Question

对于不耐烦的读者：这是一项正在进行的工作，我要求的在此过程中提供帮助。请不要通过我的判断工具临时数据，因为它们可以在我尝试获得更好结果时发生变化。

我们正处于架构决策过程的中间，用于分析协同仿真输出的工具。

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

我测试的框架是：Apache Spark，Apache Flink，Hazelcast Jet。并作为比较基线普通Java。

我使用的测试用例是一个简单的“这里是Pojos的列表，pojo中的一个字段是double值。找到最小（min）值。”

简单，直接，希望具有高度可比性。

四分之三的测试使用简单的比较器，第四部分（flink）使用的减速器基本上与比较器相同。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。结果引起了我的注意。最佳结果可以在下面看到（所有数字以毫秒为单位，1毫安pojos，每个10个测试）：

实例：声明和启动实例需要多长时间框架
list：解析/转移它需要多长时间列出框架“list”
过程：花了多长时间处理数据以检索最小值
整体：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ALL来自纯粹的本地测试（一个实例）
任何使用分布式机制（其他节点等）的测试，仍然会慢一个数量级（如果分布的话，火花会慢2.5）。

现在不要误解我的意思，分布式处理必须比单线程处理慢。

但是，如果在单线程上使用，即使是2个数量级？如果分配3个数量级？有人能看到我在所有3个分布式流程中明显犯的错误吗？我期待一些因素＆lt; 10，所以用更多硬件杀死它将是一种选择。

那么有没有办法减少这些框架的开销，嗯可能是x9而不是x999？

我知道我知道，我使用的测试数据很小，但即使扩展它，我也没有看到开销与性能的任何降低。它大致是我们需要分析的批量数据的大小（每个模拟0.1M - 1M对象/秒）。所以欢迎你帮忙找到我的错误。：d

更新Spark：

经过对Spark的一些更彻底的测试后，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作业主机和7个从机在一个单独的机架上，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：无论硬件投入多少，以及聚类的任务如何，使用spark在列表中每百万pojos花费5-6秒。

另一方面，Java用相同的量处理5-30毫秒。所以基本上是200-1,000。

有没有人建议如何“加速”Spark这么简单的工作？

更新榛子：

现在我开始对此印象深刻。虽然我还在解决一些奇怪的问题，但至少Hazelcast Jet似乎明白本地数据可以在本地处理，如果可能的话。只有100％（因子x2）开销，这是完全可以接受的。

10 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Flink：

暂时从基准测试中删除它，因为它在没有给出好结果的情况下造成了太多麻烦。

编辑：整个基准可以在https://github.com/anderschbe/clusterbench

下找到

spark的群集设置使用了spark-2.1.0-bin-hadoop2.7，因为它开箱即用。在spark_env.sh中进行一次小的更改：SPARK_NO_DAEMONIZE = true

使其在群集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”

Answer 1

当你在集群框架中计算某些内容时，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
计划执行
等待结果

正如您所看到的，有许多步骤 - 不仅仅是您的计算！如果您：

，分布式计算是有意义的

可以将您的计算拆分为小任务，可以并行完成
在一台机器上处理的数据太多或者在一台机器上处理可能太慢 - 磁盘I / O，项目OR计算中的一些其他特定因素非常具体并且需要很多CPU，通常有多台机器 - 但随后计算一部分数据必须很长

尝试计算10 GB文本文件中的单词出现次数 - 然后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。典型的错误：

用户使用许多引用在clasess中编写lambdas - 所有其他类都被序列化，序列化需要很长时间
任务并非真正平行 - 他们必须等待彼此或必须继续处理大部分数据
数据偏斜 - 对象可能具有不正确的hashCode实现，而HashPartitioner导致所有数据导致一个分区=一个节点
分区数量不正确 - 您可以再添加1000台计算机，但如果您仍有4个分区，则可以一次归档最多4个并行任务
网络通信太多 - 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。你已经在这个答案中列出了开销，只有一个线程

分发处理时通常需要多少开销？

1 个答案: