一种HadoopMapReduce的优化方法与流程

本发明属于计算机应用领域，涉及一种Hadoop MapReduce的优化方法。

背景技术：

Hadoop是一个由Apache基金会开发的分布式系统基础架构，用户可以在不了解分布式底层细节的情况下，开发分布式程序。

Hadoop MapReduce并行计算框架构建于Hadoop分布式文件系统(HDFS)之上，包含一个主节点和若干从节点，核心节点是JobTracker，功能是负责任务调度，管理作业，TaskTracker是任务节点，负责执行JobTracker分发过来的任务。

作业和任务是并行计算框架的两个重要概念，下面先介绍一下作业执行的状态转换过程以及任务的时序流程。

在目前的Hadoop MapReduce执行框架中，作业初始状态从NEW开始，继而进入PREP.INTIALIZIN状态进行初始化，目的是为了读取输入数据的数据块描述信息，并创建所有的map和reduce任务，初始化成功后，进入PREP.INTIALIZED状态，此时，一个特殊的setup任务启动，此任务的作用是创建作业的运行环境，然后作业进入RUNNING阶段，在此阶段，作业不会立即被处理，而是处在RUNNING.WAIT状态等待被调度，被调度后，任务才开始执行，此时作业进入RUNNING.TASK状态，真正的进行任务处理，当所有的map和reduce任务完成以后，作业进入RUNNING.SUC.WAIT状态，此时，另一个特殊的cleanup任务启动，此任务的目的是清理作业的运行环境，然后作业进入结束阶段，下图是作业的状态转换图，图中的每个状态下，作业都有可能被用户主动杀死，进入KILLED状态，也有可能在执行任务的过程中因为种种原因失败，进入FAILED状态。

任务(Task)是Hadoop MapReduce框架进行并行化计算的基本单位，Task的整个生存周期是我们所要分析的重要对象，在框架的实现中，两端分别对应TaskInProgress和TaskTracker.TaskInProgress两个对象，当一个作业被提交到Hadoop系统的时，JobTracker对作业进行初始化，此时作业内的任务被全部创建好，等待TaskTracker来请求任务，我们可以简单分析一下task的生命周期。

JobTracker接受任务时，创建TaskInProgress，此时Task处于UNASSIGNED状态，TaskTracker经过一个心跳周期后请求分配任务，待JobTracker收到请求后分配一个TaskInProgress任务给TaskTracker，这是第一次心跳通信。

TaskTracker收到任务后创建TaskTracker.TaskInProgress对象，并启动Chi ld进程来执行任务，此时TaskTracker将任务状态更新为RUNNING。

再过一个心跳周期，Task向JobTracker报告Task状态的改变，JobTracker也将状态更新为RUNNING，此为第二次心跳周期，任务执行期间TaskTracker还会周期性的向JobTracker发送心跳信息，在任务执行完之后，TaskTracker会将状态变为CMMIT_PENDING，发送给JobTracker。

JobTracker收到消息后，会返回确认消息，表示允许提交，此时TaskTracker会将结果提交，并把任务装态更新为SUCCEEDED，再过一个周期，TaskTracker再次发送心跳消息，JobTracker也将任务状态更新为SUCCEEDED，至此，一个任务的生命周期结束。

分析作业的状态转换过程，我们可以看出一个作业的生命周期中，有三个任务，在执行所有的常规任务之前，会先执行一个setup任务，之后执行正常的MapReduce任务，在所有的任务执行完成之后，会执行一个cleanup任务。根据任务的生命周期我们可以知道setup任务的执行必须经过分配任务和报告完成任务至少两个心跳周期，同样的，cleanup任务至少也会消耗两个心跳周期，这就大大增加了系统的运行时间，setup任务和cleanup任务消耗的心跳周期会直接影响整个系统的性能。

技术实现要素：

有鉴于此，本发明的目的在于提供一种Hadoop MapReduce的优化方法，将setup任务和cleanup任务合并MapReduce任务中，至少减少四个心跳周期，从而提高执行效率。

为达到上述目的，本发明提供如下技术方案：

一种Hadoop MapReduce的优化方法，一个作业的生命周期中有三个任务，包括setup任务、MapReduce任务和cleanup任务，将setup任务与clean任务合并进MapReduce任务，在一个作业在完成初始化时，直接启动MapReduce任务；即在map端首先执行setup任务，进行作业环境的创建，在reduce端最后执行clean任务，清理临时目录；然后作业结束，实现作业状态的优化。

进一步的，所述在在map端首先执行setup任务，在reduce端最后执行clean任务的实现方法为：在MapTask类中添加一个“setupJob()”方法，在ReduceTask类中添加一个“cleanJob()”方法，在Map任务的最开始阶段调用Task类的“runJobSetupTask()”方法，在reduce任务的最后阶段调用Task类的“runJobCleanupTask()”方法。

本发明的有益效果在于：通过分析MapReduce框架内部的作业执行过程，对执行过程中的环境准备和清理做了优化，合并setup任务与cleanup任务，有效的节约了至少4个心跳周期的时间，实现了MapReduce作业执行性能的优化。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为优化前的作业状态转化图；

图2为优化后的作业状态转化图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

参照图1优化前的作业状态图，一个作业的生命周期中有三个任务，包括setup任务、MapReduce任务和cleanup任务，根据任务的生命周期我们可以知道setup任务的执行必须经过一下两个步骤：

分配setup任务，经过一个心跳周期，待JobTracker收到TaskTracker的任务请求，则将setup任务分发给TaskTracker

Setup任务完成，TaskTracker执行完setup任务后，通过心跳信息向JobTracker报告完成信息，这是第二次心跳通信

补充一点，在任务执行过程中，TaskTracker还会周期性的向JobTracker发送心跳信息，但是以上两个心跳信息不可避免，是一定存在的。

同样的，cleanup任务至少也会消耗两个心跳周期，心跳消息除了包含有任务请求信息只玩，还包含任务执行状态，节点信息等内容。在标准的Hadoop系统中，少于100个节点的心跳周期为3s，当集群大于100个节点后，每多100个节点，心跳周期增加1s。由此可以计算出，setup任务与cleanup任务至少花费了12s的时间，虽然12s时间不算长，但如果对于一个执行时间为1min的段作业而言，整个作业环境的创建与清理就花销了20％左右的比例，这对系统的性能还是有相当大的影响。

通过分析Hadoop的源码，我们发现setup的主要任务是创建一个临时的输出目录，而cleanup任务是为了删除该目录。这两项任务本身的耗时并不长，真正消耗时间的是JobTracker与TaskTracker之间的心跳等待中，因此，我们从如下角度考虑优化策略。

将setup与clean任务合并进MapReduce任务，也就是说，当一个作业在完成初始化时，我们直接启动MapReduce任务，在map端做的第一件事，就是setup，进行作业环境的创建，在reduce端做的最后一件事就是clean，清理临时目录。为此，我们可以在MapTask类中添加一个“setupJob()”方法，在ReduceTask类中添加一个“cleanJob()”方法，在Map任务的最开始阶段调用Task类的“runJobSetupTask()”方法，在reduce任务的最后阶段调用Task类的“runJobCleanupTask()”方法，然后作业结束，优化后的作业状态转换图如图2所示，优化后的流程图中没有了PREP.SETUP状态，被合并进了RUNNING.WAIT状态，也没有了CLEANUP状态，被合并进了RUNNING.SUC.WAIT状态。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。