Google云计算三大核心技术

所需积分/C币:20 2011-11-06 00:44:39 4.29MB PDF

Google云计算三大核心技术:GFS;Map/reduce编程模式;Bigtable。这篇文章给出了一份比较好的例子。包含了编程模型、实现、代码、测试、对比等部分。
计算:map和 reduce. 用户自定义的map函数,接受一个输入对,然后产生一个中间key/aue对集 MapReduce库把所有具有相同中 间keyI的中间 value聚合在一起,然后把它们传递给 reduce函数 用户自定义的 reduce函数,接受一个中间keyI和相关的一个vale集,它合并这些 value,形成一个比较小的 vaue集,一般的,每次 reduce调用具产生0或1个输出vaue通过一个迭代器把中间vaue提供给用户目定义的 reduce函数这样可以使我们根据内存来控制 value列表的大小. 21实例 考虑这个问题:计算在一个大的文档集合中每个词出现的次数用户将写和下面关似的伪代码 nap(string key, String value) //key:文档的名字 //vaue:文档的内容 for each word w in value EmitIntermediate(W, 1: reduce(string key, Iterator values): //key:一个词 // values:一个计数列表 int result=0 for each v in values: result+=ParseInt(v: Emit(AsString (resut); map函数产生每个词和这个词的出现次数(在这个简单的例子里就是1) reduce函数把产生的一个特定的词的 计数加在一起 另外,用户用输入输出文件的名字和可选的调节参数来填充一个 mapreduce规范对象.用户然后调用 MapReduce函数,并把规范对象传递给它,用户的代码和 MapReduce库链接在一起(用C++实现)附录A包含这个实 例的全部文本 22类型 即使前面的伪代码写成了字符串输入和输出的term咯式,但是概念上户写的map和 reduce函数有关联的类 maplk1, v1)->list(k2, v2) reduce( k2, list(v2))->list(v2) 例如,输入的 key, value和输出的key, value的域不同,此外,中间 key value和输lkey, values的域相同 我们的C++实现传递字符串来和用户自定义的函数交互,把它留给用户的代码,来在字符串和适当的类型间进 行转换 23更多实例 这里有一些让人感兴趣的简单程序,可以容易的用 MapReduce计算来表示 分布式的Grep(UNIX工具程序,可做文件内的字符串查找)如果输入行匹配给定的样式,map函数就输出这 行 reduce函数就是把中间数据复制到输出. 计算URL访问频率:map函数处理web页面请求的记录,输出(URL1). reduce函数把相同URL的 value都加 起米产生一个(URL,记录总数)的对 倒转网络链接图map函数为每个链接输出(目标源)对,个URL叫做目标,包含这个URL的页面叫做源 reduce 函数根据给定的相关目标URLs连接所有的源∪RLs形成一个列表,产生(目标,源列表)对, 每个主机的术语向量:个术语向量用一个(词,频率)列表来概述出现在一个文档或一个文档集中的最重要的一些 词map函数为每一个输入文档产生一个(主机名,术语向量)对(主机名来自文档的UJRL) reduce函数接收给定主机的 所有文档的术语向量,它把这些术语向量加在一起丢弃低频的术语,然后产生一个最终的(主机名,未语向量)对 倒排索引:map函数分析每个文档,然后产生一个(词,文档号)对的序列 reduce函数接受一个给定词的所有对,排 序相应的文档IDs,并且产生一个(词,文档ID列表)对,所有的输岀对集形成一个简单的倒排索引它可简单的增加跟踪 词位置的计算. 分布式排序:map函数从每个记录提取key并且产生一个( key, record)对, reduce函数不改变任何的对这个计 算依赖分割工具(在4.1描述)和排序属性(在4,2描述) 3实现 MapReduce接口叫能有许多不同的实,根据境进行止确的选择如,^实现对一个共享为有较小的机器是 合的,另外的话合一个人NUMA的多处理器的机器,面有的语合一个更人的网络机器的集合 这部分描述一个在 Googl爬e疒泛使用的计算环境的实现:用交換机连接的普通PC机的大机群我们的环境是: 1 Linux操作系统,双处理器,2-4GB内存的机器 2.