Hadoop2.6.0运行mapreduce之Uber模式验证

本文主要是介绍Hadoop2.6.0运行mapreduce之Uber模式验证，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言

在有些情况下，运行于Hadoop集群上的一些mapreduce作业本身的数据量并不是很大，如果此时的任务分片很多，那么为每个map任务或者reduce任务频繁创建Container，势必会增加Hadoop集群的资源消耗，并且因为创建分配Container本身的开销，还会增加这些任务的运行时延。如果能将这些小任务都放入少量的Container中执行，将会解决这些问题。好在Hadoop本身已经提供了这种功能，只需要我们理解其原理，并应用它。

Uber运行模式就是解决此类问题的现成解决方案。本文旨在通过测试手段验证Uber运行模式的效果，在正式的生成环境下，还需要大家具体情况具体对待。

Uber运行模式

Uber运行模式对小作业进行优化，不会给每个任务分别申请分配Container资源，这些小任务将统一在一个Container中按照先执行map任务后执行reduce任务的顺序串行执行。那么什么样的任务，mapreduce框架会认为它是小任务呢？

地图任务的数量不大于mapreduce.job.ubertask.maxmaps参数（默认值是9）的值;
减少任务的数量不大于mapreduce.job.ubertask.maxreduces参数（默认值是1）的值;
输入文件大小不大于mapreduce.job.ubertask.maxbytes参数（默认为1个Block的字节大小）的值；
map任务和reduce任务需要的资源量不能大于MRAppMaster（mapreduce作业的ApplicationMaster）可用的资源总量；

我们可以使用在《 Hadoop2.6.0配置参数查看小工具》一文中制作的小工具，查看 Uber相关参数及其默认值：

上面显示的参数mapreduce.job.ubertask.enable用来控制是否开启 Uber运行模式，默认为false。

优化

为简单起见，我们还是以WordCount例子展开。输入数据及输出结果目录的构造过程可以参照《 Hadoop2.6.0的FileInputFormat的任务切分原理分析》一文，本文不再赘述。

限制任务划分数量

我们知道WordCount例子中的reduce任务的数量通过Job.setNumReduceTasks(int)方法已经设置为1，因此满足mapreduce.job.ubertask.maxreduces参数的限制。所以我们首先控制下map任务的数量，我们通过设置mapreduce.input.fileinputformat.split.maxsize参数来限制。看看在满足小任务前提，但是不开启 Uber运行模式时的执行情况。执行命令如下：

[java]  view plain copy  
 hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar wordcount -D mapreduce.input.fileinputformat.split.maxsize = 30 /wordcount/input /wordcount/output/result1  

观察执行结果，可以看到没有启用Uber模式，作业划分为6个分片，如下图：

还可以看到一共是6个地图任务和1个减少任务，如下图：

我在任务执行过程中，在web界面对于分配的Container进行截图，可以看到一共分配了7个Container：

如果阅读了《 Hadoop2.6.0的FileInputFormat的任务切分原理分析》一文，你会知道输入源/wordcount/input目录下2个文件的大小总和为177字节，为了这么小的数据量和简单的WordCount而分配这么多资源的确很不划算。

开启Uber模式

现在我们开启mapreduce.job.ubertask.enable参数并使用Uber运行模式，命令如下：

[java]  view plain copy  
 hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar wordcount -D mapreduce.input.fileinputformat.split.maxsize = 30 -D mapreduce.job.ubertask.enable = true /wordcount/input /wordcount/output/result2  

然后观察执行结果，可以看到已经启用了Uber模式，如下图：

依然是6个地图任务和1个减少任务，但是之前的数据本地地图任务= 6一行信息已经变为当地的其他地图tasks=6。此外还增加了TOTAL_LAUNCHED_UBERTASKS、NUM_UBER_SUBMAPS、NUM_UBER_SUBREDUCES等信息，如下图所示：

以下列出这几个信息的含义：

输出字段	描述
TOTAL_LAUNCHED_UBERTASKS	启动的Uber任务数
NUM_UBER_SUBMAPS	Uber任务中的地图任务数
NUM_UBER_SUBREDUCES	Uber中减少任务数

因此我们知道这7个任务都在Uber模式下运行，其中包含6个map任务和1个reduce任务。

即便如此，有人依然会担心真正分配了多少Container资源，请看我在web界面的截图：

其它测试

由于我主动控制了分片大小，导致分片数量是6，这小于mapreduce.job.ubertask.maxmaps参数的默认值9。按照之前的介绍，当map任务数量大于9时，那么这个作业就不会被认为小任务。所以我们先将分片大小调整为20字节，使得map任务的数量刚好等于9，然后执行以下命令：

