---

 
  Google（谷歌）拥有全球最强大的搜索引擎。除了搜索业务，Google 还有 Google Maps、Google Earth、Gmail、YouTube 等其他业务。这些应用的共性在于数据量巨大，且要面向全球用户提供实时服务，因此 Google 必须解决海量数据存储和快速处理问题。Google 研发出了简单而又高效的技术，让多达百万台的廉价计算机协同工作，共同完成这些任务，这些技术在诞生几年后才被命名为 Google 云计算技术。Google 云计算技术包括：Google 文件系统 GFS、分布式计算编程模型 MapReduce、分布式锁服务 Chubby、分布式结构化数据表 Bigtable、分布式存储系统 Megastore、分布式监控系统 Dapper、海量数据的交互式分析工具 Dremel，以及内存大数据分析系统 PowerDrill 等。

一、Google文件系统GFS

  Google 文件系统（Google File System，GFS）是一个大型的分布式文件系统。它为 Google 云计算提供海量存储，并且与 Chubby、MapReduce 及 Bigtable 等技术结合十分紧密，处于所有核心技术的底层。GFS 不是一个开源的系统，我们仅能从 Google 公布的技术文档来获得相关知识。

  当前主流分布式文件系统有 RedHat 的GFS（Global File System）、IBM 的 GPFS、Sun 的 Lustre 等。这些系统通常用于高性能计算或大型数据中心，对硬件设施条件要求较高。以 Lustre 文件系统为例，它只对元数据管理器 MDS 提供容错解决方案，而对于具体的数据存储节点 OST 来说，则依赖其自身来解决容错的问题。例如，Lustre 推荐 OST 节点采用 RAID 技术或 SAN 存储区域网来容错，但由于 Lustre 自身不能提供数据存储的容错，一旦 OST 发生故障就无法恢复，因此对 OST 的稳定性就提出了相当高的要求，从而大大增加了存储的成本，而且成本会随着规模的扩大线性增长。

  Google GFS 的新颖之处在于它采用廉价的商用机器构建分布式文件系统，同时将 GFS 的设计与 Google 应用的特点紧密结合，简化实现，使之可行，最终达到创意新颖、有用、可行的完美组合。GFS 将容错的任务交给文件系统完成，利用软件的方法解决系统可靠性问题，使存储的成本成倍下降。GFS 将服务器故障视为正常现象，并采用多种方法，从多个角度，使用不同的容错措施，确保数据存储的安全、保证提供不间断的数据存储服务。

（一）系统架构

  GFS 的系统架构如下图所示。GFS 将整个系统的节点分为三类角色：Client（客户端0、Master（主服务器）和 Chunk Server（数据块服务器）。Client 是 GFS 提供给应用程序的访问接口，它是一组专用接口，不遵守 POSIX 规范，以库文件的形式提供。应用程序直接调用这些库函数，并与该库链接在一起。Master 是 GFS 的管理节点，在逻辑上只有一个，它保存系统的元数据，负责整个文件系统的管理，是 GFS 文件系统中的 “大脑” 。Chunk Server 负责具体的存储工作。数据以文件的形式存储在 Chunk Server 上，Chunk Server 的个数可以有多个，它的数目直接决定了GFS 的规模。GFS 将文件按照固定大小进行分块，默认是64MB，每一块称为一个Chunk（数据块），每个 Chunk 都有一个对应的索引号（Index）。

GFS将整个系统节点分为三类角色：

GFS的实现机制：

• 客户端首先访问Master节点，获取交互的Chunk Server信息，然后访问这些Chunk Server，完成数据存取工作。这种设计方法实现了控制流和数据流的分离。
• Client与Master之间只有控制流，而无数据流，极大地降低了Master的负载。
• Client与Chunk Server之间直接传输数据流，同时由于文件被分成多个Chunk进行分布式存储，Client可以同时访问多个Chunk Server，从而使得整个系统的I/O高度并行，系统整体性能得到提高。

GFS的特点：

1、采用中心服务器模式

• 可以方便地增加Chunk Server
• Master掌握系统内所有Chunk Server的情况，方便进行负载均衡
• 不存在元数据的一致性问题

2、不缓存数据

• 文件操作大部分是流式读写，不存在大量重复读写，使用Cache对性能提高不大
• Chunk Server上数据存取使用本地文件系统从可行性看，Cache与实际数据的一致性维护也极其复杂

3、在用户态下实现

• 利用POSIX编程接口存取数据降低了实现难度，提高通用性
• POSIX接口提供功能更丰富
• 用户态下有多种调试工具
• Master和Chunk Server都以进程方式运行，单个进程不影响整个操作系统
• GFS和操作系统运行在不同的空间，两者耦合性降低

4、只提供专用接口

• 降低了实现的难度。通常与 POSIX 兼容的接口需要在操作系统内核一级实现，而 GFS 是在应用层实现的。
• 采用专用接口可以根据应用的特点对应用提供一些特殊支持，如支持多个文件并发追加的接口等。
• 专用接口直接和 Client、 Master、Chunk Server 交互，减少了操作系统之间上下文的切换，降低了复杂度，提高了效率。

（二）容错机制

1、Master容错

• 命名空间（Name Space），也就是整个文件系统的目录结构。
• Chunk与文件名的映射表。
• Chunk副本的位置信息，每一个Chunk默认有三个副本。