普通的网络硬件,每个机器的带宽或者是百兆或者千兆,但是平均小于全部带宽的一半 3因为一个机群包含成百上干的机器,所有机器会经常出现问题 4.存储用直接连到每个机器上的廉价IDE椩盘—个从内部文件系统发展起来的分布式文件系统被用来管理存储 在这些磁盘上的数据.文件系统用复制的方式在不可靠的哽件上来保证可靠性和有效性 5.用户提交工作给调度系统每个工作包含一个任务集,每个工炸被调度者映射到机群中一个可用的机器集上 31执行预览 通过自动分割输入数据成一个有M个spit的集,map调用被分布到多台机器上,输入的splt能够在不同的机器 上被并行处理通过用分割函数分割中间key,来形成R个片(例如hash(key)modR) reduce调用被分布到多台机器 上分割数量(R)和分割函数由用户来指定 图1显示了我们实现的 MapReduce操怍的全部流程,当用户的程序调月 Mapreduce的函数的寸候,将发生下面 的一系列动作(下面的数字和图1中的数字标签相对应) 1.在用户程序里的 MapReduce库首先分割输入文件成M个片每个片的大小一般从16到64MB用户可以通过可 选的参数来控制)然后在机群中开始大量的拷贝程序 2这些程序拷贝中的一个是 master,其他的都是由 master分配任务的 worker.有M个map任务和R个 reduce 任务将被分配管理者分配一个map任务或 reduce任务给一个空闲的 worker 3.一个被分配了map任务的 worker读取相关输入 split的内容,它从输入数据口分析出key/ value对,然后把 key/vaue对传递给用户自定义的map函数由map函数产生的中间key/vaue对被缓存在内存中 4缓存在内存中的key/aue对被周期性的写入到本地磁盘上,通过分割函数把它们写入R个区域.在本地磁盘上 的缓存对的位置被传送给 master master负责把这些位置传送给 reduce worker 5.当一↑ reduce worker得到 master的位置通知的时候,它使用远程过程调用来从 map worker的磁盘上读取 缓存的数据,当 reduce worker读取丁所有的中间数据后,它通过排序使具有相同key内容聚合在一起,因为许多不同 的key映射到相同的 reduce任务,所以排序是必须的如吴中间数据比内有还大,那么还活要一个外部排序. 6 reduce worker迭代排过序的中间数据,对于遇到的每一个唯一的中间key,它把key和相关的口间 value集传 递给用户自定义的 reduce函数 reduce函数的输出被添加到这个 reduce分割的最婆的输出文件中 7.当所有的map和 reduce任务都完成了,管理者唤用户程序.在这个时候,在户程序里的 MapReduce调用 返回到用户代码, 在成功完成之后, mapreduce执行的输出存放在R个输出文件中(每一个 reduce仁务产生一个由用户指定名字 的文件),般,用户不需要合并这R个输出文件成一个文件-他们经常把这些文件当作一个输入传递给其他的 MapReduce调用,或者在可以处理多个分割文件的分布式应用中使用他们 32 master数据结构 master保持一些数据结构它为每一个map和 reduce务存储它们的状态(空闲,工作中,完成),和 worker机器 (非空闲任务的机器)标i master就像一个管道,通过它,中间文件区域的位置从map任务传递到 reduce任务因此,对于每个完成的map 任务, master储由map仕务产生的R个中向文件区域的大小和位置,当maph务完成的时候,位置和大小的吏新信 息被接受这些信息被逐步增加的传递给那些正在工作的 reduce任务 33容错 因为 MapReduce库被设计用来使用成百上千的机器来帮助处理非常大规模的数据,所以这个库必须要能很好的 处理机器故障, worker故障 maste周期性的ping每个 worker.如果 master在一个确定的时间段内没有收到 worker返回的信息,那么它 将把这个Woke标记成失效因为每一个由这个失效的 worker完成的map任务被重新设置成它初始的空闲状态,所 以它可以被安排给其他的 worker同样的,每一个在失败的Woke上正在运行的map或 reduce任务,也被重新设置成 空闲状态,并且将被重新调度, 在一个失败机器上已经完成的map任务将被再次执行,因为它的输出存储在它的憾盘上,所以不可访问,已经完成 的 reduce任务将不会再次执行,因为它的输出存储在全局文件系统中. 