Yarn源码分析之参数mapreduce.job.reduce.slowstart.completedmaps介绍

mapreduce.job.reduce.slowstart.completedmaps是MapReduce编程模型中的一个参数，这个参数的含义是，当Map Task完成的比例达到该值后才会为Reduce Task申请资源，默认是0.05，其在接口MRJobConfig中表示如下：

1. // 当Map Task完成的比例达到该值后才会为Reduce Task申请资源，默认是0.05
2. public static final String COMPLETED_MAPS_FOR_REDUCE_SLOWSTART = "mapreduce.job.reduce.slowstart.completedmaps";

那么这个参数在Yarn中是如何使用的呢？本文我们将解答这个问题。

既然这个参数的含义是当Map Task完成的比例达到该值后才会为Reduce Task申请资源，那么在Yarn中关于资源分配申请服务的RMContainerAllocator中，自然会用到它。在服务初始化的serviceInit()方法中，有如下代码：

1. // reduceSlowStart取参数mapreduce.job.reduce.slowstart.completedmaps，默认为0.05，
2. // 其代表当Map Task完成的比例达到该值后才会为Reduce Task申请资源
3. reduceSlowStart = conf.getFloat(
4. MRJobConfig.COMPLETED_MAPS_FOR_REDUCE_SLOWSTART,
5. DEFAULT_COMPLETED_MAPS_PERCENT_FOR_REDUCE_SLOWSTART);

这个reduceSlowStart就代表当Map Task完成的比例达到该值后才会为Reduce Task申请资源，它取参数mapreduce.job.reduce.slowstart.completedmaps，参数未配置时默认为0.05。而在进行Reduce任务相关资源申请调度时，会传入这个reduceSlowStart，如下：

1. scheduleReduces(
2. getJob().getTotalMaps(), completedMaps,
3. scheduledRequests.maps.size(), scheduledRequests.reduces.size(),
4. assignedRequests.maps.size(), assignedRequests.reduces.size(),
5. mapResourceRequest, reduceResourceRequest,
6. pendingReduces.size(),
7. maxReduceRampupLimit, reduceSlowStart);

scheduleReduces()方法是专门处理Reduce任务相关资源申请调度的，其中对于reduceSlowStart是按照以下方式进行处理的，如下：

1. //check for slow start
2. // 在Reduce调度尚未启动时，即标志位reduceStarted为false时
3. if (!getIsReduceStarted()) {//not set yet
4. // 计算Reduce Task启动时最低要求完成的Map Task数目completedMapsForReduceSlowstar，
5. // 计算公式为reduceSlowStart * totalMaps，向上取整，totalMaps表示Map Task总数目
6. int completedMapsForReduceSlowstart = (int)Math.ceil(reduceSlowStart *
7. totalMaps);
8. // 如果已完成Map Task数目completedMaps小于上述要求完成的Map Task数目completedMapsForReduceSlowstart，
9. // 记录info级别日志信息：Reduce slow start threshold not met.completedMapsForReduceSlowstart ？
10. // 即Reduce任务最低启动门槛没有满足，并输出最低启动门槛，即要求已完成的Map Task数目：completedMapsForReduceSlowstart数目，然后返回，不进行资源申请调度
11. if(completedMaps < completedMapsForReduceSlowstart) {
12. LOG.info("Reduce slow start threshold not met. " +
13. "completedMapsForReduceSlowstart " +
14. completedMapsForReduceSlowstart);
15. return;
16. } else {
17. // 如果达到了最低启动门槛，同样记录info级别日志信息：Reduce slow start threshold reached. Scheduling reduces.
18. // 即Reduce最低启动门槛已达到，开始调度Reduce
19. LOG.info("Reduce slow start threshold reached. Scheduling reduces.");
20. // 并设置标志位reduceStarted为true，即该Reduce资源申请已被调度
21. setIsReduceStarted(true);
22. }
23. }

我们看到，在Reduce调度尚未启动时，即标志位reduceStarted为false时：

1、首先计算Reduce Task启动时最低要求完成的Map Task数目completedMapsForReduceSlowstar，计算公式为reduceSlowStart * totalMaps，向上取整，totalMaps表示Map Task总数目；

2、如果已完成Map Task数目completedMaps小于上述要求完成的Map Task数目completedMapsForReduceSlowstart，记录info级别日志信息：Reduce slow start threshold not met.completedMapsForReduceSlowstart * ，即表示Reduce任务最低启动门槛没有满足，并输出最低启动门槛，即要求已完成的Map Task数目：completedMapsForReduceSlowstart数目，然后返回，不进行资源申请调度；

3、如果达到了最低启动门槛，同样记录info级别日志信息：Reduce slow start threshold reached. Scheduling reduces.即Reduce最低启动门槛已达到，开始调度Reduce，并设置标志位reduceStarted为true，即该Reduce资源申请已被调度。

需要特别注意的是，在JobImpl中，如果处于Uber模式下，会将mapreduce.job.reduce.slowstart.completedmaps参数设置为1，这很好理解，因为不管Map Task，还是Reduce Task，均是串行执行的，所以当Map Task完成的比例达到多少值后才会为Reduce Task申请资源，这个值百分百应该是1。处理该参数相关代码如下：

1. if (isUber) {
2. LOG.info("Uberizing job " + jobId + ": " + numMapTasks + "m+"
3. + numReduceTasks + "r tasks (" + dataInputLength
4. + " input bytes) will run sequentially on single node.");
5. // make sure reduces are scheduled only after all map are completed
6. conf.setFloat(MRJobConfig.COMPLETED_MAPS_FOR_REDUCE_SLOWSTART,
7. 1.0f);
8. //......省略后续相关代码