Hadoop性能调优案例分享

Hadoop作为一个庞大的系统，其调优的过程是很复杂的。Hadoop虽然提供了许多调优参数，但数量庞大，开发者往往难以做出合适选择，更凸显了调优的难度。本文将通过一则Hadoop调优案例，与读者分享一下如何从全局出发，根据资源的使用情况，合理的确定调优目标，梳理调优点，实现最终的性能优化。

测试案例介绍

TPCx-HS是TPC(http://www.tpc.org/)组织提供的Hadoop性能测试基准(http://www.tpc.org/tpcx-hs/default.asp)，用于测试大数据平台硬件、软件和Hadoop文件系统API兼容软件，对它们的性能、性价比、可用性以及耗电性提供客观评估。TPCx-HS本质上是Hadoop的TeraSort benchmark，通过对TB级数据进行排序，来测试HDFS和MapReduce框架对大规模数据的处理性能。

TPCx HS由以下三部分组成：

• TeraGen：生成大量用于排序的数据并放置在HDFS。此阶段只有Map，没有Reduce。

• TeraSort：从HDFS上读取TeraGen生成的数据，用MapReduce框架进行排序，并把将结果放在HDFS。既有Map，也有Reduce。

• Validate：排序结果验证，若任意文件没有按排序键正确排序，就报错。既有Map，也有Reduce。

优化前的测试

首先，我们在未进采用优化手段的情况下，进行了一轮TPCx-HS性能测试。结果显示，上述三项过程在测试中分别表现出以下特征：

• TeraGen过程中，Map阶段的CPU负载较低，而网络是性能瓶颈。

• TeraSort过程中，Map阶段的CPU以及Reduce阶段的网络都处于满负荷。

• Validate的性能基本稳定，没有需要调优的地方。

所以我们的主要调优对象是TeraGen和TeraSort。

TeraGen的调优思路

TeraGen的性能瓶颈在于写HDFS 3副本时大量的网络吞吐。下图是运行时的网络负载情况：

根据上图，我们认为TeraGen性能调优要遵循下述基本思想：

• 左边线的斜率要高。意味着Task要尽快启动，尽快完成任务。

• 上面平台要平。即网络必须稳定且保持满负荷运转状态。

• 右边线不能有拖尾。即任务量要均衡，单个Task处理的数据不能过多。

要满足这些要求，需要综合平衡各种因素和参数：

• 通过提高各个服务间节点心跳的频率，加快Task的启动速度。

• 基于对文件数目、TeraSort时的Map数目、以及TeraGen阶段每个Task的执行时间的考虑，选择合适的Block大小。

TeraSort的调优思路

TeraSort包含Map和Reduce两个阶段，其中Map阶段的CPU负载很高，但网络负载低；Reduce阶段的CPU负载很低，但网络负载很高。如果两个阶段顺序执行，势必有很多等待。

下图是TeraSort过程的CPU使用情况：

这是网络的使用情况：

从上图可见Map阶段基本没有网络负载，但是Reduce阶段网络负载很高，而且中间有明显下降，这说明Map和Reduce的重合度不够，且Reduce的数量较少。

基于对以上现象的观察，TeraSort性能调优的思想如下：

• 为了减少Map到Reduce阶段的IO（数据量），中间的Shuffle过程需广播压缩后的数据。

• 因为Map/Reduce阶段各自需要不同的资源，所以可以兼顾系统资源、Map和Reduce Task的数目，尽量让Map和Reduce重合。

• 即使Map和Reduce重合，Map Task可能仍然占用大部分资源。为了处理更多数据，Reduce Task不能过多。

经过优化后的CPU负载情况如下：

网络负载情况如下：

Map/Reduce数目

Map和Reduce数目这两个参数对TeraGen和TeraSort的性能影响都非常大，需要仔细调试。下面以10T为例来说明。

首先要理清文件数、Split数目、Block Size、MapTask数目之间的关系。

由于TeraGen过程不涉及HDFS读操作，所以设定的NUM_MAPS就是实际运行时Map Task的数目，于是最终写到HDFS上的文件个数就是Map Task数目。

如果只有一个文件，那么Split数目就等于filesize / blocksize。例如，假设我们选择采用1G的blocksize，对于数据量为10T的文件，Split的数目为：10,000, 000, 000 / 1,073,741,824 ~= 9314

此时的NUM_MAPS可为9314/3（NUM_MAPS = Split数目/N，N可以根据性能调整），约等于3105。

因为TeraSort是从HDFS上读数据的，所以Map Task数目由总的Split数目决定，和NUM_MAPS无关。Reduce Task的数目由NUM_REDUCERS决定。

硬件环境配置

• CPU

  为了提高性能，CPU必须处于Performance模式，而不是PowerSave。另外还需要检查/proc/cpuinfo中的CPU主频，保证即使CPU空闲，主频也为2.XGHz.

• 网络

  网络必须能够全速运行。可以用网络工具来检测网路速度。

• 磁盘

  必须保证足够多的磁盘，如果磁盘吞吐量不够，磁盘IO将是整个测试过程的瓶颈。

总结

除了对上面内容涉及的参数修改，实际中我们在测试时还对内存、GC等参数进行了调整。

正如本文所描述的，Hadoop的调试过程要求开发者对架构底层有一定了解，需要能结合业务场景特征，理解资源图表，对不同数据集不同集群，利用不同相关参数的作用，实现性能优化。

往期精彩推荐：

---

回复关键字，获取更多资讯

简介 | 产品 | 技术 | 案例集 | 培训 | 白话大数据

评测 |  投资 | 新手上路 | Holodesk | TED视频

技术支持| 金融 | 电力 | 视频监控 | 运营商 |交通

税务 | 电商 | 智能金融 | 医疗 | 快递|TDH5.0