数据倾斜情况下基于MapReduce的Join算法优化.ppt

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,目录,优化思路 - 改进Partition Partition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 2,Partition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 3 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 S.6 可将所有的R.6传输到3和4上，然后S.6可以随机分配到3或4上,1000个A,两表连接中的改进,进一步的改进：虚拟范围分区 实际是N个Reducer，但假定分成 *N 个分区(为整数)。 例如 Samples: 1, 3, 4, 4, 5, 5, 6, 6, 6, 6, 6, 6, 9, 10, 10, 11, 11, 11, 15, 16, 5个Reducer Join Partition: 1,3,4,4, 5,5,6,6, 6,6,6,6, 9,10,10,11,11,11, 15,16 = 2，则分成2*5=10个分区 Samples: 1, 3, 3, 4, 5, 5, 6, 6, 6, 6, 6, 6, 9, 10, 10, 11, 11, 11, 15, 16, 10个Reducer Join Partition: 1,3,3, 4, 5,5, 6,6, 6,6, 6,6, 9,10,10, 11, 11,11, 15,16 采用虚拟范围分区，数据分配更加均衡 处理方式: 轮叫调度 或 当某一节点完成时，将下一剩余任务分配给该节点 论文的实验结果表明虚拟范围分区优于简单范围分区,还有什么地方可以再优化？,Reduce阶段须在数据传输、合并完成后才能开始 能否减少网络传输？,Part 2,LEEN算法,LEEN算法,针对Copy Phase的一些考虑,map和reduce任务可在同一个节点上，copy阶段，节点fetch的数据包括自身节点上的数据（不需要网络传输）和其他节点上的数据（需要网络传输）。 若为了降低网络传输，应尽量fetch自身节点的数据。但以自身数据量作为Partition依据，可能导致reduce端数据分配不均，如何平衡？,LEEN算法,数据实例： 3个Data节点 每个节点输出75个键值,22 - 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%) = 151 151/225 = 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Fairness Fairness(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_dat