Hadoop2.6.0运行mapreduce之Uber模式验证

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？

map任务的数量不大于mapreduce.job.ubertask.maxmaps参数（默认值是9）的值;
reduce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：

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map任务和1个reduce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：

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：

但依然是6个map任务和1个reduce任务，但是之前的数据本地map任务= 6一行信息已经变为当地的其他maptasks=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map任务数
NUM_UBER_SUBREDUCES	Uber中reduce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：

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map任务和1个reduce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：

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map任务

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：

  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：

  protected Job createJob(Configuration conf, JobStateInternal forcedState, String diagnostic) {// create single jobJob 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：

  private class JobEventDispatcher implements EventHandler<JobEvent> {@SuppressWarnings("unchecked")@Overridepublic 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：

    @Overridepublic 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：

  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 changeif (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：

  @Privatepublic 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

    @Overridepublic 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：

  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 overrideint 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 thatlong 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 completedconf.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 speculationconf.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）。

后记：个人总结整理的《深入理解Spark：核心思想与源码分析》一书现在已经正式出版上市，目前京东、当当、天猫等网站均有销售，欢迎感兴趣的同学购买。

京东：http://item.jd.com/11846120.html

当当：http://product.dangdang.com/23838168.html