1/10计算资源，1/3耗时，Spark颠覆MapReduce保持的排序记录_数据分析师

在过去几年，Apache Spark的采用以惊人的速度增加着，通常被作为MapReduce后继，可以支撑数千节点规模的集群部署。在内存中数据处理上，Apache Spark比MapReduce更加高效已经得到广泛认识；但是当数据量远超内存容量时，我们也听到了一些机构在Spark使用上的困扰。因此，我们与Spark社区一起，投入了大量的精力做Spark稳定性、扩展性、性能等方面的提升。既然Spark在GB或TB级别数据上运行良好，那么它在PB级数据上也应当同样如此。

为了评估这些工作，最近我们与AWS一起完成了一个Sort Benchmark（Daytona Gray类别）测试，一个考量系统排序100TB数据（万亿条记录）速度的行业基准测试。在此之前，这项基准测试的世界记录保持者是雅虎，使用2100节点的Hadoop MapReduce集群在72分钟内完成计算。而根据测试结果得知，在使用了206个EC2节点的情况下，Spark将排序用时缩短到了23分钟。这意味着在使用十分之一计算资源的情况下，相同数据的排序上，Spark比MapReduce快3倍！

此外，在没有官方PB排序对比的情况下，我们首次将Spark推到了1PB数据（十万亿条记录）的排序。这个测试的结果是，在使用190个节点的情况下，工作负载在短短不到4小时内完成，同样远超雅虎之前使用3800台主机耗时16个小时的记录。同时，据我们所知，这也是公用云环境首次完成的PB级排序测试。

	Hadoop World Record	Spark 100 TB	Spark 1 PB
Data Size	102.5 TB	100 TB	1000 TB
Elapsed Time	72 mins	23 mins	234 mins
# Nodes	2100	206	190
# Cores	50400	6592	6080
# Reducers	10,000	29,000	250,000
	1.42 TB/min	4.27 TB/min	4.27 TB/min
Rate/node	0.67 GB/min	20.7 GB/min	22.5 GB/min
Sort Benchmark Daytona Rules	Yes	Yes	No
Environment	dedicated data center	EC2 (i2.8xlarge)	EC2 (i2.8xlarge)

为什么会选择排序？

排序的核心是shuffle操作，数据的传输会横跨集群中所有主机。Shuffle基本支持了所有的分布式数据处理负载。举个例子，在一个连接了两个不同数据源的SQL查询中，会使用shuffle将需要连接数据的元组移动到同一台主机；同时，类似ALS等协同过滤算法同样需要依赖shuffle在网络中发送用户或产品的评级（ratings）和权重（weights）。

大部分数据管道开始时都会有大量的原始数据，但是在管道处理过程中，随着越来越多不相干数据被过滤，或者中间数据被更简洁的表示，数据量必然会减少。在100TB原始数据的查询上，网络上shuffle的数据可能只有100TB的一小部分，这种模式也体现在MapReduce的命名。

然而，排序却是非常有挑战的，因为数据管道中的数据量并不会减少。如果对100TB的原始数据进行排序，网络中shuffle的数据必然也是100TB。同时，在Daytona类型的基准测试中，为了容错，不管是输入数据还是输出数据都需要做备份。实际上，在100TB的数据排序上，我们可能会产生500TB的磁盘I/O及200TB的网络I/O。

因此，基于上述原因，当我们寻找Spark的测量标准和提升办法时，排序这个最苛刻的工作负载成为了对比的不二之选。

产生如此结果的技术实现

在超大规模工作负载上，我们投入了大量的精力来提升Spark。从细节上看，与这个基准测试高度相关的工作主要有3个： 

首先及最关键的，在Spark 1.1中我们引入了一个全新的shuffle实现，也就是基于排序的shuffle（SPARK­2045）。在此之前，Spark做的是基于哈希的shuffle实现，它需要在内存中同时保持P（reduce的分割数量）个缓冲区。而在基于排序的shuffle下，任何时候系统只使用一个缓冲区。这个操作将显著地减少内存开销，因此同一个场景下可以支撑数十万任务（我们在PB排序中使用了2.5万个任务）。

其次，我们修订了Spark的网络模型，通过JNI（SPARK­2468）使用基于Netty的Epoll本地端口传输。同时，新的模型还拥有了独立的内存池，绕过了JVM的内存分配器，从而减少垃圾回收造成的影响。

最后但同样重要的是，我们建立了一个外部shuffle服务（SPARK­3796），它与Spark本身的执行器完全解耦。这个新的服务基于上文所述的网络模型，同时，在Spark本身的执行器忙于GC处理时，它仍然可以保证shuffle文件处理的继续执行。

 

通过这三项改变，我们的Spark集群在map阶段单 节点可以支撑每秒3GB的IO吞吐，在reduce阶段单节点可以支撑1.1GB，从而榨干这些机器间10Gbps的网络带宽。

更多的技术细节

TimSort：在Spark 1.1版本中，我们将默认排序算法从 quicksort转换到TimSort，它是合并排序和嵌入排序的一个衍生。在大部分现实世界数据集中，TimSort比quicksort更加高效，在部分排序数据中表现则更为优秀。不管在map阶段还是Reduce阶段，我们都使用了TimSort。

缓存位置的利用：在排序基准测试中，每条记录的大小都是100字节，而被排序的键是前10个字节。在排序项目的性能分析阶段，我们注意到缓存命中率不如人意，因为每次比较都需要进行一个随机的对象指针查询。为此，我们重新设计了记录在内存的布局，用16字节长度（两个长整形）的记录来表示每条记录。在这里，前10个字节代表了排序的键，后4个字节则代表了记录的位置（鉴于字节顺序和符号，这点并不容易发现）。这样一来，每个比较只需要做一次缓存查询，而且它们都是连续的，从而避免了随机的内存查询。

使用TimSort和新的布局方式来利用缓存命中，排序所占用的CPU时间足足减少了5倍。

大规模下的容错机制：在大规模下，许多问题都会暴露。在这个测试过程中，我们看到因为网络连通问题出现的节点丢失，Linux内核自旋，以及因为内存碎片整理造成的节点停滞。幸运的是，Spark的容错机制非常好，并且顺利的进行故障恢复。

AWS的能量：如上文所述，我们使用了206个i2.8xlarge实例来跑这个I/O密集测试。通过SSD，这些实例交付了非常高的I/O吞吐量。我们将这些实例放到一个VPC放置组中，从而通过单SR-IOV增强网络性能，以获得高性能（10Gbps）、低延时和低抖动。 

Spark只能在内存中大放异彩？

这个误解一直围绕着Spark，特别是刚进入社区中的新人更是如此认为。不错，Spark因为内存计算的高性能闻名，然而Spark的设计初衷和理念却是一个通用的大数据处理平台——不管是使用内存还是磁盘。在数据无法完全放入内存时，基本上所有的Spark运算符都会做一些额外的处理。通俗来说，Spark运算符是MapReduce的超集。

如本次测试所示，Spark可以胜任集群内存大小N倍的数据集处理。

总结

击败Hadoop MapReduce集群创造的大规模数据处理记录不仅是对我们工作的一个证明，也是对Spark承诺的一个验证——在任何数据体积，Spark在性能和扩展性上都更具优势。同时，我们也希望在用户使用过程中，Spark可以带来时间和开销上的双节省。

   CDA数据分析师

CDA学员免费下载查看报告全文：2026全球数智化人才指数报告【CDA数据科学研究院】.pdf