Spark中緩解數據傾斜的自適應任務調度技術研究與優(yōu)化.pdf

1、大數據及其相關處理技術成為當今計算機科學領域和工業(yè)界最重要的技術之一，最為嶄新的知識獲取范式，商業(yè)公司和學術科研組織已經將大數據的獲取、存儲與處理能力作為其核心競爭力之一。大數據面臨著諸多問題，數據的規(guī)模正在非線性增長，傳統(tǒng)的數據庫技術早已不能滿足大數據的要求。Google公司于2004年提出的MapReduce框架成為大數據時代具有里程碑意義的技術，然而近年來層出不窮的新場景、新應用卻使MapReduce的開源實現(xiàn)Hadoop遭遇前所

2、未有的沖擊。2011年由Matei Zaharia提出的基于RDD即彈性分布式數據集概念的通用內存計算框架Spark在批量計算、迭代計算和流式計算等高速場景表現(xiàn)良好，但是這兩種通用模型都要面對數據傾斜的問題，實際上只有少數系統(tǒng)如HBase、Pig等才有相應的防傾斜策略。
　　本文深入探討并總結了 RDD的原理和Spark的執(zhí)行流程，結合MapReduce下的傳統(tǒng)策略，分析了其處理數據傾斜的缺陷，致力于引入少量改動而大幅提高其緩解數

3、據傾斜的性能，最終實現(xiàn)了優(yōu)化的SASM策略。Spark將最小的調度粒度控制在任務層，每個任務中處理的數據量在任務執(zhí)行中是不可變的。但是Spark在實現(xiàn)時良好的分層結構使調度粒度控制變得更加靈活，使其在數據傾斜場景下有很大的優(yōu)化空間。SASM的核心思想為將調度粒度下移到文件塊層，使得數據能在任務層自由調度，最大程度平衡各個任務的負載量。
　　SASM為了減少文件調度前由掃描引起的大量磁盤I/O開銷，只利用任務在執(zhí)行中用于獲取真實數據

4、的文件塊元數據，并以此為基礎計算調度策略，為了避免不必要的調度，調度策略只辨識執(zhí)行最慢的任務，并將其所屬文件塊分配給執(zhí)行較快的數個任務。Shuffle時的下游任務除了接受Spark調度系統(tǒng)傳送的文件塊，還在任務執(zhí)行過程中動態(tài)添加或者刪除文件塊。調度系統(tǒng)基于異步消息模型，即可以保證指令的順序執(zhí)行，也可以避免消息處理阻塞數據處理過程，提高的CPU處理效率， 代價是消息接收方需要對消息有效性做出鑒別。SASM策略在執(zhí)行中會同時收集任

5、務的計算速度和網絡傳輸速度，通過將其納入調度方案的計算使調度更加公平。本文還討論了其他配套的優(yōu)化措施，包括維持執(zhí)行器池和拉取器分階段處理，一定程度上增加了該策略下的調度空間，提高了其效用。
　　最后，本文設計并執(zhí)行了大量實驗，對 SASM引入的新特性進行了認真的評估，包括實驗數據結果的分析、理論推演與論證、實驗數據的佐證。SASM策略在數據傾斜場景下的性能優(yōu)于原先的Spark，但是對于存在多個拉取器的任務會引入一定的阻塞開銷，這會