Spark 并行计算模型

Spark

Spark是一个小巧玲珑的项目，由Berkeley大学的Matei为主的小团队所开发。使用的语言是Scala，项目的core部分的代码只有63个Scala文件，充分体现了精简之美。

Spark要解决的问题是，在当前的分布式计算框架中不能有效处理的两类问题：iterative（迭代计算）和 interactive（交互式）计算。

目前最流行的Hadoop 系统实现了DAG（有向无环图）的data flow 式的计算，不能处理有环的计算，也就是输入同时做为输出的循环计算。

Spark更适合于迭代运算比较多的ML（machiningleaning和DM（data mining）运算。Google 的Pregel 的分布式图计算中，就含有大量的迭代计算。

那么Spark是如何实现的呢？其主要的思想就是RDD（Resilient Distributed Dataset），把所有计算的数据保存在分布式的内存中。在迭代计算中，通常情况下，都是对同一的数据集做反复的迭代计算，数据保存在内存中，将大大提高性能。 RDD就是数据partition方式保存在cluster 的内存中。操作有两种： transformation 和 action， transform就是把一种RDD转换为另一个RDD，和Hadoop的 map 操作很类似，只是定义operator比较丰富（map， join，filter， groupByKey 等操作），  action 就类似于hadoop 的reduce，其输出是一个aggregation函数的值如count，或者是一个集合（collection）。

Spark 的设计思想并没有什么独特之处，核心就是内存计算。关键的问题是，如何处理fault tolerance这个核心的问题？我们知道hadoop 的核心就是 MapReduce，其计算模型是：

Input(HDFS)  -->  output(HDFS), 其输入和输出都是在persistent的 disk上保存，并且有replication.  如果输入和输出节点都崩溃，其还有副本，选择一个新节点重新计算。

如果数据保存在内存中，一旦宕机，数据永久丢失。通常的处理方法就是做checkpoint 和 log updates across machine两种方法。

Spark并没有提供一个比较好fault tolerance的方法，其论文中提到的lineage(血统）的方法： logging the transformations used to build a dataset，就是log 每次操作（lineage）用来恢复。

我们看一下Spark操作模型：

Input（RAM） ---> output(RAM) 的计算模型。

在论文中，Spark提到了两种依赖（Dependency）。

一种是Narrow Dependencies这个计算完全在本地的内存中，对于所谓的Lineage的容错方法对这种情况是没有用的，因为输入和输出在同一个节点，一旦该节点宕机，数据全丢。论文中提到的work around方式是replication；

对与Wide Dependencies，这种计算的输入和输出在不同的节点上，lineage方法于：输入节点完好，而输出节点宕机的情况有效的，通过只重新计算宕机的分区即可。在输入节点宕机的情况下，显然重试是无效，需要向上追溯其祖先看是否可以重试（这就是lineage，血统的意思）。

Spark 论文最后提到了，提供了一种checkpoint 的标志。至于何时做chenkpoint，由用户根据业务自己决定。在论文Discussion部分，提到今后的研究就是如何实现自动的checkpoint操作。MPI的fault tolerance的方法，就是做各种checkpoint的策略，这个在高性能计算已经研究了好多年了，并有很多方法。

最后感叹，很多的研究，转了一圈，最后又回到了起点。