并行计算和mapreduce

现在MapReduce/Hadoop以及相关的数据处理技术非常热，因此我想在这里将MapReduce的优势汇总一下，将MapReduce与传统基于HPC集群的并行计算模型做一个简要比较，也算是对前一阵子所学的MapReduce知识做一个总结和梳理。

　　随着互联网数据量的不断增长，对处理数据能力的要求也变得越来越高。当计算量超出单机的处理能力极限时，采取并行计算是一种自然而然的解决之道。在MapReduce出现之前，已经有像MPI这样非常成熟的并行计算框架了，那么为什么Google还需要MapReduce，MapReduce相较于传统的并行计算框架有什么优势，这是本文关注的问题。

　　文章之初先给出一个传统并行计算框架与MapReduce的对比表格，然后一项项对其进行剖析。　

MapReduce和HPC集群并行计算优劣对比
▲

　　在传统的并行计算中，计算资源通常展示为一台逻辑上统一的计算机。对于一个由多个刀片、SAN构成的HPC集群来说，展现给程序员的仍旧是一台计算机，只不过这台计算拥有为数众多的CPU，以及容量巨大的主存与磁盘。在物理上，计算资源与存储资源是两个相对分离的部分，数据从数据节点通过数据总线或者高速网络传输到达计算节点。对于数据量较小的计算密集型处理，这并不是问题。而对于数据密集型处理，计算节点与存储节点之间的I/O将成为整个系统的性能瓶颈。共享式架构造成数据集中放置，从而造成I/O传输瓶颈。此外，由于集群组件间耦合、依赖较紧密，集群容错性较差。

　　而实际上，当数据规模大的时候，数据会体现出一定的局部性特征，因此将数据统一存放、统一读出的做法并不是最佳的。 MapReduce致力于解决大规模数据处理的问题，因此在设计之初就考虑了数据的局部性原理，利用局部性原理将整个问题分而治之。MapReduce集群由普通PC机构成，为无共享式架构。在处理之前，将数据集分布至各个节点。处理时，每个节点就近读取本地存储的数据处理(map)，将处理后的数据进行合并(combine)、排序(shuffle and sort)后再分发(至reduce节点)，避免了大量数据的传输，提高了处理效率。无共享式架构的另一个好处是配合复制(replication)策略，集群可以具有良好的容错性，一部分节点的down机对集群的正常工作不会造成影响。

　　硬件/价格/扩展性

　　传统的HPC集群由高级硬件构成，十分昂贵，若想提高HPC集群的性能，通常采取纵向扩展的方式：即换用更快的CPU、增加刀片、增加内存、扩展磁盘等。但这种扩展方式不能支撑长期的计算扩展(很容易就到顶了)且升级费用昂贵。因此相对于MapReduce集群，HPC集群的扩展性较差。

　　MapReduce集群由普通PC机构成，普通PC机拥有更高的性价比，因此同等计算能力的集群，MapReduce集群的价格要低得多。不仅如此，MapReduce集群中的节点通过以太网进行连接，因而具有良好的横向扩展性，即可以通过添加PC机节点的方式提高处理能力。Yahoo!拥有世界上最大的Hadoop集群，包含4000多个节点(Google的 MapReduce集群规模应该更大，但好像没公布过具体数字，如有网友知情，还望不吝赐教)。

　　编程/学习难度

　　传统的并行计算模型都有着与多线程模型类似的逻辑，这种编程模型最大的问题是程序的行为难以控制。为了保证正确的执行结果，需要小心控制共享资源的访问，并由此发展出了互斥量、信号量、锁等一系列同步技术，也带来了诸如争抢、饥饿、死锁等问题。程序员在使用传统并行计算模型编程时，不仅仅要考虑要做的事情(即“what to do”：使用并行模型描述需要解决的问题)，还要考虑程序执行的细节(即“how to do”，程序执行中的诸多同步、通信问题)，这使得并行编程十分困难。已有的编程模型，例如MPI、OpenCL、CUDA也只是在较低的层次做了封装，需要处理的程序执行细节依然很多。

　　MapReduce则做了更多处理：MapReduce不仅包含编程模型，还提供一个运行时环境，用以执行MapReduce程序，并行程序执行的诸多细节，如分发、合并、同步、监测等功能均交由执行框架负责。使用MapReduce，程序员只需要考虑如何使用MapReduce模型描述问题(what)，而无需操心程序是如何执行的(how)，这使得MapReduce易学易用。

　　适用场景

　　说了这么多MapReduce的好话，MapReduce是万金油吗?

　　答案是否定的，无论什么时候，都不应该忘记MapReduce的设计初衷：解决大规模、非实时数据处理问题。大规模决定数据有局部性特性可利用(从而可以划分)、可以批处理;非实时代表响应时间可以较长，有充分的时间执行程序。比如下面的几个操作：

　　1. 更新搜索引擎排序(在整个web图上执行PageRank算法)

　　2. 计算推荐(推荐结果并不需要实时更新，因此设定一个固定时间点周期性更新)

　　MapReduce的诞生有它的时代背景：随着web的发展，尤其是SNS和物联网的发展，web上各种由用户、传感器产生数据量呈现出爆炸式的增长。数据存起来只能是死数据，唯有经过分析处理，才能得到数据中蕴含的信息，进而从信息中总结知识。因此数据重要，处理数据的能力同样重要。传统的基于HPC集群的并行计算已经无法满足飞速增长的数据处理需要，因此基于普通PC的低成本、高性能、高可扩展性、高可靠性的MapReduce应运而生。