数据倾斜情况下基于MapReduce的Join算法优化

数据倾斜情况下基于MapReduce的Join算法优化报告人：蔡珉星厦大数据库实验室2014-08-16遇到的问题遇到的问题目录优化思路-改进PartitionPartition在两表连接中的改进LEEN算法Part 1优化思路-改进Partition MapReduce中的Partition：在Map端输出时，需要对key进行分区，来决定输出数据传输到哪个reducer上进行处理。默认的partition是通过哈希操作来决定分配到哪个reducer。哈希Partition的局限 哈希在数据均衡的情况下，可以很好的将数据平均到各个Reducer上，但在数据倾斜情况下，会导致某几个Key的值大量集聚在单个Reducer上。Partition哈希实际上是一种针对键的分组均衡分配，不能保证数据量均衡分配 Reduce-side Join：Map-side Join(复制连接、半连接)对数据集要求较高，一般情况下Join操作是采用Reduce-side Join-重分区连接：将键相同的数据分到同一个reducer，再进行Join。优化重分区连接:区分大小数据集，将小数据集读取到内存中，再用小数据集来遍历大数据集。优化重分区连接的精髓就在于Reduce端用小数据集遍历大数据集，这部分已经没有什么改进空间。哪里还可以再改进？-Partition:优化重分区连接采用Hash parition不能保证数据量均衡分配。Join算法优化思路 优化重分区连接采用Hash parition，不能保证数据量均衡分配Part 2Partition在两表连接中的改进两表连接中的改进 数据实例：3个Data节点每个节点输出75个键值81-36%103-46%41-18%即便可以采用优化重分区，但在Partition时已经造成了数据分配倾斜！两表连接中的改进 均衡Partition 论文LEEN LocalityFairness-Aware Key Partitioning for MapReduce in the Cloud中的算法LEEN给出的Partition：74-33%74-33%77-34%获知键值的分布两表连接中的改进 获知键值的分布 采样 在执行Reducer-side Join之前，先运行一个Job，统计数据分布情况。采样开销应尽可能少，同时保证准确性。Partition方式:简单范围分区 Map端采样：每个Mapper随机取x个Sample，有n个Mapper。Reduce端统计分布：只需要一个Reducer，此时n*x个Sample已是排好序的。两表连接中的改进 Partition方式:简单范围分区（续）若执行的Join有N个Reducer，可以根据步长 n*x/N 获得一个分区序列。例如:Samples:1,3,3,4,5,5,6,6,6,6,8,9,9,10,10,5个Reducer，步进3 分区序列:3,5,6,9 Join Partition:key3 3key5 5key6 6key9 9 键为6的有两个可选Reducer 解决:build relation:随机选择一个可选Reducer probe relation:需发送到每个可选Reducer R join S-R:probe,S:build?两表连接中的改进 倾斜键存在大小表的情况 Samples:1,3,3,4,5,5,6,6,6,6,6,6,9,10,10,5个Reducer，步进3 分区序列:3,5,6,6 -键为6的有两个可选Reducer 3 和 4 R join S，对于键6，若 R.6 29%30-40%17-22%Partition后，本地数据所占的比例81-36%103-46%41-18%网络共需要传输的数据量：Total Map output (1-Locality)81*(1-29%)+103*(1-40%)+41*(1-22%)=151151/225=67%LEEN算法 LEEN：异步map和reduce模式 Hadoop中的计算和数据传输是会重叠的（如一个节点上运行多个map任务，一个map任务结束后，就会进行数据传输）。LEEN为了获知所有中间数值的分布情况，采用了异步map和reduce模式（先全部执行完map再执行reduce）。map阶段对每个中间键的结果进行缓存，而不是直接发送到相应的reducer。这样当map结束时，就有了所有的键分布信息（出现次数等），这些键将根据LEEN算法来进行分配（到reducer）。LEEN算法 LEEN算法：平衡Locality和FairnessFairness(0):各个reduce分配的数据量的差异，越小越好；Locality(1):各个reduce分配的数据中，来自本地节点的数据，越大越好；LEEN算法-启发式算法，目标：(Fairness/Locality)的最小值。其他思路：因素:Fairness、Locality哪个对Job结果影响更大？(0.2/0.4与0.4/0.8哪个更优?)体现:集群的计算能力与网络能力。通用表达式:T=DATA*diff_time_per_data*Fairness +DATA*trans_time_per_data*(1-Locality)目标:diff_time_per_data*Fairness+trans_time_per_data*(1-Locality)最小 LEEN算法 实验结果 总结 总结：优化的出发点是实现Reduce的负载均衡；优化的体现是Job完成的总时间；优化也可以从Hadoop的流程上考虑；Partition Copy Phase22遇到的问题遇到的问题Thanks.