当一个map任务首先被 worker A执行之后,又被B执行了(因为A失效了),新执行这个清况被道知给所有执行 reduce任务的 worker任何还没有从A读数据的 reduce汪务将从 worker B读取数据 MapReduce可以处理大规模w。rker失败的情况.例如,在一个MapR∈duc操作期间,在正在运行的机群上进行 网络维护引起80台机器在几分钟内不可访问了, MapReduce master只是简单的再次执行已经被不可访间的 worker 完成的工作,继续执行,最终完成这个 MapReduce操作 master失败 可以很容易的让管理者周期的写入上面描述的数据结构的 checkpoints.如果这个「 aster任务失效了,可以从上 次最后一个 checkpoint开始启动另一个 master进程然而,因为只有一个 master,所以它的失败是比较麻烦的,因此 我们现在的实现是,如果 master失败,就中止 MapReduce计算各户可以检查这个状念,并且可以展据需要重新执行 MapReduce操作 在错误面前的处理机制 当用户提供的map和 reduce操作对它的输出值是确定的函数时,我们的分布式实现产生,和全部程序没有错误的 顺序执行一样,相同的输出 我们依赖对map和 reduce任务的输出进行原子提交来完成这个性质,每个工作中的任务把它的输出写到私有临 时文件中,一个 reduce任务产生一个这样的文件,而一个map任务产生R个这样的文件(一个 reduce任务对应一个文 件当一个map任务完成的时候, worker发送一个消息给 master,在这个消息中包含这R个临时文件的名字,如果 master从一个已经完成的map任务再次收到一个完成的消息,它将忽略这个消息否则,它在 master的数据结构里记 录这R个文件的名字 当一个 reduce任务完成的时候,这个 reduce worker原子的把临文件重命名成最终的输出文件如果相同的 reduce任务在多个机器上执行,多个重命名调用将被执行,并产生相同的输出文件我们依赖由底层文件系统提供的原 子重命名操作来保证,最终的文件系统状态仅仅包含一个 reduce仁务产生的数据 我们的map和 reduce操作大部分都是确定的,并且我们的处理机制等价于一个顺厅的执行的这个事实,使得程 序员可以很容易的理解程序的行为当map或/和 reduce操作是不确定的时候,我们提供虽然比较弱怛是合理的处理机 制当在一个非确定操作的前面,一个 reduce务R1的输出等价于一个非偷定顺厅程厅执行产生的偷出,然血,一个不 同的 reduce任务R2的输出也许符合一个不同的非确定顺序程序执行产生的输出 考虑map任务M和 reduce任务R1R2的情况,我们设定e(Ri)为已经提交的Ri的执行(有且仅有一个这样的抗 行)这个比较弱的语义出现,因为e(R1)也许已经读取了由M的执行产生的输日,而e(R2)也许已经读取了由M的不同执 行产生的输出 34存储位置 在我们的计算杋环境里网络带宽是一个相当缺乏的资源.我们利用把输入数据{由GFS管理)储在机器的本地 磁盘上来保存网络带宽GFS把每个文件分成64MB的些块然后每个块的几个拷贝存在不同的机器上(般是3个 拷贝) MapReduce的 master考虑输入文件的位置信息,并且努力在一个包含相关输入数据的机器上安排一个map任 务如果这样做失败了,它尝试在那个任务的输入数据的附近安排一个map任务(例如,分配到一个和包含输入数据块在 ↑ switch里的 worker机器上执行).当运行巨大的 MapReduce操作在个群中的部分机器上的时候,大部分输 入数据在本地被读取,从而不消耗网络带宽 35任务粒度 象上面描述的那样,我们细分map阶段成M个片, reduce阶没成R个片M和R应当比 worker机器的数量大许 多每个 worker执行许多不同的工作来提高动态负载均衡,也可以加速从一个 worker失效中的恢复,这个机器上的许 多已经完成的map任务可以被分配到所有其他的 worker机器上 在我们的实现里M和R的范围是有大小限制的,因为 master必须澈O(M+R)次调叟,并且保存O(M*R)个状态 在内存中、(这个因素使用的内存是很少的,在O(M*R)个状态片里,大约每个map任务/ reduce任务对使用一个字节的 数据) 此外R经常被用户限制,因为每一个 reduce任务最终都是一个独立的输出文件实际上,我们倾向于选择M,以便 每一个单独的任务大概都是16到64MB的输入数据(以便上面描述的位置优化是最有效的)我们把R设置成我们希望 使用的 worker机器数量的小倍数我们经常执行 MapReduce计算,在M=20000R=5000,使用2000台工作者机 器的情况下 36备用任务 一个落后者是延长 MapReduce操作时间的原因之一:一个机器花费一个异平常地的长间来完成最后的一些 map或 reduce任务中的一个.