TeraSort实验--测试Map和Reduce Task数量对Hadoop性能的影响

一、           实验环境

1个master节点, 16个slave节点: CPU:8GHZ , 内存: 2G
网络：局域网

二、           实验描述

   通过Hadoop自带的Terasort排序程序，测试不同的map task和reduce task数量，对Hadoop性能的影响。
   实验数据由程序中的teragen程序生成，数据量为1GB和10GB。
   通过设置mapred.min.split.size，从而调节map task的数量；设置mapred.reduce.tasks，从而调节reduce task的数量；
   dfs.replication的值设为3，其它参数默认。

三、           实验结果与分析

 
Ø  实验一
 
                表1、改变reduce task（数据量为1GB)

Map task = 16
Reduce task	1	5	10	15	16	20	25	30	45	60
总时间	892	146	110	92	88	100	128	101	145	104
Map 时间	24	21	25	50	21	40	24	48	109	25
Reduce时间	875	125	88	71	67	76	102	80	98	83
Killed map/reduce Task Attempts	0/0	0/2	0/2	0/5	0/4	0/9	0/9	0/8	1/7	0/17

 
 
结果分析：
1)         当reduce task的值小于15时，总时间和Reduce时间都与Reduce task数量成反比关系。当reduce task的值大于15时，总时间和reduce时间基本保持恒定。Reduce task的数量应该设置为接近slave节点数量，或者适当大于节点数，不宜设置为比节点数量小太多。
2)         Map时间与Reduce task之间没有明显的关系。
3)         Killed map Task Attempts的值对Map的时间影响很大，表1中当reduce task = 45时，Killed map Task Attempts的值为1，此时Map的时间很长，从图1可看出，map的时间主要集中在map 99%的最后阶段。
4)         job运行过程中产生Killed Task Attempts的原因：这是因为hadoop里面对task的speculative机制。简单来说就是hadoop觉得有些task运行过慢，所以它在其它tasktracker上同时再运行同样的任务，当其中一个完成后，其余同样的任务就会被kill掉。这就造成有多个被kill的taskattempt。可以通过设置mapred.map.tasks.speculative.execution为false来禁止hadoop的这种行为，这样可以提高效率，因为每个speculative都是占用task的slot的。
 



图1、表1中当reduce task = 45的执行过程
 

Ø  实验二
 
          表2 改变reduce task(数据量为1GB)

Reduce task = 15
Map task	2	4	8	16
Input Split Size	512	256	128	64
总时间	372	181	120	120
平均 Map 时间	287	63	38	26
Map结束时间	292	49	35	36
平均Shuffle时间	12	42	28	45
Shuffle结束时间	308	103	63	67
平均Reduce时间	30	34	37	28
Reduce结束时间	343	154	113	100
Killed map/reduce Task Attempts	0/4	0/5	0/3	0/5

 

 



图2、 1G数据性能对比
 
                        表3 改变map task(数据量为10GB)

Reduce task = 15
Map task	20	38	76	150
Input Split Size	512	256	128	64
总时间	3044	2464	2189	2362
平均 Map 时间	1274	825	403	231
Map结束时间	1712	1409	1061	1268
平均Map时间	1800	1300	1144	1198
Shuffle结束时间	2271	2236	1804	2059
平均Reduce时间	515	450	548	644
Reduce结束时间	2624	2453	2181	2348
Map Failed/Killed Task Attempts	4/8	5/7	6/7	7/8
Reduce Failed/Killed Task Attempts	2/3	3/1	3/1	2/1

 

 
 
 



图2、 10G数据性能对比
 
 
结果分析：
通过学习这篇文章，我觉得有以下几点可以作为设置maptask和reducetask数量时的考虑：
1、blocksize最好设置为默认值，这样split的大小与其一致，效率较高。当然出现较大的数据时，如TB级别的，可以适当的调整split的大小，设置为256M或者512M。
2、尽量关闭hadoop的speculative功能，在大部分情况下，没必要一个task运行在两处，然后再返回去处理掉运行慢的task。实际业务中，节点功能相似度比较高，节点之间的差距不会太大。
3、reducetask的数量尽量设置为slave节点数量的95%比较靠谱。既能充分利用每一个节点，也能确保一定的容错。当考虑全局汇总结果的情况下，只能设置一个reducetask。
4、对于多个小文件作为输入，请先进行小文件的合并。否则每一个小文件都是一个split，你自己考虑后果。
5、其他提高效率的小技巧：自定义文件的读取方式，JVM的重用等
原文地址http://blog.csdn.net/xiejava/archive/2011/05/19/6432095.aspx