[java]  view plain copy  
 hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar wordcount -D mapreduce.input.fileinputformat.split.maxsize = 20 -D mapreduce.job.ubertask.enable = true /wordcount/input /wordcount/output/result3  

任务划分相关的信息截图如下：

。我们看到的确将输入数据划分为9份了其它信息如下：

我们看到一共10个Uber模式运行的任务，其中包括9个地图任务和1个减少任务。

最后，我们再将分片大小调整为19字节，使得map任务数量等于10，然后执行以下命令：

[java]  view plain copy  
 hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar wordcount -D mapreduce.input.fileinputformat.split.maxsize = 19 -D mapreduce.job.ubertask.enable = true /wordcount/input /wordcount/output/result4  

任务划分相关的信息截图如下：

。我们看到的确将输入数据划分为10份了其它信息如下：

可以看到又重新显示了数据的本地地图地图

此外，还可以通过调整reduce任务数量或者输入数据大小等方式，使得Uber失效，有兴趣的同学可以自行测试。

源码分析

本文的最后，我们从源码实现的角度来具体分析下Uber运行机制。有经验的Hadoop工程师，想必知道当mapreduce任务提交给ResourceManager后，由RM负责向NodeManger通信启动一个Container用于执行MRAppMaster。启动MRAppMaster实际也是通过调用其main方法，最终会调用MRAppMaster实例的serviceStart方法，其实现如下：

[java]  view plain copy  
 protected void serviceStart() throws Exception {  
   
   // 省略无关代码  
   job = createJob(getConfig(), forcedState, shutDownMessage);  
   
   // 省略无关代码  
   if (!errorHappenedShutDown) {  
     JobEvent initJobEvent = new JobEvent(job.getID(), JobEventType.JOB_INIT);  
   
     jobEventDispatcher.handle(initJobEvent);  
   
     // 省略无关代码  
   
     if (job.isUber()) {  
       speculatorEventDispatcher.disableSpeculation();  
     } else {  
       dispatcher.getEventHandler().handle(  
           new SpeculatorEvent(job.getID(), clock.getTime()));  
     }  
   
   }  

serviceStart方法的执行步骤如下：

调用createJob方法创建JobImpl实例。
发送JOB_INIT事件，然后处理此事件。
使用Uber运行模式的一个附加动作——即一旦满足Uber运行的四个条件，那么将不会进行推断执行优化。

createJob方法的代码实现如下：

[java]  view plain copy  
 protected Job createJob(Configuration conf, JobStateInternal forcedState,   
     String diagnostic) {  
   
   // create single job  
   Job newJob =  
       new JobImpl(jobId, appAttemptID, conf, dispatcher.getEventHandler(),  
           taskAttemptListener, jobTokenSecretManager, jobCredentials, clock,  
           completedTasksFromPreviousRun, metrics,  
           committer, newApiCommitter,  
           currentUser.getUserName(), appSubmitTime, amInfos, context,   
           forcedState, diagnostic);  
   ((RunningAppContext) context).jobs.put(newJob.getID(), newJob);  
   
   dispatcher.register(JobFinishEvent.Type.class,  
       createJobFinishEventHandler());       
   return newJob;  
 }  

从以上代码可以看到创建了一个JobImpl对象，此对象自身维护了一个状态机（有关状态机转换的实现原理可以参阅《 Hadoop2.6.0中YARN底层状态机实现分析》一文的内容），用于在接收到事件之后进行状态转移并触发一些动作。JobImpl新建后的状态forcedState是JobStateInternal.NEW。最后将此JobImpl对象放入AppContext接口的实现类RunningAppContext的类型为Map<JobId,工作>的缓存上下文中。

JobEventDispatcher的handle方法用来处理JobEvent。之前说到serviceStart方法主动创建了一个类型是JobEventType.JOB_INIT的JobEvent，并且交由JobEventDispatcher的handle方法处理。handle方法的实现如下：

[java]  view plain copy  
 private class JobEventDispatcher implements EventHandler<JobEvent> {  
   @SuppressWarnings("unchecked")  
   @Override  
   public void handle(JobEvent event) {  
     ((EventHandler<JobEvent>)context.getJob(event.getJobId())).handle(event);  
   }  
 }  

处理方法从AppContext的实现类RunningAppContext中获取JobImpl对象，代码如下：

[java]  view plain copy  
 @Override  
 public Job getJob(JobId jobID) {  
   return jobs.get(jobID);  
 }  

最后调用JobImpl实例的句柄方法，其实现如下：

[java]  view plain copy  
 public void handle(JobEvent event) {  
   if (LOG.isDebugEnabled()) {  
     LOG.debug("Processing " + event.getJobId() + " of type "  
         + event.getType());  
   }  
   try {  
     writeLock.lock();  
     JobStateInternal oldState = getInternalState();  
     try {  
        getStateMachine().doTransition(event.getType(), event);  
     } catch (InvalidStateTransitonException e) {  
       LOG.error("Can't handle this event at current state", e);  
       addDiagnostic("Invalid event " + event.getType() +   
           " on Job " + this.jobId);  
       eventHandler.handle(new JobEvent(this.jobId,  
           JobEventType.INTERNAL_ERROR));  
     }  
     //notify the eventhandler of state change  
     if (oldState != getInternalState()) {  
       LOG.info(jobId + "Job Transitioned from " + oldState + " to "  
                + getInternalState());  
       rememberLastNonFinalState(oldState);  
     }  
   }  
     
   finally {  
     writeLock.unlock();  
   }  
 }  

处理方法的处理步骤如下：

获取修改JobImpl实例的锁;
获取JobImpl实例目前所处的状态
状态机状态转换;
释放修改JobImpl实例的锁。

getInternalState方法用于获取JobImpl实例当前的状态，其实现如下：

[java]  view plain copy  
 @Private  
 public JobStateInternal getInternalState() {  
   readLock.lock();  
   try {  
     if(forcedState != null) {  
       return forcedState;  
     }  
    return getStateMachine().getCurrentState();  
   } finally {  
     readLock.unlock();  
   }  
 }  

我们之前介绍过，在创建JobImpl实例时，其forcedState字段应当是JobStateInternal.NEW。
JobImpl状态机转移时，处理的JobEvent的类型是JobEventType.JOB_INIT，因此经过状态机转换最终会调用InitTransition的transition方法。有关状态机转换的实现原理可以参阅《 Hadoop2.6.0中YARN底层状态机实现分析》一文的内容。
InitTransition的transition方法处理Uber运行模式的关键代码是

[java]  view plain copy  
 @Override  
 public JobStateInternal transition(JobImpl job, JobEvent event) {  
     // 省略无关代码  
     job.makeUberDecision(inputLength);  
       
     // 省略无关代码  
 }  

最后我们看看JobImpl实例的makeUberDecision方法的实现：

[java]  view plain copy  
 private void makeUberDecision(long dataInputLength) {  
   //FIXME:  need new memory criterion for uber-decision (oops, too late here;  
   // until AM-resizing supported,  
   // must depend on job client to pass fat-slot needs)  
   // these are no longer "system" settings, necessarily; user may override  
   int sysMaxMaps = conf.getInt(MRJobConfig.JOB_UBERTASK_MAXMAPS, 9);  
   
   int sysMaxReduces = conf.getInt(MRJobConfig.JOB_UBERTASK_MAXREDUCES, 1);  
   
   long sysMaxBytes = conf.getLong(MRJobConfig.JOB_UBERTASK_MAXBYTES,  
       fs.getDefaultBlockSize(this.remoteJobSubmitDir)); // FIXME: this is wrong; get FS from  
                                  // [File?]InputFormat and default block size  
                                  // from that  
   
   long sysMemSizeForUberSlot =  
       conf.getInt(MRJobConfig.MR_AM_VMEM_MB,  
           MRJobConfig.DEFAULT_MR_AM_VMEM_MB);  
   
   long sysCPUSizeForUberSlot =  
       conf.getInt(MRJobConfig.MR_AM_CPU_VCORES,  
           MRJobConfig.DEFAULT_MR_AM_CPU_VCORES);  
   
   boolean uberEnabled =  
       conf.getBoolean(MRJobConfig.JOB_UBERTASK_ENABLE, false);  
   boolean smallNumMapTasks = (numMapTasks <= sysMaxMaps);  
   boolean smallNumReduceTasks = (numReduceTasks <= sysMaxReduces);  
   boolean smallInput = (dataInputLength <= sysMaxBytes);  
   // ignoring overhead due to UberAM and statics as negligible here:  
   long requiredMapMB = conf.getLong(MRJobConfig.MAP_MEMORY_MB, 0);  
   long requiredReduceMB = conf.getLong(MRJobConfig.REDUCE_MEMORY_MB, 0);  
   long requiredMB = Math.max(requiredMapMB, requiredReduceMB);  
   int requiredMapCores = conf.getInt(  
           MRJobConfig.MAP_CPU_VCORES,   
           MRJobConfig.DEFAULT_MAP_CPU_VCORES);  
   int requiredReduceCores = conf.getInt(  
           MRJobConfig.REDUCE_CPU_VCORES,   
           MRJobConfig.DEFAULT_REDUCE_CPU_VCORES);  
   int requiredCores = Math.max(requiredMapCores, requiredReduceCores);      
   if (numReduceTasks == 0) {  
     requiredMB = requiredMapMB;  
     requiredCores = requiredMapCores;  
   }  
   boolean smallMemory =  
       (requiredMB <= sysMemSizeForUberSlot)  
       || (sysMemSizeForUberSlot == JobConf.DISABLED_MEMORY_LIMIT);  
     
   boolean smallCpu = requiredCores <= sysCPUSizeForUberSlot;  
   boolean notChainJob = !isChainJob(conf);  
   
   // User has overall veto power over uberization, or user can modify  
   // limits (overriding system settings and potentially shooting  
   // themselves in the head).  Note that ChainMapper/Reducer are  
   // fundamentally incompatible with MR-1220; they employ a blocking  
   // queue between the maps/reduces and thus require parallel execution,  
   // while "uber-AM" (MR AM + LocalContainerLauncher) loops over tasks  
   // and thus requires sequential execution.  
   isUber = uberEnabled && smallNumMapTasks && smallNumReduceTasks  
       && smallInput && smallMemory && smallCpu   
       && notChainJob;  
   
   if (isUber) {  
     LOG.info("Uberizing job " + jobId + ": " + numMapTasks + "m+"  
         + numReduceTasks + "r tasks (" + dataInputLength  
         + " input bytes) will run sequentially on single node.");  
   
     // make sure reduces are scheduled only after all map are completed  
     conf.setFloat(MRJobConfig.COMPLETED_MAPS_FOR_REDUCE_SLOWSTART,  
                       1.0f);  
     // uber-subtask attempts all get launched on same node; if one fails,  
     // probably should retry elsewhere, i.e., move entire uber-AM:  ergo,  
     // limit attempts to 1 (or at most 2?  probably not...)  
     conf.setInt(MRJobConfig.MAP_MAX_ATTEMPTS, 1);  
     conf.setInt(MRJobConfig.REDUCE_MAX_ATTEMPTS, 1);  
   
     // disable speculation  
     conf.setBoolean(MRJobConfig.MAP_SPECULATIVE, false);  
     conf.setBoolean(MRJobConfig.REDUCE_SPECULATIVE, false);  
   } else {  
     StringBuilder msg = new StringBuilder();  
     msg.append("Not uberizing ").append(jobId).append(" because:");  
     if (!uberEnabled)  
       msg.append(" not enabled;");  
     if (!smallNumMapTasks)  
       msg.append(" too many maps;");  
     if (!smallNumReduceTasks)  
       msg.append(" too many reduces;");  
     if (!smallInput)  
       msg.append(" too much input;");  
     if (!smallCpu)  
       msg.append(" too much CPU;");  
     if (!smallMemory)  
       msg.append(" too much RAM;");  
     if (!notChainJob)  
       msg.append(" chainjob;");  
     LOG.info(msg.toString());  
   }  
 }  

如果你认真阅读以上代码的实现，就知道这正是我在本文一开始说的Uber运行模式判断mapreduce作业是否采用Uber模式执行的4个条件，缺一不可。一旦判定为Uber运行模式，那么还告诉我们以下几点：

设置当map任务全部运行结束后才开始reduce任务（参数mapreduce.job.reduce.slowstart.completedmaps设置为1.0）。
将当前Job的最大map任务尝试执行次数（参数mapreduce.map.maxattempts）和最大reduce任务尝试次数（参数mapreduce.reduce.maxattempts）都设置为1。
取消当前Job的map任务的推断执行（参数mapreduce.map.speculative设置为false）和reduce任务的推断执行（参数mapreduce.reduce.speculative设置为false）。

这篇关于Hadoop2.6.0运行mapreduce之Uber模式验证的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！