Practice on Hadoop Big Data.

1. Hadoop大数据实践经验
2012年12月
Schubert Zhang, Stephen Xie, Clay Jiang

2. 汉播与开源(Hadoop Ecosystem)
开源项目代码、补丁、问题报告： 为开源社区提供文档、测试报告和贡献资料：
HBASE-1778、HBASE-1818、HBASE-1841、HBASE-
http://www.slideshare.net/hanborq
1978 、HBASE-1902、HBASE-3943、HBASE-1296、
http://www.slideshare.net/schubertzhang
MAPREDUCE-3685 、MAPREDUCE-4039、
http://hbase.apache.org/book.html#regions.arch
CASSANDRA-1729 ……
http://github.com/hanborq 汉播与开源 http://slideshare.net/hanborq
http://slideshare.net/schubertzhang
2013/3/21 2

3. Hadoop实践概述 (1)
2013/3/21 3

4. Hadoop实践概述 (2)
2013/3/21 4

5. 集群规划 - Hadoop版本选择
• 开源发布
– Apache/Hortonworks
– Cloudera
– Facebook
– MapR
– Hanborq or BigCloud …
• Hadoop, HBase, etc.
2013/3/21 5

6. 集群规划 – 硬件选择
• 什么是Commodity Hardware?
• CPU:Memory:Disk，依赖于workload特性需求
• JBOD vs. RAID vs. SPAN/BIG
• 虚拟机、Blades、SAN不适用
• Master节点 • Worker(Slave)节点
– NameNode and SecondaryNameNode
– JobTracker – 存储+计算
– 可靠性要求更高 – 存储密集(DW)
• 双电源
• 捆绑网口 – 保留20～30%磁盘空间做MapReduce、
• RAID1 vs. RAID10 vs. RAID5 HDFS、HBase临时数据
• 专用独立的硬盘
• 备份到NFS – 每个task大概1～4GB内存，48GB内
– 大内存 存支持约10～20 tasks
• NameNode: 1GB 大约100万Blocks, 小文件问题
• JobTracker: History Task Status, Counters, etc.
(mapred.jobtracker.completeuserjobs.maximum）
– 小硬盘
• < 1TB即可，如500GB
2013/3/21 6

7. 集群规划 – 硬件选择 – 举例
2013/3/21 7

8. 集群规划 – 集群大小
• 存储和计算能力需求
– CPU、Memory、存储、Disk IO
– 计算作业的频率
• 按存储需求来估算 (常用)
– 长期存储的历史数据
– 每日增量的数据
– 实际参与计算的数据
• 按计算能力来估算 (较难)
2013/3/21 8

9. 集群规划 – OS及内核调优
• 操作系统
– RHEL/CentOS/Ubuntu …
– JDK (http://wiki.apache.org/hadoop/HadoopJavaVersions)
• 1.6.0_24/26/31
• -XX:+UseCompressedOops
• GC options
– cron/ntp/ssh/sendmail/rsync/sysstat/dstat
– Hostname和DNS
– 用户，组，权限
• 内核调优
– ulimit: open files， max user processes, etc.
– vm.swappiness
– vm.overcommit_memory
– …
2013/3/21 9

10. 集群规划 – 磁盘规划
• Linux文件系统
– Ext3
– Ext4 (extent-based, sequential)
– Xfs (extent-based, concurrent)
– LVM (anti.)
2013/3/21 10

11. 集群规划 – 网络规划
• 考虑HDFS/MapReduce 1Gb vs. 10Gb
(1) 两层树结构 (中小集群) (2) 三层树结构 (大集群瓶颈)
• East/West vs. North/South流量模型
• 写穿
• Shuffle
• 机架拓扑，交换机拓扑
• 读：尽量本地；写：本地优先
• 10Gb: low latency, high throughput
• 接入交换机：10Gb的价格是1Gb的三倍
• ETL：10Gb
• Bonding ->10Gb
• CLOS Network: http://research.google.com/pubs/pub36740.html
http://www.csdn.net/article/2011-05-20/298348
(3) Spine Fabric (扩展性好) • Redundancy
2013/3/21 11

12. 集群自动化部署 - ClusterMaster
• ClusterMaster是一款自动化部署和运维系统。旨在解决大规模
集群部署和运维过程中的几个核心问题：操作系统部署、应用部
署及管理、配置管理、性能数据采集、报警监控。
• ClusterMaster集成Kickstart、Cobbler、Puppet、Ganglia、
Nagios等开源软件为一体，向用户提供统一的Web管理界面。
• 依托强大的开源软件，ClusterMaster具有良好的可扩展性，可
以应对Linux集群运维中的各种应用部署和操作系统部署需求。
用户只需提供部署脚本和安装包，剩下的工作都将由
ClusterMaster自动完成。
2013/3/21 12

13. ClusterMaster
2013/3/21 13

14. 集群自动化部署 – Hdeploy/HTCfg
HugeTable提供并行系统部署和配置工具HTCfg，可以方便地对系
统依赖软件、Linux环境配置、HugeTable的各个软件模块进行安
装部署和配置。使得用户不必一台一台地对分布式系统逐个安装
和配置。
Hdeploy的deploy.dd文件片段
2013/3/21 14

15. 运维 -
HDFS WebUI和运维策略
2013/3/21 15

16. 运维 –
MapReduce WebUI和运维策略
2013/3/21 16

17. 运维 – 善用Metrics
有选择地集成Ganglia或OpenTSDB实现关键Metrics实时可视化。
2013/3/21 17

18. 运维 – 监控报警可视化工具
ClusterMaster
Ganglia
Nagios
2013/3/21 18

19. 运维 – Job统计
定期产生Job运行状况报表
2013/3/21 19

20. 运维 – 数据迁移(案例)
• 小数据中心->大数据中心
• Distcp
• Seed Nodes
• Balance
2013/3/21 20

21. Hadoop生态系统 -
构建完整的解决方案
User, Applications
API/QL API/QL
User Hive/Pig
Big HugeTable
Data
MapReduce
User
Flume/
Big Bigtable HBase Oozie
Data Flive Bigtable
……
……
User
Big file
HDFS
file file
Data
Shared Cluster of Servers
2013/3/21 21

22. Hadoop生态系统 -
选择合适的工具解决合适的问题
Hive vs. Pig. vs. Java vs. Others
2013/3/21 22

23. 性能评估测试 – Benchmark工具
• 写数据操作（入库）性能测试
• 读数据操作（查询）性能测试
2013/3/21 23

24. 性能评估测试 – Benchmark工具
SLA核心指标
• Throughput
– tThrou :Total Throughput
(operation count)
– dThrou : Delta Throughput
(operation count)
• Latency
– tAvgLat: Total Average
percentage of read ops Latency (ms)
25.00%
– dAvgLat: Delta Average
Latency (ms)
20.00%
15.00% – dMaxLat : Delta Maximum
10.00%
Latency (ms)
5.00% – dMinLat : Delta Minimum
0.00% Latency (ms)
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61
100ms • Quantile %
• Total : from benchmark start to
 Read Throughput: average ~140 ops/s; per-node: average ~16 ops/s present.
 Latency: average ~500ms, 97% < 2s (SLA) • Delta: between each statistical
 Bottleneck: disk IO (random seek) (CPU load is very low) interval (2 minutes here)
2013/3/21 24

25. Known Issues and Work Arounds
• Hadoop系列产品还有很多已知的和未知的问题
• 这里只是举例：
– CentOS/RedHat Linux: transparent hugepage compaction
– HDFS: 正在写的文件不能读
– MapReduce: LZO压缩文件index过大，OOME
– Hive: MySQL Connection长时间连接中断导致Job失败
– HBase: 多CF的Memstore Flush触发机制
– …
2013/3/21 25

26. Hadoop优化
• MapReduce
• HBase
• Flume
• Hive
• Pig
• Tools
2013/3/21 26

27. Hadoop优化 @MapReduce性能
Job Startup Latency (seconds) Job Startup Latency (seconds)
Total Tasks (32 maps, 4 reduces) Total Tasks (96 maps, 4 reduces)
30 50 43
24
21 40
20 30 24
20
10
1 10 1
0 0
CDH3u2 (Cloudera) CDH3u2 (Cloudera) HDH3u2 (Hanborq) CDH3u2 (Cloudera) CDH3u2 (Cloudera) HDH3u2 (Hanborq)
(reuse.jvm disabled) (reuse.jvm enabled) (reuse.jvm disabled) (reuse.jvm enabled)
Sort Avoidance and Aggregation Real Aggregation Jobs
2400
2186 700
2200
2000 600
1800
1600 500
1400
time (seconds)
400
1200
time (seconds)
1000 300
800 615
600 200
400 216 198
197 175 100
200
0 0
Case1 Case2 Case3 Case1-1 Case2-1 Case1-2 Case2-2
CHD3u2 (Cloudera) 197 216 2186 CDH3u2 (Cloudera) 238 603 136 206
HDH (Hanborq) 175 198 615 HDH (Hanborq) 233 578 96 151
27

28. Thank You Very Much!
2013/3/21 28