КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Основные функции системы Google Map Reduce. Спекулятивное выполнение. ОтказоустойчивостьРеализации MapReduce Обязанности реализации Запуск MapReduce-программы Реализация в распределенной среде Реализация модели MapReduce на вычислительном кластере. Требования к реализации. Общая схема реализации. Реализации MapReduce от Google и Hadoop ориентированы на использование в кластерной распределенной среде со следующими основными характеристиками: · узлы среды выполнения MR-приложений обычно представляют собой компьютеры общего назначения с операционной системой Linux; · используется стандартное сетевое оборудование с адаптерами, расчитанными на скорости передачи в 100 мегабит в секунду или 1 гигабит в секунду, но средняя пропускная способность существенно ниже; · кластер состоит из сотен или тысяч машин, так что вполне вероятны отказы отдельных узлов; · для хранения данных используются недорогие дисковые устройства, подключенные напрямую к отдельным машинам; · для управления данными, хранящимися на этих дисках, используется распределенная файловая система; · пользователи представляют свои задания в систему планирования; каждое задание состоит из некоторого набора задач, которые отображаются планировщиком на некоторый набор узлов кластера. Конфигурация задания Входные данные, способ получения (k1,v1) Функции map, reduce, partition, combine, compare Местоположение и формат выходных данных Параметры запуска (количество map- и reduce-задач...) Запуск задания: MapReduce.runJob(config) Остальное берет на себя реализация среды выполнения Декомпозиция на параллельные подзадачи (map- и reduce-задачи) Запуск рабочих процессов Распределение задач по рабочим процессам и балансировка нагрузки Передача данных рабочим процессам (требуется минимизировать) Синхронизация и передача данных между рабочими процессами Обработка отказов рабочих процессов
Распределенная память:
Google MapReduce (C++ / С++, Python, Java)
Apache Hadoop (Java / any)
Disco (Erlang / Python)
хуYandex MapReduce (С++ / any)
Общая память:
QtConcurrent
Phoenix
GPU: MARS. Инфраструктура Google : Кластеры из бюджетных серверов , Сотни тысяч машин , Отказы являются нормой . Распределенная файловая система GFS : Поблочное хранение файлов большого размера , Последовательные чтение и запись в потоковом режиме , write-once-read-many , Репликация, отказоустойчивость .Узлы кластера одновременно отвечают за хранение и обработку данных : Перемещение вычислений дешевле, чем перемещение данных . Планировщик - Распределяет ресурсы кластера между приложениями . Программа Master: Управляет выполнением одного MapReduce-задания , Распределяет задачи между рабочими узлами кластера , Хранит состояния всех задач , Осуществляет координацию между map- и reduce-задачами (Получает информацию о файлах с промежуточными данными от map-процессов и Передает эту информацию reducе-процессам ), Предоставляет информацию о статусе вычислений через встроенный HTTP-сервер .
Дата добавления: 2015-01-03; Просмотров: 518; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |