標籤：http 使用 strong 檔案 資料 for art ar
Hadoop的輝煌還能延續多久？
摘要：Hadoop已經成為大資料的代名詞。短短几年間，Hadoop從一種邊緣技術成為事實上的標準。而另一方面，MapReduce在Google已不再顯赫。當企業矚目MapReduce的時候，Google好像早已進入到了下一個時代。
Hadoop技術已經無處不在。不管是好是壞，Hadoop已經成為大資料的代名詞。短短几年間，Hadoop從一種邊緣技術成為事實上的標準。看來，不僅現在Hadoop是企業大資料的標準，而且在未來，它的地位似乎一時難以動搖。
Google檔案系統與MapReduce
我們先來探討一下Hadoop的靈魂——MapReduce。面對資料的爆炸性增長，Google的工程師Jeff Dean和Sanjay Ghemawat架構並發布了兩個開創性的系統：Google檔案系統（GFS）和GoogleMapReduce（GMR）。前者是一個出色而實用的解決方案-使用常規的硬體擴充並管理資料，後者同樣輝煌，造就了一個適用於大規模平行處理的計算架構。
GoogleMapReduce（GMR）為普通開發人員/使用者進行大資料處理提供了簡易的方式，並使之快速、具備容錯性。Google檔案系統（GFS）和GoogleMapReduce（GMR）也為Google搜尋引擎對網頁進行抓取、分析提供了核心動力。
再回頭看看開源世界中的Hadoop，Apache Hadoop的Distributed File System（HDFS）和Hadoop MapReduce完全是Google檔案系統（GFS）和GoogleMapReduce（GMR）的開源實現。Hadoop項目已經發展成為一個生態系統，並觸及了大資料領域的方方面面。但從根本上，它的核心是MapReduce。
Hadoop是否可以趕超Google？
一個有趣的現象是，MapReduce在Google已不再顯赫。當企業矚目MapReduce的時候，Google好像早已進入到了下一個時代。事實上，我們談論的這些技術早就不是新技術了，MapReduce也不例外。
我希望在後Hadoop時代下面這些技術能夠更具競爭性。儘管許多Apache社區的項目和商業化Hadoop項目都非常活躍，並以來自HBase、Hive和下一代MapReduce（YARN）的技術不斷完善著Hadoop體系，我依然認為，Hadoop核心（HDFS和Zookeeper）需要脫離MapReduce並以全新的架構增強自己的競爭力，真正與Google技術一較高下。
過濾不斷增長的索引，分析不斷變化的資料集。Hadoop的偉大之處在於，它一旦開始運行，就會飛速地分析你的資料。儘管如此，在每次分析資料之前，即添加、更改或刪除資料之後，我們都必須將整個資料集進行串流。這意味著，隨著資料集的膨脹，分析時間也會隨之增加，且不可預期。
那麼，Google又是怎麼做到搜尋結果越來越即時呈現呢？一個名為Percolator的增量處理引擎取代了GoogleMapReduce（GMR）。通過對建立、更改和已刪除文檔的處理，並使用二級索引進行高效的分類、查詢，Google能夠顯著地降低實現其目標的時間。
Percolator的作者寫道：“將索引系統轉化為一個增量系統……文檔平均處理延遲的因子降低到了現在的100。”這句話的意思是，索引Web上新內容的速度比之前MapReduce系統快了100倍。
GoogleDremel即時資料分析解決方案
Google和Hadoop社區曾致力於構建基於MapReduce的易用性即時資料分析工具，如Google的平行處理語言Sawzall，Apache Pig和Hive。但對熟知SQL的人們而言，他們忽略了一個基本事實-構建MapReduce的目標就在於管理資料處理工作。它的核心能力在於工作流程管理，而不是即時資料分析。
與之形成鮮明對比的是，很多BI或資料分析查詢基本上都要求即時、互動和低延遲。這意味著，使用Hadoop不僅需要規劃流程圖，而且需要為許多查詢分析裁減不必要的工作流程。即便如此，我們也要花費數分鐘等待工作開始，然後花費數小時等待工作流程完成，並且這個過程也非常不利於互動式體驗。因此，Google研發了Dremel予以應對。Dremel是Google 的“互動式”資料分析系統，可以在幾秒鐘內處理PB層級的資料，並能輕鬆應對即時查詢。
Google Dremel的設計特點：
Dremel是一個可擴充的大型系統。在一個PB層級的資料集上面，將任務縮短到秒級，無疑需要大量的並發。磁碟的順序讀速度在100MB/S上下，那麼在1S內處理1TB資料，意味著至少需要有1萬個磁碟的並發讀! Google一向是用廉價機器辦大事的好手。但是機器越多，出問題機率越大，如此大的叢集規模，需要有足夠的容錯考慮，保證整個分析的速度不被叢集中的個別節點影響。
Dremel是MapReduce的補充。和MapReduce一樣，Dremel也需要GFS這樣的檔案系統作為儲存層。在設計之初，Dremel並非是MapReduce的替代品，它只是可以執行非常快的分析，在使用的時候，常常用它來處理MapReduce的結果集或者用來建立分析原型。
Dremel的資料模型是嵌套的。互連網資料常常是非關係型的。Dremel還需要有一個靈活的資料模型，這個資料模型至關重要。Dremel支援一個嵌套的資料模型，類似於JSON。而傳統的關聯式模式，由於不可避免的有大量的JOIN操作，在處理如此大規模的資料的時候，往往是有心無力的。
Dremel中的資料是採用列式儲存的。使用列式儲存，分析的時候，可以只掃描需要的那部分資料的時候，減少CPU和磁碟的訪問量。同時列式儲存是壓縮友好的，使用壓縮，可以綜合CPU和磁碟，發揮最大的效能。
Dremel結合了Web搜尋和並行DBMS的技術。Dremel借鑒了Web搜尋中的“查詢樹”的概念，將一個相對巨大複雜的查詢，分割成較小較簡單的查詢。大事化小，小事化了，能並發的在大量節點上跑。另外，和並行DBMS類似，Dremel可以提供了一個SQL-like的介面，就像Hive和Pig那樣。
Google的圖資料計算架構Pregel
GoogleMapReduce是專門為抓取、分析世界上最龐大的圖形架構-internet而設計的，但針對大規模圖演算法（遍曆（BFS）、PageRank，最短路徑（SSSP）等）的計算則顯得效率低下。因此，Google構建了Pregel。
Pregel給人的印象非常深刻。Pregel不僅能高效執行SSSP或PageRank演算法，更令人驚訝的是，公布的資料顯示Pregel處理一個有著幾十億節點、上萬億條邊的圖，只需數分鐘即可完成，其執行時間隨著圖的大小呈線性增長。
Pregel基於BSP模型，就是“計算”-“通訊”-“同步”的模式：
輸入輸出為有向圖
分成超步
以節點為中心計算，超步內每個節點執行自己的任務，執行節點的順序不確定
兩個超步之間是通訊階段
在Pregel中，以節點為中心計算。Step 0時每節點都活動著，每個節點主動“給停止投票”進入不活動狀態。如果接收到訊息，則啟用。沒有活動節點和訊息時，整個演算法結束。容錯是通過檢查點來做的。在每個超步開始的時候，對主從節點分別備份。
總結
儘管當前大資料技術的核心依然是Hadoop，但Google卻已經為我們展現了許多更先進的大資料技術。Google開發這些技術的本意並不是要立刻拋棄掉MapReduce，但毫無疑問這是未來大資料技術的趨勢。儘管已經出現了上述大資料技術的開源實現，但我們不禁要問，Hadoop的輝煌還能延續多久？（張志平/編譯）
原文連結：Why the days are numbered for hadoop as we know it