java - 分配处理时通常有多少开销？

For impatient readers: this is a work in progress, where I ask for help, during the process. Please do not judge the tools by my temporary data, as they can change while I try to get better results.

我们正处于架构决策过程的中间，该工具用于分析协同仿真的输出。

作为该过程的一部分，我被要求编写一个基准测试工具，并获取有关多个分布式处理框架速度的数据。

我测试的框架是:Apache Spark、Apache Flink、Hazelcast Jet。并作为比较基准纯 Java。

我使用的测试用例是一个简单的“这是一个 Pojo 列表，pojo 中的一个字段是 double 值。找到最小的(最小)值”。

简单，直接，希望具有高度可比性。

四分之三的测试使用一个简单的比较器，第四个(flink)使用与比较器基本相同的 reducer 。分析函数如下所示:

Java: double min = logs.stream().min(new LogPojo.Comp()).get().getValue();

Spark: JavaRDD<LogPojo> logData = sc.parallelize(logs, num_partitions);
double min = logData.min(new LogPojo.Comp()).getValue();

Hazel: IStreamList<LogPojo> iLogs = jet.getList("logs");
iLogs.addAll(logs);
double min = iLogs.stream().min(new LogPojo.Comp()).get().getValue();

Flink: DataSet<LogPojo> logSet = env.fromCollection(logs);
double min = logSet.reduce(new LogReducer()).collect().get(0).getValue();

我对此进行了广泛的测试，改变了测试列表的大小以及分配的资源。结果让我大吃一惊。最佳结果如下(所有数字以毫秒为单位，1 个 mio pojo，每个 10 个测试):

实例:声明和启动实例需要多长时间
框架

列表:解析/传输需要多长时间
列出框架“列表”

过程:需要多长时间
处理数据以检索最小值

总体:从开始到结束
每次测试

结果:

java:
Instances: 
List: 
Process: 37, 24, 16, 17, 16, 16, 16, 16, 16, 16, 
Overall: 111, 24, 16, 17, 16, 16, 16, 16, 16, 16, 

spark:
Instances: 2065, 89, 62, 69, 58, 49, 56, 47, 41, 52, 
List: 166, 5, 1, 1, 2, 1, 0, 0, 0, 0, 
Process: 2668, 2768, 1936, 2016, 1950, 1936, 2105, 2674, 1913, 1882, 
Overall: 4943, 2871, 2011, 2094, 2020, 1998, 2172, 2728, 1961, 1943, 

hazel:
Instances: 6347, 2891, 2817, 3106, 2636, 2936, 3018, 2969, 2622, 2799, 
List: 1984, 1656, 1470, 1505, 1524, 1429, 1512, 1445, 1394, 1427, 
Process: 4348, 3809, 3655, 3751, 3927, 3887, 3592, 3810, 3673, 3769, 
Overall: 12850, 8373, 7959, 8384, 8110, 8265, 8133, 8239, 7701, 8007

flink:
Instances: 45, 0, 0, 0, 0, 0, 0, 0, 0, 0, 
List: 92, 35, 16, 13, 17, 15, 19, 11, 19, 24, 
Process: 34292, 20822, 20870, 19268, 17780, 17390, 17124, 19628, 17487, 18586, 
Overall: 34435, 20857, 20886, 19281, 17797, 17405, 17143, 19639, 17506, 18610,

最有趣的部分是:

最好的结果都来自纯粹的本地测试(一个实例)

任何使用分布式机制(附加节点等)的测试，仍然慢了一个数量级(例如，如果分布式，spark 会慢 2.5)。

现在不要误会我的意思，分布式处理必须比单线程处理慢，这是每个核心的基本逻辑。

但是如果在单线程上使用，即使是 2 个数量级？如果分布，则为 3 个数量级？有人能看到我在所有 3 个分布式进程中显然犯的错误吗？我预计某个因素 < 10，因此可以选择使用更多硬件来杀死它。

那么有什么方法可以将这些框架的开销减少到，嗯，也许是 x9 而不是 x999？

我知道我知道，我使用的测试数据非常小，但即使扩大规模，我也没有看到开销与性能的任何减少。它大约是我们需要分析的批量数据的大小(每次模拟 0.1M - 1M 对象/秒)。因此，欢迎您帮助查找我的错误。 :D

更新 Spark :

在对 Spark 进行了一些更彻底的测试之后，我仍然没有留下深刻的印象。设置如下:

