《从0开始学大数据》之大数据基准测试

大数据作为一个生态体系不但有各种直接进行大数据处理的平台和框架比如 HDFS、MapReduce、Spark还有很多周边的支撑工具而大数据基准测试工具就是其中一个大类。

大数据基准测试的应用

2012 年Intel 大数据团队用大数据基准测试工具 HiBench 对 Spark 和 MapReduce 做了对比测试后发现Spark 运行性能有令人吃惊的表现。当时 Intel 大数据团队的负责人戴老师Jason Dai立即飞到美国跟当时开发 Spark 的 UC Berkeley 的 AMP 实验室交流表示 Intel 愿意参与到 Spark 的开发中。Spark 也极其希望有业界巨头能够参与其中开发代码尚在其次重要的是有了 Intel 这样的巨头背书Spark 会进一步得到业界的认可和接受。

所以 Intel 成了 Spark 最早的参与者加速了 Spark 的开发和发展。当 2013 年 Spark 加入 Apache 的开源计划并迅速成为 Apache 的顶级项目风靡全球的大数据圈子时Intel 作为早期参与者也得到了业界的肯定使 Intel 在大数据领域可以保持持续的影响力。

在这个案例里所有各方都是赢家Spark、Intel、Apache乃至整个大数据行业老师提到关于工作的一个观点好的工作不光是对公司有利对员工也是有利的。工作不是公司在压榨员工的过程而是公司创造价值同时员工实现自我价值的过程。

而如何才能创造出好的工作也不只是公司的责任主要还是要靠员工自己去发现哪些事情能够让自己、公司、社会都获益然后去推动这些事情的落实虽然有的时候推动比发现更困难。同时拥有发现和推动能力的人毫无例外都是一些出类拔萃的人比如专栏前面也提到的 Intel 的戴老师这些人都是我们工作的榜样。

大数据基准测试工具 HiBench

大数据基准测试工具有很多今天重点介绍的是 Intel 推出的大数据基准测试工具HiBench。

HiBench 内置了若干主要的大数据计算程序作为基准测试的负载workload。

• Sort对数据进行排序大数据程序。
• WordCount词频统计大数据计算程序。
• TeraSort对 1TB 数据进行排序最早是一项关于软件和硬件的计算力的竞赛所以很多大数据平台和硬件厂商进行产品宣传的时候会用 TeraSort 成绩作为卖点。
• Bayes 分类机器学习分类算法用于数据分类和预测。
• k-means 聚类对数据集合规律进行挖掘的算法。
• 逻辑回归数据进行预测和回归的算法。
• SQL包括全表扫描、聚合操作group by、连接操作join几种典型查询 SQL。
• PageRankWeb 排序算法。

此外还有十几种常用大数据计算程序支持的大数据框架包括 MapReduce、Spark、Storm 等。

对于很多非大数据专业人士而言HiBench 的价值不在于对各种大数据系统进行基准测试而是学习大数据、验证自己大数据平台性能的工具。

对于做大数据平台的工程师如果等到使用者来抱怨自己维护的大数据平台不稳定、性能差的时候可能就有点晚了因为这些消息可能已经传到老板那里了。所以必须自己不停地跑一些测试了解大数据平台的状况。

有了 HiBench这些问题都很容易就可以解决HiBench 内置了主要的大数据程序支持多种大数据产品。最重要的是使用特别简单初学者可以把 HiBench 当作学习工具可以很快运行起各种数据分析和机器学习大数据应用。大数据工程师也可以用 HiBench 测试自己的大数据平台验证各种大数据产品的性能。

HiBench 使用

三个步骤

1. 配置配置要测试的数据量、大数据运行环境和路径信息等基本参数。
2. 初始化数据生成准备要计算的数据比如要测试 1TB 数据的排序那么就生成 1TB 数据。
3. 执行测试运行对应的大数据计算程序。

具体初始化和执行命令也非常简单比如要生成数据只需要运行 bin 目录下对应 workload 的 prepare.sh 就可以自动生成配置大小的数据。

bin/workloads/micro/terasort/prepare/prepare.sh

要执行大数据计算运行 run.sh 就可以了。

bin/workloads/micro/terasort/hadoop/run.sh
bin/workloads/micro/terasort/spark/run.sh

小结

同一类技术问题的解决方案绝不会只有一个技术产品也不会只有一个比如大数据领域从 Hadoop 到 Spark 再到 Flink各种大数据产品层出不穷那么如何对比测试这些大数据产品在不同的应用场景中它们各自的优势是什么这个时候就需要用到基准测试工具通过基准测试工具用最小的成本得到我们想测试的结果。

所以除了大数据在很多技术领域都有基准测试比如数据库、操作系统、计算机硬件等。前几年手机领域的竞争聚焦在配置和性能上各路发烧友们比较手机优劣的时候口头禅就是“跑个分试试”这也是一种基准测试。

因此基准测试对这些产品而言至关重要甚至攸关生死。得到业界普遍认可的基准测试工具就是衡量这些产品优劣的标准如果能使基准测试对自己的产品有利更是涉及巨大的商业利益。有时候我们想要了解一个大数据产品的性能和用法看了各种资料花了很多时间最后得到的可能还是一堆不靠谱的 N 手信息。但自己跑一个基准测试也许就几分钟的事再花点时间看看测试用例从程序代码到运行脚本很快就能了解其基本用法更加省时、高效。

思考题

今天文章的 Impala VS Hive 的基准测试报告里发现当数量很大的时候做 join 查询Impala 会失去响应是因为 Impala 比 Hive 更消耗内存当内存不足时就会失去响应。你能否从 Impala 的架构和技术原理角度分析为什么 Impala 比 Hive 更消耗内存

来自极客时间精选留言本思考题比较开放

大神1

当时有好友在Cloudera工作聊起过Impala开发。Impala其实就是一个MPP的database execution engine, 但很多地方不成熟。最大的问题就是不支持spilling. 所以才导致很多operation会吃光内存比如hash join, group by aggregation或sorting (一个趣事Impala在执行order by语句会强制要求有limit语句)。但Hive是mapreduce engine本质对内存需求不大。

大神2

作者回复spark的内存策略更多样可以在内存不足时使用磁盘。最重要的spark的rdd lineage可以使spark针对一个分片进行溯源重建容错能力非常强。

该笔记摘录自极客时间课程
《从0开始学大数据》