Hadoop Gridmix

1、 概述

    Hadoop Gridmix是针对hadoop系统的基准测试程序。它具备评测大规模数据处理系统所需的各个功能模块，包括：产生数据，生成并提交作业，统计作业完成时间等。本文主要介绍了Hadoop 0.20.2中自带的Gridmix2基准测试程序（位于\src\benchmarks目录下）的设计原理及使用方法。


    2、 作业种类

    Gridmix通过模拟hadoop cluster中的实际负载来评测hadoop性能。它首先根据用户设定的参数生成大量数据和一批作业，然后同时提交这些作业（批处理），最后统计出这批作业的运行时间。为了尽可能地模拟现实中的各种作业，Gridmix自带了各种具有代表性的作业，分别为streamSort，javaSort，webdataScan，combiner（这个作业只是对结果进行了压缩），monsterQuery，webdataSort，可以将这些作业分为以下几类：


    （1） 三阶段map/reduce作业

输入：500G压缩（等价于2T未压缩的）SequenceFile
（key,value）=（5 words，100 words）
计算1：map保留10%的数据，reduce保留40%数据,
计算2：map保留10%的数据，reduce保留40%数据，数据来自[计算1]的输出
计算3：map保留10%的数据，reduce保留40%数据，数据来自[计算2]的输出
动机：很多作业负载是流水式 map/reduce 作业，包括pig
对应作业：monsterQuery


    （2） 大规模数据排序，其中key和value长度都是变化的

输入：500G压缩（等价于2T未压缩的）SequenceFile
（key,value）=（5-10 words，100-10000 words）
计算：map保留100%的数据，reduce保留100%数据
动机：处理大规模的压缩数据是非常常见的
对应作业：webdataSort


    （3） 过滤

输入：500G压缩（等价于2T未压缩的）SequenceFile
（key,value）=（5-10 words，100-10000 words）
计算：map保留0.2%的数据，reduce保留5%数据
动机：对大数据集进行过滤是很常见的
对应作业：webdataScan


    （4） API 文本排序（直接调用一些API进行排序）

输入：500G未压缩文本
（key,value）=（1-10 words，0-200 words）
计算：map保留100%的数据，reduce保留100%数据
动机：map/reduce直接调用库函数进行排序
对应作业：streamSort，javaSort，其中streamSort使用了shell命令cat作为mapper和reducer（这并不是排序，只是简单的进行逐行扫描），javaSort调用了java中的API进行排序。
Gridmix生成的一个基准负载包含不同数量的各种类型的作业，且每种作业处理的数据量也不同。用户可以在一个xml文件中配置作业数量和数据量，Gridmix会根据这个配置文件构造相应的作业，提交到集群中并监控它们的执行情况直到所有作业完成。


    3、 使用方法


    （1） 编译

    在src/benchmarks/gridmix下，输入“ant”，会在build目录下生成gridmix.jar文件，把它copy到gridmix目录下。


    （2） 配置环境变量

修改脚本gridmix-env-2中的以下几个变量值：
HADOOP_HOME：hadoop安装路径
HADOOP_VERSION：hadoop版本，如hadoop-0.20.2
HADOOP_CONF_DIR：conf路径，如${HADOOP_HOME}/conf
USE_REAL_DATA：是否使用大的数据集（2TB），如果设为false，缺省数据量是2G。用户可以在generateGridmix2Data.sh根据需要配置。


    （3） 配置作业信息

Gridmix提供了一个缺省的gridmix_conf.xml，用户可以根据自己的需要作修改。修改的内容可以是：作业的类型和数量，作业处理的数据量，reduce task数目，是否对数据结果进行压缩等。需要注意的是，用户可以配置多个不同reduce数量的同一类型作业，比如：

javaSort.smallJobs.numOfJobs
8,2

javaSort.smallJobs.numOfReduces
15,70

上面的例子设置了10个java sort小作业，其中8个每个带有15个reduce task，另外2个每个带70个reduce task。
在Gridmix中，每种作业有大中小三种类型，小作业只有3个map task（只处理{part-00000,part-00001,part-00002}三块数据）；中作业的task 数目与数据总量有关，它处理与正则表达式{part-000*0,part-000*1,part-000*2}匹配的数据块，比如有10个数据块，分别是part-00000，part-00001，part-00002…part-0009,则中作业只会处理前三块；大作业会处理所有数据。


    （4） 产生数据

使用generateGridmix2Data.sh脚本产生数据，用户可以根据需要配置数据量。在Gridmix中，数据压缩率是4x。


    （5） 运行

首先确保hadoop集群已经启动，然后运行./rungridmix_2，该脚本会创建start.out记录作业运行开始时间，作业结束时，创建end.out记录完成时间。


    4、 总结

    Hadoop Gridmix由两个版本，本文讨论的是第二个版本，即Gridmix2。.Gridmix2具有很好的扩展性，用户可以很容易地添加其它作业，同时它能很好的模拟批处理情况。但缺点是它不能模拟随机提交作业（比如按泊松分布进行提交）的应用场景。


    5、 参考资料

（1） Hadoop Gridmix中自带的README.gridmix2文件
（2） http://hadoop.group.iteye.com/group/topic/10401