一台机器上的 java 客户端 64 核，480 GB RAM 作业
单独机架上的主站和 7 个从站，32 个 cors，每个 20 GB

    1 mio objects, 256 tasks, 64 cpus local[*]
    java:
      Instances: 
      List: 
      Process: 622, 448, 68, 45, 22, 32, 15, 27, 22, 29, 
    spark:
      Instances: 4865, 186, 160, 133, 121, 112, 106, 78, 121, 106, 
      List: 310, 2, 2, 1, 2, 4, 2, 1, 2, 1, 
      Process: 8190, 4433, 4200, 4073, 4201, 4092, 3822, 3852, 3921, 4051, 

    10 mio objects, 256 tasks, 64 cpus local[*]
    java:
      Instances: 
      List: 
      Process: 2329, 144, 50, 65, 75, 70, 69, 66, 66, 66, 
    spark:
      Instances: 20345, 
      List: 258, 2, 1, 1, 1, 4, 1, 1, 1, 1, 
      Process: 55671, 49629, 48612, 48090, 47897, 47857, 48319, 48274, 48199, 47516

    1 mio objects, 5.2k tasks, 64 cpus local, 32 cpus each on 1+1 Spark machines (different rack)
    java:
      Instances: 
      List: 
      Process: 748, 376, 70, 31, 69, 64, 46, 17, 50, 53, 
    spark:
      Instances: 4631, 
      List: 249, 1, 2, 2, 3, 3, 1, 1, 2, 1, 
      Process: 12273, 7471, 6314, 6083, 6228, 6158, 5990, 5953, 5981, 5972

    1 mio objects, 5.2k tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack)
    java:
      Instances: 
      List: 
      Process: 820, 494, 66, 29, 5, 30, 29, 43, 45, 21, 
    spark:
      Instances: 4513, 
      List: 254, 2, 2, 2, 2, 4, 2, 2, 1, 1, 
      Process: 17007, 6545, 7174, 7040, 6356, 6502, 6482, 6348, 7067, 6335

    10 mio objects, 52k tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack)
    java Process: 3037, 78, 48, 45, 53, 73, 72, 73, 74, 64, 
    spark:
      Instances: 20181, 
      List: 264, 3, 2, 2, 1, 4, 2, 2, 1, 1, 
      Process: 77830, 67563, 65389, 63321, 61416, 63007, 64760, 63341, 63440, 65320

    1 mio objects, 224*i tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack), i =0 to 100
    java Process: 722, 631, 62, 26, 25, 42, 26, 11, 12, 29, 40, 16, 14, 23, 29, 18, 14, 11, 71, 76, 37, 52, 32, 15, 51, 54, 19, 74, 62, 54, 7, 60, 37, 54, 42, 3, 7, 60, 33, 44, 50, 50, 39, 34, 34, 13, 47, 63, 46, 4, 52, 20, 19, 24, 6, 53, 4, 3, 68, 10, 59, 52, 48, 3, 48, 37, 5, 38, 10, 47, 4, 53, 36, 41, 31, 57, 7, 64, 45, 33, 14, 53, 5, 41, 40, 48, 4, 60, 49, 37, 20, 34, 53, 4, 58, 36, 12, 35, 35, 4, 
    spark:
      Instances: 4612, 
      List: 279, 3, 2, 1, 2, 5, 3, 1, 1, 1, 2, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 0, 2, 1, 1, 1, 1, 1, 0, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 
      Process: 16300, 6577, 5802, 6136, 5389, 5912, 5885, 6157, 5440, 6199, 5902, 6299, 5919, 6066, 5803, 6612, 6120, 6775, 6585, 6146, 6860, 6955, 6661, 6819, 6868, 6700, 7140, 7532, 7077, 7180, 7360, 7526, 7770, 7877, 8048, 7678, 8260, 8131, 7837, 7526, 8261, 8404, 8431, 8340, 9000, 8825, 8624, 9340, 9418, 8677, 8480, 8678, 9003, 9036, 8912, 9235, 9401, 9577, 9808, 9485, 9955, 10029, 9506, 9387, 9794, 9998, 9580, 9963, 9273, 9411, 10113, 10004, 10369, 9880, 10532, 10815, 11039, 10717, 11251, 11475, 10854, 11468, 11530, 11488, 11077, 11245, 10936, 11274, 11233, 11409, 11527, 11897, 11743, 11786, 11086, 11782, 12001, 11795, 12075, 12422

