谷歌的海量数据排序实验史
自从相关工具创建以来,我们一直通过对海量的随机数据执行排序来测试MapReduce。这种方式很受欢迎,因为生成任意数量的数据非常简单,想要验证输出结果是否正确也很简单。
尽管最开始的MapReduce论文报告的是TeraSort的结果。工程师们将定期对1TB或10TB数据执行排序当作回归测试来做,因为测试时使用的数据量越大,那些不显眼的bug就越容易被发现。然而,当我们进一步扩大数据规模后,真正的乐趣才刚开始。本文将会讨论几年前我们所做的一些PB规模的排序实验,包括在我们看来最大的一次MapReduce任务:对50PB的数据执行排序。
如今,GraySort已是海量数据排序基准之选,测试者必须以最快速度按字典顺序对至少100TB的数据执行排序。网站sortbenchmark.org跟踪记录了这项基准测试的官方优胜者,但谷歌从未参加过官方竞赛。
由于实现Reduce的过程就是对键值排序,MapReduce刚好适合解决这个问题。通过合适的(词典)分片功能,MapReduce就能输出一系列的文件,其中包含最终排序后的数据集。
有时在数据中心有新集群出现时(一般是为了搜索索引团队的使用),我们这些MapReduce团队的人员就有机会歇口气,在实际工作量压过来之前休闲几周。这些时候,我们才有机会试试看:让集群“超负荷”、探究硬件的极限、搞挂一些硬盘、测试一些非常昂贵的设备,并学到很多系统性能相关的东西,同时(在非官方的)排序基准测试获得胜利。
图一:谷歌的Petasort记录
2007
(1PB,12.13小时,1.37TB/分钟,2.9 MB/秒/worker)
我们在2007年首次运行Petasort。那时候,我们主要是开心能把这个测试完成,尽管对输出结果的正确性还有些疑问(由于未作验证而无法确认)。当时,若不是我们关闭了检查map分片与备份的输出结果是否一致的机制,这项任务是无法完成的。我们怀疑,这是用作输入和输出结果存储的谷歌档案系统(GFS)所造成的限制。GFS的校验和保护不足,有时会返回损坏的数据。不幸的是,该基准测试所使用的文件格式并不包含任何内嵌的校验和,无法让MapReduce发送通知(在谷歌,通常使用MapReduce的方式就是使用内嵌校验和的文件格式)。
2008
(1PB,6.03小时,2.76TB/分钟,11.5 MB/秒/worker)
2008年,我们首次专注于优化调整,花了几天时间调整分片数量、不同缓冲区的大小、预读/预写策略、页面缓存使用等,并在博客中记录了结果。最终,通过将输出结果三路复制到GFS,我们解决掉了瓶颈,这也成了我们那时在谷歌的标准用法,少一路都会有很高的风险损失掉数据。
2010
(1PB,2.95小时,5.65TB/分钟,11.8 MB/秒/worker)
在这个测试中,我们使用了新版本的GraySort基准,这个版本使用到了不可压缩的数据。在前几年中,我们从GFS读取或者向其写入1PB数据时,实际shuffle的数据量仅有大约300TB左右,因为那时所使用的ASCII格式都是压缩过的。
在这一年中,谷歌将GFS更新为下一代分布式存储系统Colossus。之前使用GFS时所遇到的数据损坏问题不再出现了,我们还在输出结果中使用了RS编码(Colossus的新功能),从而将写入的总数据量从3PB(三路复制)减少到大约1.6PB。这时我们也首次证实了输出结果的正确性。
为了减少离散数据的影响,我们运用了动态分片技术(也就是减少子分片),后来演变为了在Dataflow中使用完全动态分片技术。
2011
(1PB,0.55小时,30.3TB/分钟,63.1 MB/秒/worker)
这一年我们的网络速度更快,也开始关注每台服务器的效率,特别是输入/输出(I/O)方面的问题。我们要确保所有的硬盘I/O操作都是在2MB大小的块区内进行的,解决有时会缩小到64kB块区的问题。我们使用了固态硬盘(SSD)来记录部分数据,这使得Petasort测试首次在一小时之内完成,准确来讲是33分钟,可以参考这里的记录。最终,在分布式存储中输入/输出以及将中间数据保存在硬盘中以支持容错(由于在实验中,某些硬盘甚至整台服务器都会宕掉,而且这种情况会频繁出现,因此容错非常重要)的问题上,性能达到了指定MapReduce架构的硬件极限性能的将近两倍。同时也获得了更高的扩展:我们在6小时27分钟之内运行了10PB的数据(26TB/分钟)。
2012
(50PB,23小时,36.2TB/分钟,50 MB/秒/worker)
在这个测试中,我们将注意力转向更大规模的数据排序,通过调用我们在谷歌所能控制的最大规模集群,将shuffle的数据量提到最大,然后运行相应的MapReduce任务。不幸的是,这个集群的空间不够让100PB的数据排序,因此我们将要排序的数据限制在50PB。这个测试仅运行了一次,也没有做专门的优化调整,而且设置还是取自之前做10PB实验时所用的那一套,完成时间为23小时5分钟。
注意,这个排序的规模是GraySort的500倍,在吞吐量上是2015年GraySort官方优胜者的两倍。
这些实验让我们获益良多:包括在运行万台规模的服务器上执行排序时遇到了什么挑战,以及如何优化调整以接近硬件性能的速度极限。
尽管这些排序实验非常有趣,但仍有一些缺点:
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11随着数字化转型的加速,企业积累了海量数据,如何从这些数据中挖掘有价值的信息,成为企业提升竞争力的关键。CDA认证考试体系应 ...
2025-03-10