呼之欲出！比Spark快10倍的Hadoop3.0有哪些实用新特性？

xman

　　Apache hadoop 项目组最新消息，hadoop3.x以后将会调整方案架构，将Mapreduce 基于内存+io+磁盘，共同处理数据。
　　其实最大改变的是hdfs，hdfs  通过最近black块计算，根据最近计算原则，本地black块，加入到内存，先计算，通过IO，共享内存计算区域，最后快速形成计算结果。

　　1. Hadoop 3.0简介
　　Hadoop 2.0是基于JDK 1.7开发的，而JDK 1.7在2015年4月已停止更新，这直接迫使Hadoop社区基于JDK  1.8重新发布一个新的Hadoop版本，而这正是hadoop 3.0。
　　Hadoop 3.0的alpha版预计今年夏天发布，GA版本11月或12月发布。
　　Hadoop 3.0中引入了一些重要的功能和优化，包括HDFS 可擦除编码、多Namenode支持、MR Native  Task优化、YARN基于cgroup的内存和磁盘IO隔离、YARN container resizing等。
　　2. Hadoop 3.0新特性
　　Hadoop 3.0在功能和性能方面，对hadoop内核进行了多项重大改进，主要包括：
2.1 Hadoop Common
　　(1)精简Hadoop内核，包括剔除过期的API和实现，将默认组件实现替换成最高效的实现(比如将FileOutputCommitter缺省实现换为v2  版本，废除hftp转由webhdfs替代，移除Hadoop子实现序列化库org.apache.hadoop.Records
(2)Classpath isolation以防止不同版本jar包冲突，比如google  Guava在混合使用Hadoop、HBase和Spark时，很容易产生冲突。(http://issues.apache.org/jira  /browse/HADOOP-11656)
(3)Shell脚本重构。
　　Hadoop  3.0对Hadoop的管理脚本进行了重构，修复了大量bug，增加了新特性，支持动态命令等。http://issues.apache.org/jira/browse/HADOOP-9902
2.2 Hadoop HDFS
　　(1)HDFS支持数据的擦除编码，这使得HDFS在不降低可靠性的前提下，节省一半存储空间。(http://issues.apache.org/jira/browse/HDFS-7285)
(2)多NameNode支持，即支持一个集群中，一个active、多个standby  namenode部署方式。注：多ResourceManager特性在hadoop  2.0中已经支持。(http://issues.apache.org/jira/browse/HDFS-6440)
2.3 Hadoop MapReduce
　　(1)Tasknative 优化。为MapReduce增加了C/C++的map output  collector实现(包括Spill，Sort和IFile等)，通过作业级别参数调整就可切换到该实现上。对于shuffle密集型应用，其性能可提高约30%。(http://issues.apache.org/jira/browse/MAPREDUCE-2841)
(2)MapReduce 内存参数自动推断。在Hadoop  2.0中，为MapReduce作业设置内存参数非常繁琐，涉及到两个参数：mapreduce..java.opts，一旦设置不合理，则会使得内存资源浪费严重，比如将前者设置为4096MB，但后者却是"-Xmx2g"，则剩余2g实际上无法让java  heap使用到。(http://issues.apache.org/jira/browse/MAPREDUCE-5785)
2.4 Hadoop YARN
　　(1)基于cgroup的内存隔离和IO  Disk隔离(http://issues.apache.org/jira/browse/YARN-2619)
(2)用curator实现RM leader选举(http://issues.apache.org/jira/browse/YARN-4438)
(3)containerresizing(http://issues.apache.org/jira/browse/YARN-1197)
(4)Timelineserver next generation  (http://issues.apache.org/jira/browse/YARN-2928)
以下是hadoop-3.0的最新参数

Hadoop-3.0

• HADOOP
  • Move to JDK8+
  • Classpath isolation on by default HADOOP-11656
  • Shell script rewrite HADOOP-9902
  • Move default ports out of ephemeral range HDFS-9427
    
• HDFS
  • Removal of hftp in favor of webhdfs HDFS-5570
  • Support for more than two standby NameNodes HDFS-6440
  • Support for Erasure Codes in HDFS HDFS-7285
    
• YARN
• MAPREDUCE
  • Derive heap size or mapreduce.*.memory.mb automatically MAPREDUCE-5785
    
  
  

在 HDFS-7285中,实现了Erasure Coding这个新功能.鉴于此功能还远没有到发布的阶段,可能后面此块相关的代码还会进行进一步的改造,因此只是做一个所谓的预分析,帮助大家提前了解 Hadoop社区目前是如何实现这一功能的.本人之前也没有接触过Erasure Coding技术,中间过程也确实有些偶然,相信本文可以带给大家收获.

Erasure coding纠删码技术简称EC,是一种数据保护技术.最早用于通信行业中数据传输中的数据恢复,是一种编码容错技术.他通过在原始数据中加入新的校验数据,使得各个部分的数据产生关联性.在一定范围的数据出错情况下,通过纠删码技术都可以进行恢复.下面结合图片进行简单的演示,首先有原始数据n个,然后加入m个校验数据块.如下图所示:

Parity部分就是校验数据块,我们把一行数据块组成为Stripe条带,每行条带由n个数据块和m个校验块组成.原始数据块和校验数据块都可以通过现有的数据块进行恢复,原则如下:

如果校验数据块发生错误,通过对原始数据块进行编码重新生成如果原始数据块发生错误, 通过校验数据块的解码可以重新生成。

而且m和n的值并不是固定不变的，可以进行相应调整。可能有人会好奇，这其中到底是什么原理呢? 其实道理很简单，你把上面这图看成矩阵，由于矩阵的运算具有可逆性，所以就能使数据进行恢复，给出一张标准的矩阵相乘图，大家可以将二者关联。

3. Hadoop3.0 总结

Hadoop 3.0的alpha版预计今年夏天发布，GA版本11月或12月发布。

Hadoop 3.0中引入了一些重要的功能和优化，包括HDFS 可擦除编码、多Namenode支持、MR Native Task优化、YARN基于cgroup的内存和磁盘IO隔离、YARN container resizing等。