    2 mio objects, 224*i tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack), i = 0 to 30
    java Process: 1759, 82, 31, 18, 30, 41, 47, 28, 27, 13, 28, 46, 5, 72, 50, 81, 66, 44, 36, 72, 44, 11, 65, 67, 58, 47, 54, 60, 46, 34, 
    spark:
      Instances: 6316, 
      List: 265, 3, 3, 2, 2, 6, 1, 2, 1, 1, 1, 2, 2, 1, 1, 1, 1, 1, 2, 1, 1, 5, 1, 1, 1, 1, 2, 1, 1, 1, 
      Process: 24084, 13041, 11451, 11274, 10919, 10972, 10677, 11048, 10659, 10984, 10820, 11057, 11355, 10874, 10896, 11725, 11580, 11149, 11823, 11799, 12414, 11265, 11617, 11762, 11561, 12443, 12448, 11809, 11928, 12095

    10 mio objects, 224*i tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack), i = 5 to 30
    java Process: 1753, 91, 57, 71, 86, 86, 151, 80, 85, 72, 61, 78, 80, 87, 93, 89, 70, 83, 166, 84, 87, 94, 90, 88, 92, 89, 196, 96, 97, 89, 
    spark:
      Instances: 21192, 
      List: 282, 3, 2, 2, 3, 4, 2, 2, 1, 0, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 1, 2, 2, 1, 1, 1, 
      Process: 60552, 53960, 53166, 54971, 52827, 54196, 51153, 52626, 54138, 51134, 52427, 53618, 50815, 50807, 52398, 54315, 54411, 51176, 53843, 54736, 55313, 56267, 50837, 54996, 52230, 52845

结果:无论抛出多少硬件，以及任务如何集群，使用 spark 列表中每百万个 pojo 需要 5-6 秒。

另一方面，Java 处理相同的数量需要 5-30 毫秒。所以基本上是 200-1,000 的系数。

有没有人建议如何为如此简单的工作“加速”Spark？

更新淡褐色:

现在我开始印象深刻。虽然我仍然在与一些奇怪的问题作斗争，但至少 Hazelcast Jet 似乎明白如果可能的话，可以在本地处理本地数据。只有 100%(因子 x2)的开销，这是完全可以接受的。

10个mio对象

java:
   Instances: 
   List: 68987, 
   Process: 2288, 99, 54, 52, 54, 64, 89, 83, 79, 88, 
hazel:
  Instances: 6136, 
  List: 97225, 
  Process: 1112, 375, 131, 123, 148, 131, 137, 119, 176, 140

更新弗林克:

暂时将其从基准测试中删除，因为它造成了太多麻烦而没有给出很好的结果。

编辑:整个基准可以在以下位置找到:https://github.com/anderschbe/clusterbench

spark 的集群设置使用 spark-2.1.0-bin-hadoop2.7，因为它是开箱即用的。 spark_env.sh 有一个小改动:SPARK_NO_DAEMONIZE=true

使其在集群上运行所需的唯一更改是将 SparcProc 第 25 行中的“localhost”替换为“spark://I_cant_give_you_my_cluster_IP.doo”

最佳答案

当你在集群框架中计算某些东西时，比如 Spark 或 Flink，框架:

序列化您的代码

发送资源请求

通过网络发送您的代码

调度执行

等待结果

如您所见，执行了许多步骤 - 不仅仅是您的计算!如果您:

可以将您的计算拆分为可以并行完成的小任务

在一台机器上处理太多数据或在一台机器上处理可能太慢 - 磁盘 I/O，项目或计算中的其他一些特定因素非常具体，需要许多 CPU，通常不止一台机器拥有 - 但随后一部分数据的计算一定很长

尝试计算 10 GB 文本文件中单词的出现次数 - 那么 Spark 和 Flink 将击败单节点 Java

有时用户代码可能会导致分布式计算的缓慢。典型错误:

用户在具有许多引用的类中编写 lambdas - 所有其他类都被序列化，序列化需要很多时间

任务并不是真正并行的——它们必须相互等待或必须处理大部分数据

数据偏斜 - 对象可能不正确 hashCode实现和 HashPartitioner导致所有数据都去了一个分区=一个节点

分区数不正确 - 您可以再添加 1000 台机器，但如果您仍然有 4 个分区，那么您一次最多可以存档 4 个并行任务

太多的网络通信 - 在你的情况下这不是问题，但有时用户会做很多 join和 reduce

编辑问题编辑后:
在您的示例中，Spark 在 local 上运行- 这意味着只有 1 个线程!至少使用 local[*]或其他集群管理器。您在此答案中列出了开销，并且只有一个线程

关于java - 分配处理时通常有多少开销？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/42759255/

java - 分配处理时通常有多少开销？

上一篇：java - 构建节点共享相同信息的二叉树

下一篇：javascript - 如何访问作用域函数