谷歌的海量数据排序实验史

自从相关工具创建以来，我们一直通过对海量的随机数据执行排序来测试MapReduce。这种方式很受欢迎，因为生成任意数量的数据非常简单，想要验证输出结果是否正确也很简单。

尽管最开始的MapReduce论文报告的是TeraSort的结果。工程师们将定期对1TB或10TB数据执行排序当作回归测试来做，因为测试时使用的数据量越大，那些不显眼的bug就越容易被发现。然而，当我们进一步扩大数据规模后，真正的乐趣才刚开始。本文将会讨论几年前我们所做的一些PB规模的排序实验，包括在我们看来最大的一次MapReduce任务：对50PB的数据执行排序。

如今，GraySort已是海量数据排序基准之选，测试者必须以最快速度按字典顺序对至少100TB的数据执行排序。网站sortbenchmark.org跟踪记录了这项基准测试的官方优胜者，但谷歌从未参加过官方竞赛。

由于实现Reduce的过程就是对键值排序，MapReduce刚好适合解决这个问题。通过合适的(词典)分片功能，MapReduce就能输出一系列的文件，其中包含最终排序后的数据集。

有时在数据中心有新集群出现时(一般是为了搜索索引团队的使用)，我们这些MapReduce团队的人员就有机会歇口气，在实际工作量压过来之前休闲几周。这些时候，我们才有机会试试看：让集群“超负荷”、探究硬件的极限、搞挂一些硬盘、测试一些非常昂贵的设备，并学到很多系统性能相关的东西，同时(在非官方的)排序基准测试获得胜利。

图一：谷歌的Petasort记录

2007

(1PB，12.13小时，1.37TB/分钟，2.9 MB/秒/worker)

我们在2007年首次运行Petasort。那时候，我们主要是开心能把这个测试完成，尽管对输出结果的正确性还有些疑问(由于未作验证而无法确认)。当时，若不是我们关闭了检查map分片与备份的输出结果是否一致的机制，这项任务是无法完成的。我们怀疑，这是用作输入和输出结果存储的谷歌档案系统(GFS)所造成的限制。GFS的校验和保护不足，有时会返回损坏的数据。不幸的是，该基准测试所使用的文件格式并不包含任何内嵌的校验和，无法让MapReduce发送通知(在谷歌，通常使用MapReduce的方式就是使用内嵌校验和的文件格式)。

2008

(1PB，6.03小时，2.76TB/分钟，11.5 MB/秒/worker)

2008年，我们首次专注于优化调整，花了几天时间调整分片数量、不同缓冲区的大小、预读/预写策略、页面缓存使用等，并在博客中记录了结果。最终，通过将输出结果三路复制到GFS，我们解决掉了瓶颈，这也成了我们那时在谷歌的标准用法，少一路都会有很高的风险损失掉数据。

2010

(1PB，2.95小时，5.65TB/分钟，11.8 MB/秒/worker)

在这个测试中，我们使用了新版本的GraySort基准，这个版本使用到了不可压缩的数据。在前几年中，我们从GFS读取或者向其写入1PB数据时，实际shuffle的数据量仅有大约300TB左右，因为那时所使用的ASCII格式都是压缩过的。

在这一年中，谷歌将GFS更新为下一代分布式存储系统Colossus。之前使用GFS时所遇到的数据损坏问题不再出现了，我们还在输出结果中使用了RS编码(Colossus的新功能)，从而将写入的总数据量从3PB(三路复制)减少到大约1.6PB。这时我们也首次证实了输出结果的正确性。

为了减少离散数据的影响，我们运用了动态分片技术(也就是减少子分片)，后来演变为了在Dataflow中使用完全动态分片技术。

2011

(1PB，0.55小时，30.3TB/分钟，63.1 MB/秒/worker)

这一年我们的网络速度更快，也开始关注每台服务器的效率，特别是输入/输出(I/O)方面的问题。我们要确保所有的硬盘I/O操作都是在2MB大小的块区内进行的，解决有时会缩小到64kB块区的问题。我们使用了固态硬盘(SSD)来记录部分数据，这使得Petasort测试首次在一小时之内完成，准确来讲是33分钟，可以参考这里的记录。最终，在分布式存储中输入/输出以及将中间数据保存在硬盘中以支持容错(由于在实验中，某些硬盘甚至整台服务器都会宕掉，而且这种情况会频繁出现，因此容错非常重要)的问题上，性能达到了指定MapReduce架构的硬件极限性能的将近两倍。同时也获得了更高的扩展：我们在6小时27分钟之内运行了10PB的数据(26TB/分钟)。

2012

(50PB，23小时，36.2TB/分钟，50 MB/秒/worker)

在这个测试中，我们将注意力转向更大规模的数据排序，通过调用我们在谷歌所能控制的最大规模集群，将shuffle的数据量提到最大，然后运行相应的MapReduce任务。不幸的是，这个集群的空间不够让100PB的数据排序，因此我们将要排序的数据限制在50PB。这个测试仅运行了一次，也没有做专门的优化调整，而且设置还是取自之前做10PB实验时所用的那一套，完成时间为23小时5分钟。

注意，这个排序的规模是GraySort的500倍，在吞吐量上是2015年GraySort官方优胜者的两倍。

学到的经验

这些实验让我们获益良多：包括在运行万台规模的服务器上执行排序时遇到了什么挑战，以及如何优化调整以接近硬件性能的速度极限。

尽管这些排序实验非常有趣，但仍有一些缺点：

1. 真正海量的全局排序输出是没有人需要的，我们还没有找到如上所述实验的任何一个真实用例。
2. 这些实验证实了系统能够良好地运行，不过回避了所需努力程度的问题。MapReduce需要很多的调整才能良好运行，事实上，我们发现在生产中有很多的MapReduce任务就是由于配置不当而导致表现不佳。
3. 近来，我们已经转向对系统自身构建的注重，让大多部分不再需要优化调整。例如：Dataflow可以自动找出分片的数量(以及自动按需重新分片)，以代替人工摸索着手动执行这一任务。不过这些话题还有达成的结果，我们会在以后的博客中再来描述。