Cloud Computing 1 – Map Reduce

Intro

mapreduce 라는 단어는 functional language 에서 왔다.

  • map: processes each record sequentially and independently
  • reduce: processes set of all records in batches
(map square '(1 2 3 4))
;; (1 4 9 16)

(reduce + '(1 4 9 16))
;; (+16 (+9 (+4 1)))
;; 30

MapReduce

(http://webmapreduce.sourceforge.net/)

Map: Parallelly process a large number of individual records to generate intermediate key/value pairs

Reduce: processes and merges all intermediate values associated per key

각 키는 하나의 reducer 에 할당되고, partitioning keys 에 의해 reduce 가 진행된다. 자주 쓰이는 기법으로 hash partitioning 이 있다. hash(key) % # of reduce servers

public static class MapClass extends MapReduceBase 
            implements Mapper {

  private final static IntWritable one = new IntWritable(1);
  private Text word = new Text();
  
  public void map(LongWritable key, Text value, 
                  OutputCollector output,
                  Reporter reporter) throws IOException {
  
    String line = value.toString();
    StringTokenizer itr = new StringTokenizer(line);
    
    while (itr.hasMoreTokens()) {
      word.set(itr.nextToken());
      output.collect(word, one);
    }
  }
}

public static class ReduceClass extends MapReduceBase
            implements Reducer {
            
  public void reduce(Text key, Iterator values,
                     OutputCollector output,
                     Reporter reporter) throw IOException {
    
    int sum = 0;
    while (values.hasNext()) {
      sum += values.next().get();
    }
    
    output.collect(key, new IntWritable(sum));
  }                     
}

public void run(String inputPath, String outputPath) throw Exception {

  // The job
  JobConf conf = new JobConf(WordCount.class);
  conf.setJobName("mywordcount");
  
  // The keys are words
  (srings) conf.setOutputKeyClass(Text.class);
  
  // The values are counts (ints)
  conf.setOutputValueClass(IntWritable.class);
  conf.setMapperClass(MapClass.class);
  conf.setReducerClass(ReduceClass.class);
  
  FileInputFormat.addInputPat(conf, new Path(inputPath);
  FileOutputFormat.setOutputPath(conf, new Path(outputPath));
  
  JobClient.runJob(conf);
}

MapReduce Application

(1) Distributed Grep

  • input: large set of files
  • output: lines that match pattern
  • map: emits a line if it matches the supplied pattern
  • reduce: copies the intermediate data to output

(2) Reverse Web-Link Graph

  • input: web graph(tuple (a,b) where page a -> page b)
  • output: for each page, list of pages that link to it
  • map: process we log and for each input , it outputs
  • reduce: emits

(3) Count of URL Access Frequency

  • input: log of accessed URLs
  • output: for each URL, the number of total accesses for that URL
  • map: process web log and outputs
  • multiple reducers: emits `
  • chain another MapReduce job to calculate overall_count

(4) Sort

  • map task’s output is sorted (e.g., quicksort)
  • reduce task’s input is osrted (e.g., mergesort)

따라서 정렬을 하기 위해

  • map: -> (identity)
  • reduce: -> (identity)

이 때 parttition keyrange 를 사용하는 것이 가능하다. 다만, 특정 구간에 data 가 몰려있을 수 있으므로 dstiribution 을 고려해 reducer 에게 할당해주면 된다.

Scheduling

일반 user

  • Write a Map program, write a Reduce program
  • Submit job; wait for result
  • Need to know nothing about parallel/distributed programming

그러나 내부적으로는

  • Parallelize Map
  • Transfer data from Map to Reduce
  • Parallelize Reduce
  • Implement Stroage for Map input, Map output, Reduce input, Reduce output

그리고 reduce 가 시작되기 전에 반드시 map 이 끝나야 한다. 다시 말해서 map phasereduce phase 사이에는 barrier 가 있어야 한다. 그렇지 않으면 결과가 부정확할 수 있다.

이제 하나하나씩 살펴보자.

(1) Parallelize Map: Easy. Each map task is independent of the other

(2) Transfer data from Map to Reduce: All map output records with same key assigned to same Reduce task. Use Partitionning Function

(3) Parallelize Reduce: Easy. Each reduce task is independent of the other

(4) Implement Storage for Map input, Map output, Reduce input and Reduce output:

  • Map input: from distributed file system
  • Map output: to local disk at Map node; Use local file systems
  • Reduce input: from (multiple) remote disks; Uses local file systems
  • Reduce output: to distributed file system

DFS 의 예로 Google File System, HDFS 등이 있다.

하둡은 스케쥴러로 YARN, Yet Another Resouce Negotiator를 사용한다. YARN 은 각 서버를 a collection of containers 로 취급한다. 여기서 container = some CPU + some Memory 다.

YARN 은 크게 3파트로 나눌 수 있는데

  • Global Resource Manager(RM): scheduling
  • Per-server Node Manager(NM): Daemon and server-specific functions
  • Per-application(job) Application Master(AM): Container negotiation with RM and NMs, Detecting task failures of that job

container 가 필요하면 AM1RM 에게 알리고, Node BNM2 에서 Task 가 끝나면, RMNode AAM1 에게 사용 가능한 컨테이너가 있다는 사실을 알려 AM1NM2 에게 컨테이너를 사용하겠다는 요청을 보내는 식이다.

Fault-Tolerance

(1) Server Failure

  • NM hearbeats to RM. If server fails RM lets all affected AMs know, and AMs take action
  • NM keeps track of each task running at its server. If task fails while in-progress, mark the task as idle and restart it
  • AM heartbeats to RM. On failure, RM restarts AM, which then syncs up with its running tasks

(2) RM Failure

  • Use old checkpoints and bring up secondary RM
  • Heartbeats also used to piggyback container requests. Avoids extra mesages

요약하자면, NM, AMRM 에게 heartbeat 를 보낸다. NM 에서 오류가 나면 RM 이 영향을 받는 AM 에게 알리고, 해당 AM 이 적절히 처리한다. 또한 NMtask 를 유지하면서, task 에러가 발생하면 재시작한다. AM 에서 오류가 나면 RM 이 재시작하고, 해당 AM 의 태스크와 싱크를 맞춘다. RM 에서 오류가 날 경우엔 secondary RM 을 이용한다.

Stragglers

slow nodes 를 부르는 다른말이다. speculative execution 으로 해결할 수 있다. 보통 느린 이유는 disk, network bandwidth, CPU, memory 등 때문인데 task 를 복제해서 다른 node 에서 돌린 뒤 먼저 완료되는 노드의 결과를 이용하는 방식이다.

Perform backup (replicated) execution of straggler task: task considered done when first replica completed

Locality

cloudhierarchical topology 때문에 GFS, HDFS 등은 각 chunk 를 3군데에 복제한다. 이때 같은 rack 에 위치할수도 아닐수도 있다.

MapReduce 연산에서는 map task 를 스케쥴링할때 가능하면 다음의 순서로 배치한다.

(1) chunk 가 있는 머신에 or failing that

(2) 아니면 같은 rack 에 or failing that

(3) Anywhere

Summary

(1) MapReduce uses parallelization + aggregation to schedule applications across clusters.

(2) Need to deal with failure

(3) Plenty of ongoing research work in scheduling and fault-tolerance for Mapreduce and Hadoop

Refs

(1) Cloud Computing Concept 1 by Indranil Gupta, Coursera

(2) MapReduce Image

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google+ photo

You are commenting using your Google+ account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.