Hadoop平臺下海量日志數(shù)據(jù)處理模型的研究及改進.pdf

1、隨著計算機技術以及互聯(lián)網高速地運用到人類社會生產生活的各個方面，數(shù)據(jù)量呈現(xiàn)出爆發(fā)性的增長。為滿足海量數(shù)據(jù)應用的處理要求，基于大規(guī)模計算機集群的并行計算成為了主要途徑，而MapReduce就是一個最初由谷歌設計用來在大型集群上執(zhí)行并行計算的框架。它能夠減少開發(fā)人員在進行并發(fā)編程時的復雜性，使得開發(fā)人員在不了解分布式底層細節(jié)的情況下開發(fā)分布式程序。
　　 Hadoop是一個實現(xiàn)MapReduce的開放源代碼的集群平臺。目前，Hado

2、op在很多互聯(lián)網公司里都已經得到了應用，可以說是應用最為廣泛的開源云計算軟件平臺。但是，Hadoop還是一個發(fā)展時間較短的平臺，在許多地方還需要提高和改進。本文主要研究工作和貢獻如下:
　　 1)本文對Hadoop平臺的架構及其核心技術進行了深入的研究;闡述了Hadoop平臺下現(xiàn)有的調度算法FIFO、計算能力調度算法以及公平調度算法的設計思路、實現(xiàn)過程以及算法優(yōu)缺點。針對FIFO調度策略單一、容易造成大作業(yè)長時間等待、集群CPU

3、利用率低的問題，提出了基于紅黑樹的分層調度算法(HSBRB)，并將其引入Hadoop平臺。
　　 2)HSBRB調度算法引入了紅黑樹作為存儲作業(yè)信息的數(shù)據(jù)結構。紅黑樹是一種效率非常高的不完全平衡二叉樹，隨著結點個數(shù)的增加，紅黑樹會獲得高速的數(shù)據(jù)插入、刪除速度，從而提高整個集群的CPU利用率。同時，HSBRB調度算法采用了層次調度模型來調度作業(yè)。當多用戶共享集群平臺時，每個用戶對應一個池，每個池里存放多個作業(yè)，從而解決了FIFO只

4、針對單用戶提交作業(yè)的不足導致的集群資源利用率低的問題。
　　 3)海量日志數(shù)據(jù)的處理。本文的海量日志數(shù)據(jù)均來自于NBER的專利數(shù)據(jù)集。為獲得不同引用頻率的專利數(shù)目，搭建了一個小型的Hadoop集群平臺，并在該平臺上開發(fā)分布式并行程序，結果保存到指定的目錄文件中。
　　 4)為驗證HSBRB算法的性能，本文設計了兩個不同的實驗場景對Hadoop現(xiàn)有的調度算法FIFO、FairScheduler以及本課題的HSBRB算法進行