有很多原因可能产生落后者.例如,个有坎磁盘的机器经常发生可以纠正的错诙,这样就 使读性能从30MB/s降低到3MB/s,机群调度系统也许已经安排其他的任务在这个机器上,由于计算要使用CPU,内存, 本地磁盘,网络带宽的原因,引起它执行 MapReduce代码很慢我们最近遇到的一个问题是,个在机器初始化时的 Bug引起处理器缓存的失效:在一个被影响的机器上的计算性能有上百倍的影响, 我们有一个一般的机制来减轻这个落后者的问题当一个 MapReduce操作将要完成的时候, master调度备用进 程来执行那些剩下的还在执行的任务,无论是原来的还是备用的执行完成了,工作都被标记求完我亻已经调整了这个 机制通常只会占用多几个百分点的机器资源我们发现这可以显著的减少完成大规模 MapReduce操作的时间,作为 个例子,将要在53描述的排序程序,在关闭掉备用任务的情况下,要比有备用任务的情况下多花44%的时间 4技巧 尽管简单的map和 reduce函数的功能对于大多数需求是足够的了,但是我们开发」一些有用的扩充这些将在这 个部分描述 4.1分割函数 MapReduce用户指定 reduce仼务和 reduce任务需要的输出文件的数量在中间key上使用分割函数,使数据 分割后通过这些任务,一个缺省的分割函数使用hash方法(例如,hash(key’modR)这个导致非常平衡的分割然后, 有的时候使用其他的key分割函数来分割数据有非常有用的例如,有时候,输出的key是URLs并且我们希望每个主 机的所有条目保持在同一个输出文件中,为了支持像这样的情况 MapReduce库的用户可以提供专门的分割函数例如, 使用"hash( Hostname( urlkey))modR作为分割函数,使所有来自同一主机的URLs保存在同一个输出文件中 42顺序保证 我们保证在一个给定的分割里面中间 key/value对以key递增的顺序处理这个顺序保证可以使每个分割产出一 个有序的输出文件,当输出文件的格式需要支持有效率的随机访问key的时候,或者对输出数集再作序的时候,就很 43 combiner函数 在某些情况下,允许中间结果key重复会占据相当的比重,并且用户定义的 reduce函数 满足结合律和交换律,一个很好的例子就是在2,1部分的词统计程序因为词频率颂向于一个zpf分布(齐大分在),每个 map任务将产生成百上干个这样的记录<the,1>,所有的这些计数将通过网络被传输到一个单独的 reduce任务,然后 由 reduce函数加在一起产生一个数字我们允许用户指定一个可选的 combiner函数先在本地进行合并一下,然后再 通过网络发送. 在每一个执行map任务的机器上 combiner函数被执行,般的,相同的代碼被用在 combiner和 reduce函数 在 combiner和 reduce函数之间唯一的区别是 MapReduce库怎样控制函数的输出 red uce函数的输出被保存最终 输出文件里, combiner函数的输出被写到中间文件里,然后被发送给 reduce任务 部分使用 combiner可以显著的提高一些 MapReduce操作的速度附录A包含一个使用 combiner函数的例子 4.4输入输出类型 MapReduce库文持以几种不同的格式黴耿输入数据,例如,文本模式输入把每一行看作是一个key/alue 对key是文件的偏移量, value是那一行的内容.其他普通的支持格式以kεy的顺序存儲 key/value对序列.每一个输 入类型的实现知道怎样把输入分割成对每个单独的map任务来说是有意义的(例如,文入模式的范围分割确保仅仅在每 行的边界进行范围分割)虽然许多用户仅仅使用很少的预定意输入类型的一个,但是用户可以通过提供一个简单的 reader接口来支持一个新的输入类型 个 reader不必要从文件里读数据.例如,我们可以很容易的定义它从数据库里读记录,或从内存中的效据结构读 4.5副作用 有的时候 . MapReduce的用户发现在map操作或/和 reduce操作时产生辅助文件作为一个附加的输出是很方便 的我们依靠应用程序写来使这个副作用成为原子的,般的,应用程序写一个临时文件然后一旦这个文件全部产生完,就 自动的被重命名 对于单个任务产生的多个喻出文件来说,我们没冇提供其上的两阶段提交的原子操作支持,因此,一个产生需要交叉 文件连接的多个输出文件的任务,应该使确定性的任务.