【IT168 专稿】众所周知MapReduce模型是Google公司在多台普通机器，利用函数式的思想，提高程序执行的性能，而Stanford的Phoenix则是这一模型在多核时代的解决方案。作为Google MapReduce技术的开源实现，Hadoop借鉴了谷歌的Google File System文件系统、MapReduce并行算法以及BigT able。因此，Hadoop也是一个能够分布式处理大规模海量数据的软件框架，也是一个开源的分布式并行计算平台，它主要由MapReduce的算法执行和一个分布式的文件系统等两部分组成。
系列文章：
Hadoop是并行工作的，以加快任务处理速度。Hadoop的可扩展依赖于部署Hadoop软件框架计算集群的规模，Hadoop的运算是可扩展的，具有处理PB级数据的能力。虽然Hadoop自身由Java语言开发， 但它除了使用Java语言进行编程外， 同样支持多种编程语言，如C++。
与Hadoop不同的是微软是通过DryadLINQ语言进行编程与设计，它可以根据程序员给出的LINQ查询生成可以在Dryad引擎上执行的分布式策略算法建模(运算规则)，并负责任务的自动并行处理及数据传递时所需要的序列化等操作。此外，它还提供了一系列易于使用的高级特性，如强类型数据，Visual Studio集成调试，以及丰富的任务优化策略(规则)算法等等。这种模型策略开发框架也比较适合采用领域驱动开发设计(DDD)来构建“云”平台应用，并能够较容易的做到自动化分布式计算。
并行算法分治策略
Y=(A+B(C+DEF))+G，串行计算需要6步。利用结合律和交换律，该式变为Y=Y + (分裂为两个问题)，其中Y =A+G， =B (C+DEF)，在两台处理机的系统上只需5步并行计算。在用分配率，Y=(A+B(C+DEF))+G可变为Y= + ，其中 =A+G+BC， =BDEF，在两台处理机的系统上并行计算只需4步。如四台处理机的系统，并行计算可进一步减少为3步。两台处理机下的运算分解树和四台处理机下的运算分解树，如图1所示。
图1 DGA运算分解树
从上面分析我们可以看到，通过并行算法策略建模，可以有效的控制数据的颗粒度，当程序运行在Dryad分布式并行平台时候，可最大化的提高分布式并行运算效率。
分布式并行策略
在云计算的时代，Dynamo(Amazon 公司的一个分布式存储引擎)可以说是一本实现分布式存储的红宝书，借鉴Dynamo实现的产品如雨后春笋般冒出。
我们经常会遇到所开发的网站/系统，无法承载大规模用户并发访问的问题。解决该问题的传统方法是使用数据库，通过数据库所提供的访问操作接口来保证处理复杂的查询能力。当访问量增大，单数据库处理不过来时便增加数据库服务器。如果增加了3台服务器，再把用户分成了三类(关注：策略建模、颗粒度和映射)：A(学生)，B(老师)，C(程序员)。每次访问的时候，Dryad会先查看用户属于哪一类，然后直接访问存储那类用户数据的数据库，可能处理能力增加了三倍。这时我们已经实现了一个分布式的存储引擎过程，而Dryad与Dynamo具有相似的功能。Dynamo分布式存储引擎，如图2所示。
▲图2 Dynamo分布式存储引擎
我们可以通过Dryad和Dynamo进行分布式云平台来解决云存储扩容困难问题。如果这3台服务器也承载不了更大的数据要求时，需要增加到5台服务器，那必须更改分类方法把用户分成5类，然后重新迁移已经存在的数据，这时候就需要非常大的迁移工作，这种方法显然不可取。另外，当群集服务器进行分布式计算运行的时候，每个资源节点处理能力可能有所不同(例如不同硬件配置的服务器等等)，如果只是简单的把机器直接分布上去，性能高的机器得不到充分利用，性能低的机器处理不过来。
图3 通过Dryad DAG排列的节点(程序)扩展性能
? P parses lines(解析线)
? D hash distribute(哈希分布)
? S quicksort(快速排序)
? C count occurrences(事件计算)
? MS merge sort(合并分类)
? M non-deterministic merge(未确定合并)
Dryad和Dynamo解决此问题的方法是采用虚节点。把上面的A B C三类等用户都想象成一个逻辑上的节点。一台真实的物理节点可能会包含一个或者几个虚节点(逻辑节点)，看机器的性能而定。我们可以把那任务程序分成Q等份(每一个等份就是一个虚节点)，这个Q要远大于我们的资源数。现在假设我们有S个资源，那么每个资源就承担Q/S个等份。 当一个资源节点离开系统的时候，它所负责的等份要重新均分到其他资源节点上，一个新节点加入的时候，要从其他的节点“偷取”到一定数额的等份。
在这个策略建模算法下，当一个节点离开系统的时候，虽然需要影响到很多节点，但是迁移的数据总量只是离开那个节点的数据量。同样，一个新节点的加入，迁移的数据总量也只是一个新节点的数据量。之所以有这个效果是因为Q的存在，使得增加和减少机器的时候不需要对已有的数据做重新哈希(D)。这个策略的要求是Q>>S(存储备份上，假设每个数据存储N个备份则要满足Q>>S*N)。如果业务快速发展，使得不断的增加主机，从而导致Q不再满足Q>>S，那么这个策略将重新变化。
通过上述的论述，我们可以看到Dryad通过一个有向无环图的策略建模算法，提供给用户一个比较清晰的编程框架。在这个编程框架下，用户需要将自己的应用程序表达为有向无环图的形式，节点程序则编写为串行程序的形式，而后用Dryad方法将程序组织起来。用户不需要考虑分布式系统中关于节点的选择，节点与通信的出错处理手段都简单明确，内建在Dryad框架内部，满足了分布式程序的可扩展性、可靠性和性能的要求。在云平台分布式算法上Dryad与Dynamo分布式存储引擎相似，并且有更好的创新。
