MIT 6.824学习笔记1 MapReduce

本节内容：Lect 1

---

MapReduce框架的执行过程：

    master分发任务，把map任务和reduce任务分发下去
    map worker读取输入,进行map计算写入本地临时文件
    map任务完成通知master 告知本地中间结果文件的位置大小信息
    master通知reduce worker
    reduce worker从不同的map worker读取自己负责的部分，这个过程称为shuffle
    reduce worker读取之后会在本地进行排序
    调用用户的reduce方法进行计算
    最终reduce将结果输出到全局的文件系统(GFS)

失败处理的过程：

    master故障：不处理，外部程序决定是否重做
    worker故障：master定时ping各个worker，若一段时间ping不通说明崩了
    如果发现了某个worker故障了
        这个worker执行中的reduce和map任务都会被标记为空闲重新分配
        如果是reduce任务并且执行完了那么就忽略不管（reduce生成的结果存在GFS，不会丢）
        如果是map任务并且执行完了，那么就要重置状态，要求重新执行。因为中间文件可能丢失了（map的中间文件存在worker本地）。

具体过程可以参考这张图：

MapReduce模型的容错性：map()/reduce()各个函数之间都是独立运行的，没有依赖。所以重新执行也会产生相同的输出。纯函数的这个需求是MR相对于其他并行编程方案的主要限制，然后也是因为这个需求使得MR非常简单。当出错时直接重新执行对应的函数和区块即可

每个区块尽可能的小（分成尽可能多的块），便于负载均衡、出错重启等

Ref:    https://zou.cool/2018/11/27/mapreduce/