不过这个限制在实际的工作中并不是一个问题 46跳过错误记录 有的时候因为用户的代码里有bugr导致在某一个记录上map或 reduce函数突然 crash掉这样的oug使得 MapReduce操作不能完成虽然一般是修复这个bug,但是有时候这是不现实钓;也许这个bug是在源代码不可得到的 第三方库里有的时候也可以忽略一些记录,例如;当在-个大的数据集上进行统计分所我们提供一个可选的执行模式,在 这个模式下, MapReduce库检测那些记录引起的 crash,然后跳过那些记录,来继续执行程序 每个 worker程序安装一个信号处理器来获取内存段异常和总线错误.在调用一个用户自定义的map或 reduce 操作之前, MapReduce库把记录的序列号存储在一个全局变量里如果用户代码产生一个信号,那个信号处理器就会发 送一个包含序号的" ast gasp"UDP包给 MapReduce的 master当 master不止一次看到同一个记汞的时候,它航会 指出,当相关的map或 reduce任务再次执行的时候,这个记录应当被跳过 4.7本地执行 调试在map或 reduce函数中间题是很困难的,因为实际的计算发生在个分布式的系统中,经常是有个 master动态的分配工作给儿干台机器.为丁简化调试和测试,我们开发了一个可替换的实现,这个实现在本地执行所有的 MapReduce操作,用户可以控制执行,这样计算可以限制到特定的map任务上,用宀以个标志调用他们的程序,然后可 以容易的使用他们认为好用的任何调试和测试工具(例如,gdb). 48状态信息 master运行一个HTTP服务器,并且可以输出一组状况页来供人们使用状态页显示计算进度,象多少个任务已经 完成,多少个还在运行隃输入的字节数,中间数据字节数输出字节数,处理百分比,等等,这个页也包含到标准错误的链接,和 由每个任务产生的标准输出的链接用户可以根据这些数据预测计算需要花费的时间,和是否需要更多的资源.当计算比 顸期的要慢很多的时候,这些页面也可以被用来判断是不是这样 此外,最上面的状态页显示已经有多少个工作者失败了,和当它们失败的时候,那个map和 reduce壬务工在运行 当试图诊断在用户代码里的bug时,这个信息也是有用的, 49计数器 MapReduce库提供一个计数器工具,来计算各种事件的发生汝数例如,用户代码想要计算所有处理的词的个数,或 者被索引的德文文档的数量 为了使用这个工具,用户代码创建一个命名的训数器对象,然后在map或/和 reduce函数里适当的增加训数器.例 如 Counter s uppercase: uppercase=GetCounter("uppercase") map(String name, String contents): for each word w in contents if (Is Capitalized (w)) uppercase->Incremento EmitIntermediate(w, "1"; 来自不同 worker机器上的计数器值被周期性的传送给 master(在pig回应里) master把来自成功的map和 reduce任务的计数器值加起来,在 MapReduce操作完成的时候,把它返回给月户代码.当前计数器的值也被显示在 master状态页里,以便人们可以査看实际的计算进度,当计算计数器值的时候消除重复执行的影响避免数据的累加(在 备用仁务的使用,相由十出错的重新执行,可以产生重复执行) 有些计数器值被 MapReduce库自动的维护,比如,被处理的输入key/aue对的效量,和被产生的输出key/vau 对的数量 用户发现计数器工具对于检查 MapReduce操作的完整性很有用例如,在一些 MapReduce操作中,用户代码也 许想要确保输岀对的薮量完全等于输入对的撅量,或者处理过的徳文文档的数量是在全被处理的文档教量中属于合理 的范围 5性能 在本节,我们用在一个大型集群上运行的两个计算来衡量 MapReduce的性能,一个计算用来在一个大概1TB的数 据中査找精定的匹配串,另一个计算排序大概1TB的数据 这两个程序代表了 MapReduce的用户实现的貞实的程厅的一个大子集,一类是,把数据从一种表示转化到另一种 表示,另一类是,从一个大的数据集中提取少量的关心的数据 5.1机群配置 所有的程序在包含大概1800台机器的机群上执行机器的配置是:2个2G的 Intel Xeon超线程处理器4GB内 