引言

云計(jì)算（Cloud Computing）是一種新興的商業(yè)計(jì)算模型。它將計(jì)算任務(wù)分布在大量計(jì)算機(jī)構(gòu)成的資源池上，使各種應(yīng)用系統(tǒng)能夠根據(jù)需要獲取計(jì)算力、存儲(chǔ)空間和各種軟件服務(wù)。云計(jì)算是網(wǎng)格計(jì)算（Grid Computing）、分布式計(jì)算（Distributed Computing）、并行計(jì)算（ParallelComputing）、效用計(jì)算（Utility Computing）、網(wǎng)絡(luò)存儲(chǔ)（Network Storage Technologies）、虛擬化（Virtualization），負(fù)載均衡（Load Balance）等傳統(tǒng)計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)技術(shù)發(fā)展融合的產(chǎn)物。

它的數(shù)據(jù)存儲(chǔ)是采用分布式存儲(chǔ)方式實(shí)現(xiàn)的，這就可以保證高可靠性、高可用性和經(jīng)濟(jì)性，數(shù)據(jù)存儲(chǔ)的高可靠性是采用冗余存儲(chǔ)的方式來保證的，用可靠的軟件來彌補(bǔ)硬件的不足，從而提供廉價(jià)可靠的海量分布式存儲(chǔ)服務(wù)和計(jì)算服務(wù)。另外，數(shù)據(jù)存儲(chǔ)技術(shù)必須具有高吞吐率和高傳輸率的特點(diǎn)。這樣云計(jì)算系統(tǒng)就可同時(shí)滿足大量用戶的需求，才能為大量用戶并行地提供服務(wù)。云計(jì)算的數(shù)據(jù)存儲(chǔ)系統(tǒng)最著名的是谷歌研發(fā)的非開源系統(tǒng)GFS（Google File System）和Hadoop開發(fā)團(tuán)隊(duì)開發(fā)的開源系統(tǒng)HDFS（Hadoop Distributed FileSystem）。

1. MapReduce編程模型

并行計(jì)算技術(shù)是云計(jì)算的核心技術(shù)，也是最具戰(zhàn)性的技術(shù)之一。MapReduce是Google公司的核心計(jì)算模型，名字源于函數(shù)式編程模型中的兩項(xiàng)核心操作：Map和Reduce操作。Map操作獨(dú)立地對(duì)每個(gè)元素進(jìn)行操作，且操作沒有副作用;Reduce操作對(duì)N個(gè)Map結(jié)果進(jìn)行歸約，也就是Map［1，2.。.，N］的結(jié)果是Reduce操作的參數(shù)。在一個(gè)指令式語言中求值順序是確定的，每個(gè)函數(shù)都有可能會(huì)變更或依賴于外部狀態(tài)，所以必須有序地執(zhí)行這些函數(shù)。在MapReduce編程模型中，只要沒有函數(shù)修改或依賴千全局變量，N個(gè)Map操作的執(zhí)行順序可以是無序的，這種特性使得MapReduce模型適合于對(duì)大規(guī)模數(shù)據(jù)進(jìn)行并行處理。

在MapReduce計(jì)算模型中，有兩個(gè)關(guān)鍵過程：映射過程Map和聚集過程Reduce。因此需要用戶提供兩個(gè)關(guān)鍵函數(shù)，映射（Map）函數(shù)和聚集（Reduce）函數(shù)，這兩個(gè)函數(shù)對(duì)一組輸人的鍵值對(duì)（key/value）進(jìn)行計(jì)算，得出另一組輸出鍵值對(duì)，即有：

Map：（in_key， in_value）-{（keyj， valuej）j=l.。.k}

Reduce ：（key，［valuel，。..，valuem］）一（key， fina_value）

在不同的應(yīng)用中，Map和Reduce的輸人參數(shù)和輸出結(jié)果是不相同的。Map的輸入?yún)��?shù)in_key和in_value，給S了Map函數(shù)要處理的是哪些數(shù)據(jù)。每個(gè)Map函數(shù)計(jì)算完與后輸出結(jié)果一組鍵/值對(duì)，它們是經(jīng)過Mad任務(wù)執(zhí)行完成后所返回的中間結(jié)果。系統(tǒng)在執(zhí)行Reduce任務(wù)之前，先檢查前面Map任務(wù)返回的中間結(jié)果，根據(jù)Key進(jìn)行分類處理，把相同key值所對(duì)應(yīng)的value合并在一起把它們送給同一個(gè)Reduce任務(wù)進(jìn)行處理，從而可以看出Reduce的輸入?yún)��?shù)是（key，［ valuel，…，valuem］）。Reduc任務(wù)主要對(duì)這些有著相同key值所對(duì)應(yīng)的value值進(jìn)行歸字處理，在Reduce任務(wù)執(zhí)行完成后輸出（key， finaLvalue）的f果。一個(gè)key值對(duì)應(yīng)了一個(gè)Reduce任務(wù)，把所有Reduce千務(wù)執(zhí)行的結(jié)果合并連接在一起就形成了最終的輸出結(jié)果。