  当Master发生故障时，在磁盘数据保存完好的情况下，可以迅速恢复以上元数据。为了防止Master彻底死机的情况，GFS还提供了Master远程的实时备份。

2、Chunk Server容错

• GFS采用副本的方式实现Chunk Server的容错
• 每一个Chunk有多个存储副本（默认为三个）
• 对于每一个Chunk，必须将所有的副本全部写入成功，才视为成功写入
• 相关的副本出现丢失或不可恢复等情况，Master自动将该副本复制到其他Chunk Server
• GFS中的每一个文件被划分成多个Chunk，Chunk的默认大小是64MB
• 每一个Chunk以Block为单位进行划分，大小为64KB，每一个Block对应一个32bit的校验和

（三）系统管理技术

  GFS 是一个分布式文件系统，包含从硬件到软件的整套解决方案。除了上面提到的 GFS 的一些关键技术外，还有相应的系统管理技术来支持整个 GFS 的应用，这些技术可能不一定为 GFS 独有。

二、分布式数据处理MapReduce

  MapReduce 是 Google 提出的一个软件架构，是一种处理海量数据的并行编程模式，用于大规模数据集（通常大于1TB）的并行运算。Map（映射）、Reduce（化简）的概念和主要思想，都是从函数式编程语言和矢量编程语言借鉴来的。正是由于 MapReduce 有函数式和矢量编程语言的共性，使得这种编程模式特别适合于非结构化和结构化的海量数据的搜索、挖掘、分析与机器智能学习等。

（一）产生背景

  Jeffery Dean 设计一个新的抽象模型， 封装并行处理、容错处理、本地化计算、负载均衡的细节，还提供了一个简单而强大的接口。这就是MapReduce。

  MapReduce 这种并行编程模式思想最早是在1995年提出的。与传统的分布式程序设计相比，MapReduce 封装了并行处理、容错处理、本地化计算、负载均衡等细节，还提供了一个简单而强大的接口。MapReduce 把对数据集的大规模操作，分发给一个主节点管理下的各分节点共同完成，通过这种方式实现任务的可靠执行与容错机制。

（二）编程模型

• Map函数——对一部分原始数据进行指定的操作。每个 Map 操作都针对不同的原始数据，因此 Map 与 Map 之间是互相独立的，这使得它们可以充分并行化。
• Reduce操作——对每个 Map 所产生的一部分中间结果进行合并操作，每个 Reduce 所处理的 Map 中间结果是互不交叉的，所有 Reduce 产生的最终结果经过简单连接就形成了完整的结果集。

Map: (in_key, in_value) → {(keyj, valuej) | j = 1…k}
Reduce: (key, [value1,…,valuem]) → (key, final_value)

• Map输入参数：in_key 和 in_value，它指明了 Map 需要处理的原始数据

• Map输出结果：一组 <key,value> 对，这是经过 Map 操作后所产生的中间结果

• Reduce输入参数：（key,[value1,…,valuem]）

• Reduce工作：对这些对应相同 key 的 value 值进行归并处理

• Reduce输出结果：（key, final_value），所有 Reduce 的结果并在一起就是最终结果

（三）实现机制

（1）MapReduce 函数首先把输入文件分成M块

（2）分派的执行程序中有一个主控程序 Master

（3）一个被分配了 Map 任务的 Worker 读取并处理相关的输入块

（4）这些缓冲到内存的中间结果将被定时写到本地硬盘，这些数据通过分区函数分成R个区

（5）当 Maste r通知执行 Reduce 的 Worker 关于中间 <key,value> 对的位置时，它调用远程过程，从 Map Worker 的本地硬盘上读取缓冲的中间数据

（6）Reduce Worker 根据每一个唯一中间 key 来遍历所有的排序后的中间数据，并且把 key 和相关的中间结果值集合传递给用户定义的 Reduce 函数

（7）当所有的 Map 任务和 Reduce 任务都完成的时候，Master 激活用户程序

  由于MapReduce在成百上千台机器上处理海量数据，所以容错机制是不可或缺的。总的来说，MapReduce通过重新执行失效的地方来实现容错。

1、Master失效

  Master会周期性地设置检查点（checkpoint），并导出Master的数据。一旦某个任务失效，系统就从最近的一个检查点恢复并重新执行。由于只有一个Master在运行，如果Master失效了，则只能终止整个MapReduce程序的运行并重新开始。

2、Worker失效

  Master会周期性地给Worker发送ping命令，如果没有Worker的应答，则Master认为Worker失效，终止对这个Worker的任务调度，把失效Worker的任务调度到其他Worker上重新执行。

（四）案例分析

第一个步骤

  对原始的数据进行分割（Split），得到N个不同的数据分块。

第二个步骤

  对每一个数据分块都启动一个Map进行处理。采用桶排序的方法，每个Map中按照首字母将字符串分配到26个不同的桶中。

第三个步骤

  对于Map之后得到的中间结果，启动26个Reduce。按照首字母将Map中不同桶中的字符串集合放置到相应的Reduce中进行处理。

  从上述过程可以看出，由于能够实现处理过程的完全并行化，因此利用 MapReduce 处理海量数据是非常适合的。