Distributed Systems MIT - Introduction总结

1.Main Topics

• Storage.（存储）
• Communication.（通信）
• Computation.（计算）

2. 什么是Distributed systems：

·多台电脑合作完成
·大规模数据集运算，如：MapReduce，点对点共享
·许多设施是分布式的

3. Distributed systems功能：

·通过多线程并行操作，提高性能
·通过生成副本，避免文件丢失
·可以将计算放在离外部实体更近的地方
·通过隔离增加系统的安全

4. Topic

• implementation（实现）：RPC、线程、并发控制
• performance（性能）：我们想要提供一个性能可以扩展的系统，通常需要更好的设计而不仅仅是更多的计算机，数量的增多也会带来负载不均衡等问题。
• fault tolerance（容错）：对应用程序隐藏这些故障，我们希望系统拥有可用性、可恢复性，如果一台服务器宕机，可以继续使用其他服务器。
• consistency（一致）：想要达成正确工作的系统十分困难，一致性与性能存在矛盾，服务器节点能难保证相同，KV服务。

4. MapReduce

MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）“和"Reduce（归约）”，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

函数式编程思想构建成抽象模型 — Map 和 Reduce，隐藏系统底层细节，编程方便，不够灵活。即 MapReduce的思想是，应用程序设计人员和分布式运算的使用者，只需要写简单的Map函数和Reduce函数，而不需要知道任何有关分布式的事情，MapReduce框架会处理剩下的事情。

• Job：整个MapReduce计算称为Job。
• Task：每一次MapReduce调用称为Task。

对于一个完整的MapReduce Job，它由一些Map Task和一些Reduce Task组成。所以这是一个单词计数器的例子，它解释了MapReduce的基本工作方式。

Map函数使用一个key和一个value作为参数。key是输入文件的名字，通常会被忽略，因为我们不太关心文件名是什么，value是输入文件的内容。

Reduce函数的入参是某个特定key的所有实例（Map输出中的key-value对中，出现了一次特定的key就可以算作一个实例）。所以Reduce函数也是使用一个key和一个value作为参数，其中value是一个数组，里面每一个元素是Map函数输出的key的一个实例的value。

Example: word count

  input is thousands of text files
  
  Map(k, v)
    split v into words
    for each word w
      emit(w, "1")
      
  Reduce(k, v)
    emit(len(v))