryad 来的,Dryad 系统的总体构建用来支持有向无环图(Directed Acycline Graph,DAG)类型数 据流的并行程序。Dryad 的整体框架根据程序的要求完成调度工作,自动完成任务在各个节 点上的运行。在 Dryad 平台上,每个 Dryad 工作或并行计算过程被表示为一个有向无环图, 如图 2-10 所示。 图 2-10 DAG(有向无环图) 上面的描述很抽象,但简单来说,DAG 最有价值的地方是构成了一个任务并行流的概 念,比如我们的任务共有几个子任务,第一个子任务需要 20 台计算机并行计算完成,第二 子任务需要 40 台计算机并行计算完成,第三个子任务需要 30 台机器完成,现在我们来设计 任务调度,由于业务需求,任务一 + 条件一 + 任务三是我们需要的,另外一个需求任务一 + 条件二 + 任务二是我们需要,每个子任务都是多个计算机并行计算,并且子任务之间有先后 顺序,同时需要匹配一定条件,反过来观察我们的计算流程中的节点,刚好构成了一个有向 无环图的树结构。 那么 Fourinone 如何实现这样的任务流结构,多个任务之间有先后顺序,而且要匹配流 转条件,同时每个任务又是并行处理。我们回头看看 2.1.7 节“计算集群模式和兼容遗留计 算系统”的工头工人计算集群模式,每一个工头计算单元就是子任务,它同时由多个工人并 行处理,在计算集群模式的架构图里我们看不到先后顺序,各工头计算单元之间是平行的, 但是我们根据计算集群的扩充性很容易就能延伸出,工头计算单元可以前后衔接,衔接方式 是通过在工人实现里面调用,由于工人实现是灵活的,所以也可以在衔接时增加条件判断, 根据需要选择下一个子任务交给哪个工头单元完成。因此,通过计算集群的衔接方式,我们 能很容易实现出一个 DAG 的结构出来。 第2章 分布式并行计算的原理与实践 ◆ 35 还有更多的技术和产品我们就不一一分析了。 通过对以上对市场上高频率出现的分布式技术和产品分析,我们发现一个道理,其实分 布式技术都是那套原理,分布式技术的产品只不过往不同方面的侧重有所不同,然后就包 装出一个新的概念,比如支持多阶段包装出 BSP,支持消息分流包装出 Storm,支持计算 任务流包装出 DAG……其实我们用一个灵活的框架就可以概括这些不同侧重面的应用了, 这样节省了我们大量的学习成本,并且开阔了眼界。碰到国外新技术和新产品,我们应该学 会思考一下看看它是穿了什么马甲,而不要急着进行“安装配置开发步骤”这样无休止地盲 目跟学。 2.4 配置文件和核心 API 介绍 Fourinone 开发包自带了一个 config.xml 的配置文件,运行时必须要有。为了降低门槛, 更容易上手,配置文件和核心 API 都尽量简化,XML 配置里一般都不需要改,需要修改的 每个例子里都有涉及。同样一般常用的 API 例子都有说明,没说明的一般不用,API 多了不 容易上手,例子已经基本覆盖所有 API。下面把使用最多的核心 API 说明一下(ParkServer 的 API 详见第 3 章),参见表 2-3。 表 2-3 核心 API 说明 分类 名称 说明 工头 WareHouse giveTask(WareHouse inhouse) 实现分配工人要做的任务 WorkerLocal[] getWaitingWorkers(String workerType) 获取集群中等待的工人 WareHouse[] doTaskBatch(WorkerLocal[] wks, WareHouse wh) 所有工人批量完成给定任务处理 doProject(WareHouse inhouse) 工头开始项目启动 toNext 多个包工头链式处理 工人 WareHouse doTask(WareHouse inhouse); 实现工头分配的任务 waitWorking(String workerType) 等待工作状态 , 指定工人类型 Workman[] getWorkerAll(); 获取所有的工人 Workman[] getWorkerElse(); 获取除自己外的其他工人 Workman[] getWorkerElse(String workerType) 获取其他某种类型的工人 Workman getWorkerIndex(int index) 获取第 index 位工人 Workman getWorkerIndex(String workerType, int index) 获取某种类型的第 index 位工人 int getSelfIndex(); 获取自己在工作中的位置 boolean receive(WareHouse inhouse) 接收来自其他工人的传递

下载文档,方便阅读与编辑

文档的实际排版效果,会与网站的显示效果略有不同!!

需要 5 金币 [ 分享文档获得金币 ] 0 人已下载

下载文档

相关文档