典型的MapReduce計(jì)算過程如圖1

圖1 MapReduce的工作流

（4）MapReduce庫把所有具有相同中間key值I的中間value值集合在一起后傳遞給reduce函數(shù);

（5）用戶自定義的Reduce函數(shù)接受一個(gè)中間key的值I和相關(guān)的一個(gè)value值的集合。Reduce函數(shù)將這些value值合并成一個(gè)較小的value值的集合。正常的，每次Reduce函數(shù)調(diào)用只產(chǎn)生0或I個(gè)輸出value值。可以通過一個(gè)迭代器把中間value值提供給Reduce函數(shù)，這樣就可以處理無法全部放入內(nèi)存中的大量的value值的集合。

2. Hadoop框架的工作機(jī)制

Hadoop是Apache軟件基金會(huì)（Apache SoftwareFoundation）組織下的一個(gè)開源項(xiàng)目，提供分布式計(jì)算環(huán)境下的可靠、可擴(kuò)展軟件。Hadoop平臺(tái)擁有自己的分布式文件系統(tǒng)（HDFS），具體實(shí)現(xiàn)采用MapReduce模式。Hadoop采取文件備份的方式，為每份數(shù)據(jù)制作若干拷貝，擁有較高的安全可靠性。作為一個(gè)開源的分布式系統(tǒng)平臺(tái)，Hadoop除了擁有開源所帶來的更新速度快、應(yīng)用廣泛等優(yōu)勢(shì)外，還具有以下一些其它分布式云計(jì)算框架所共有的優(yōu)點(diǎn)：高度的可擴(kuò)展性、經(jīng)濟(jì)實(shí)用性、高速有效性、高可靠性。

HDFS采用Master/Slave架構(gòu)，一個(gè)HDFS集群由一個(gè)命名節(jié)點(diǎn)（（NameNode）和一組數(shù)據(jù)節(jié)點(diǎn)（DataNode）組成。命名節(jié)點(diǎn)是一個(gè)中心服務(wù)器，負(fù)責(zé)管理文件系統(tǒng)的名字空間（NameSpace）以及客戶端對(duì)文件的訪問。在集群系統(tǒng)中，一般在一個(gè)節(jié)點(diǎn)上運(yùn)行一個(gè)數(shù)據(jù)節(jié)點(diǎn)，負(fù)責(zé)管理它所在節(jié)點(diǎn)上的數(shù)據(jù)存儲(chǔ)，并負(fù)責(zé)處理文件系統(tǒng)客戶端的讀寫請(qǐng)求，在命名節(jié)點(diǎn)的統(tǒng)一調(diào)度下進(jìn)行數(shù)據(jù)塊的創(chuàng)建、刪除和復(fù)制。Hadoop還實(shí)現(xiàn)了Google的MapReduce分布式計(jì)算模型，MapReduce把應(yīng)用程序的總?cè)蝿?wù)分割成許多子任務(wù)，每個(gè)子任務(wù)可以在任何集群節(jié)點(diǎn)（數(shù)據(jù)節(jié)點(diǎn)，通常也作為計(jì)算節(jié)點(diǎn)）上并行處理。HDFS創(chuàng)建了多份數(shù)據(jù)塊（Data Blocks）的副本（Replicas），以保證各個(gè)子任務(wù)節(jié)點(diǎn)計(jì)算的可靠性（（Reliability）。由于采用了分布式文件系統(tǒng)和MapRedace模型，因此Hadoop框架具有高容錯(cuò)性及對(duì)數(shù)據(jù)讀寫的高吞吐率，能自動(dòng)處理失敗節(jié)點(diǎn)。圖2是Hadoop集群系統(tǒng)架構(gòu)的示意圖。

由圖2可知，HDFS是由一個(gè)命名節(jié)點(diǎn)和多個(gè)數(shù)據(jù)節(jié)點(diǎn)組成的。數(shù)據(jù)節(jié)點(diǎn)存儲(chǔ)著文件系統(tǒng)的元數(shù)據(jù)，它的作用就像是文件系統(tǒng)的總指揮，維護(hù)文件系統(tǒng)命名空間、規(guī)范客戶對(duì)于文件的存取和提供對(duì)于文件目錄的操作，數(shù)據(jù)節(jié)點(diǎn)中存儲(chǔ)著實(shí)際的數(shù)據(jù)，負(fù)責(zé)管理存儲(chǔ)節(jié)點(diǎn)上的存儲(chǔ)空間和來自客戶的讀寫請(qǐng)求。數(shù)據(jù)節(jié)點(diǎn)也執(zhí)行塊創(chuàng)建、刪除和來自命名節(jié)點(diǎn)的復(fù)制命令。