行,两个160 GB IDE磁,个千兆网卡,这些机器部署在一个由两层的,树形交换网络中,在根节点上大概有100到 2000G的带宽,所有这些机器都有相同的部署(对等部署),因此任意两点之间来回时司小于1毫秒 在4GB的内存里,大概有1-1.5GB被用来运行在机群中其他的任务这个程序是在周末的下午开始丸仁的,这个时 候CPU,磁盘,网络基本上是空闲的, 5.gRep 这个Grep程序扫描大概10^10个,每个100字节的记录,查找比较少的3字符的査找串(这个查找串出现在 92337个记录中)输入数据被分割成大概64MB的片M=15000),全部的输出存在一个文件口(R=1), 图2显示计算过程随时间变化的情况Y轴表示瑜入数据被扫描的速度.随着更多的机群被分配给这个 MapReduce计算,速度在逐步的提高,当有1764个 worker的时候这个速度达到最高的30GB/s,当map任务完成 时候速度开始下降,在训算开始后80秒,输入的速度降到囗.这个训算持续的时间大概是150秒这包括了前面大概一分 钟的启动时间启动时间用来把程序传播到所有的机器上,等待GFS打开1000个输入文件待到必要的位置优化信息 53排序 这个sor程序排序10~10个记录,每个记录100个字节(大概1TB的数捐〕这个程序是模方 Terasort的 这个排序程序只包含不到50行的用户代码.其中有3行map函数用来从文本行提取10字节的排予key,并且产 生一个由这个key和原始文本行组成的中间key/aue对我们使用一个内置的 dentity函数作为 reduce操作,这个 函数直接把中间key/ value对作为输出的key/ value对最终的排序输出写到个2路复制的GFS文件中(乜就是,程 序的输出会写2TB的数据) 象以前一样,输入数据被分割成64MB的片(M=15000),我们把排序后的输出写到4000个文件中(R=4000),分 区函数使用key的原始字节来把数据分区到R个小片中 我们以这个基准的分割函数,知道key的分布情况,在一般的排序程序中,我们会增加一个预处理的 MapReduce操 作,这个操作用于采样key的情况,并且用这个样的key的分布情况来计算对最终排戶处理的分割点。 图3(a)显示这个排序程序的止常执行情况,左上图显示输入数据的读速度,这个速度最向到达13GB/s,并且在 不到200秒所有map任务完成之后迅速滑落到0注意到这个输入速度小于Grep这是为这个排序map任务花费大 概—半的时间和带宽,来把中间数据写到本地硬盘中,而Grep相关的中间数据可以忽略不计 左中图显示数据通过网络从map任务传输给 reduce任务的速度当第一个map任务完成后,这个排序过程就开 始了.图示上的第一个高峰是启动了第一批大概1700个 reduce任务(整个 MapReduce任务被分配到1700台机器上, 每个机器一次只执行一个 reduce任务)大概开始计算后的300秒,第批 reduce任务中的些完成了,我们开始执行 剩下的 reduce任务.全部的排序过程持续了大概600秒的时间 左下图显示排序后的数据被 reduce任务写入最终文件的速度.因为机尜忙于排序中间数据,所在第一个排序阶 段的结束和写阶段的开始有一个延迟.写的速度大概是2-4GB/s大概开始计算后的850秒写过程结東包括前面的启动 过程,全部的计算任务持续的891秒这个和 TeraSort benchmark的最高红1057秒差不多 需要注意的事情是:因此位置优化的原因,很多数据都是从本址磁盘读取的而没有通过我们有限带宽的网络,所以 输入速度比排序速度和输岀速度都要快.排序速度比输岀速度快的原因是输岀阶段写两个排序后数据的拷贝(我们写两个 副本的原因是为了可靠性和可用性)我们写两份的原因是园为底层文件系统的可靠性和可用性的要求,如果底层文件系 统用类似容错编码( erasure coding)的方式,而不采用复制写的方式,在写盘阶段可以降低网络宽的要求。 54备用任务的影响 在图3(b)中,显示我们不用备用任务的排序程序的执行情况除了它有一个长的几乎没有写动作发生的尾巴外, 执行流程和图3(a)相似.在960秒后,只有5个 reduce任务没有完成.然而;就是这最后儿个落后者知道300秒后才完

...展开详情

评论 下载该资源后可以进行评论 1

shaziln 跟刚下的资源重复了,同样三篇论文,是不同的人翻译的,但是没有那个版本清晰
2012-11-19
回复
img
fov
  • 分享王者

    成功上传51个资源即可获取

关注 私信 TA的资源

上传资源赚积分,得勋章
相关内容推荐