当前课程知识点:大数据平台核心技术 > 第四讲 分布式编程模型的设计与演化 > 分布式编程模型 > 分布式编程模型(主讲人:吴威)
接下去我展开讲一下
关系型数据
这类数据典型的是
一个二维结构
有行结构和列结构
是数据处理中
最常见的数据类型
应用非常广泛
广泛保存在传统的
关系型数据库中
在我最熟悉的
阿里巴巴大数据领域
最原始的核心数据源
大部分是来自于淘宝
或者支付宝网站
的关系型数据库
比如MySQL、Oracle等
另外大部分网站的
日志数据也可以
表示成关系型数据
这里看一下常见的
关系型数据 抽象
这里的 抽象
只是在程序中的表达形式
虽然它们的名字各不相同
但本质上表达的
还是一类的东西
希望大家不要被迷惑了
第一种最简单的叫法
就是Table
在关系型数据库Hive
或者阿里云的ODPS里
最核心的数据表达形式
就是Table
第二种是在Apache Pig
里面叫做Relation
也就是关系
Pig和Hive都是
Hadoop生态圈里面的软件
人们用它们来处理存储在
分布式文件系统里面的数据
第三种是来自Google的叫法
在Goole的Dataflow SDK
和介绍FlumeJava
的这篇论文里
关系型数据被叫做
PCollection或者PTable
第四种叫法来自Spark
在Spark里面
有个核心的概念叫做RDD
RDD的全称是
有弹性的分布式数据集
是UC Berkeley大学
的新发明
它们定义了数据集上
的一系列简单操作
还包括缓存 容错
并行化等功能
让数据处理更加简单
RDD是整个Spark技术
体系的核心
有兴趣的同学可以看看
参考文献里的论文
或者下载Spark软件
自己体验一下
但是
RDD的核心还是数据
也就是我们这里提到的
关系型数据
当然还有其它的系统有着对
关系型数据结构的不同叫法
我在这里就不一一展开了
说完了数据
我们回到编程模型上
来说说什么是我们
真正想要的编程模型
我心目中的分布式编程模型
需要满足下面的要求
第一点是大数据时代
必须要解决的问题
就是要能处理
TB以及PB以上的数据量
所以我们这个编程模型
也是以数据为中心的编程模型
在科学计算领域
可能要分布式地计算π的值
但是这个过程本身
没有使用大量的数据
所以不是我们今天讨论的重点
另外 因为前面提到的
现实生活中存在
各类异构的数据格式
所以需要我们的编程模型
能应付这样的情况
接下去我们会介绍
不同的编程模型
这些编程模型可能
只适合某种数据格式
当然最好的情况是
有一种编程模型能满足
多种数据结构的运算需求
同时
对数据的处理效率
也是有要求的
在单机环境下
处理上PB的数据
可能需要几年
这显然不符合我们的要求
我们需要在几小时
甚至几分钟内
处理上PB的数据
这必须使用多机并行
计算的能力
但是我们在前面的课程中
学习到分布式环境下的
存储和调度都是非常复杂的
我们不希望
在这种环境下的编程模型
也是复杂的
我们的编程模型需要
尽可能的简单易用
可以对用户隐藏
像盘古和伏羲之类的底层系统
这个编程模型可以看成
分布式领域的高级语言
而大家平时熟悉的C++
或者Java等底层语言
就是分布式领域的汇编
因为用普通的C++
或者Java编程需要
运用网络编程
分布式远程调用
负载均衡、容错、磁盘读写
内存操作等等知识
才能写出高效的分布式程序
但是以数据为中心的编程语言
是高级语言
它作了一定程度的抽象
底层细节被透明化了
需要注意的是
在分布式计算领域
从数据处理的时效性维度来看
还可以分成在线数据应用
和离线数据计算两大类
比如同样的SQL语言
在在线数据应用领域
可以处理类似于
小明买了一只手机
这样的操作
也可以完成
最近5年所有手机商城
成交量的计算需求
而后一种就是我们今天的主题
分布式离线数据计算
-主讲人:武永卫
-主讲人:程永
-QUIZ--作业
-大纲
-初步认识大数据对分布式存储系统的需求
-理解大数据对分布式存储系统的需求
-具体说明大数据对分布式存储系统的需求
-大规模分布式存储的挑战
-小概率事件-Raid卡故障
-分布式存储系统举例
-分布式存储系统重要功能设计要点剖析
-链式写正常流程
-写流程的另一种常见方式:主从模式
-链式写异常流程
-写异常处理的另一种方法-Seal and New
--写异常处理的另一种方法-Seal and New(主讲人:姚文辉)
-读正常流程
-读流程优化-BackupRead
-IO QoS
-数据正确性:checksum
-数据可靠性-Replication
-数据均衡-Rebalance
-垃圾回收-Garbage collection
--垃圾回收-Garbage collection(主讲人:姚文辉)
-Erasure coding
-Erasure coding(3,2)写入和读取过程
--Erasure coding(3,2)写入和读取过程(主讲人:姚文辉)
-元数据管理的高可用性和可扩展性
-元数据管理的高可用性
-Paxos概要
-Raft
-元数据管理的可扩展性
-不同存储介质的特性
-盘古混合存储
-QUIZ--作业
-阿里云飞天分布式调度
-任务调度
-资源调度
-容错机制
-规模挑战
-安全域性能隔离
-分布式调度的发展方向
-QUIZ--作业
-数据格式和抽象
-分布式编程模型
-MapReuduce编程模型
-关系型数据编程模型
-分布式图计算模型
-分布式编程未来展望
-QUIZ--作业
-分布式事务
-分布式一致性算法
-两阶段提交与三阶段提交
-实践--介绍
-关系型计算基本原理_1
-关系型计算基本原理_2
-分布式环境中的连接计算和聚合计算
-其他计算和物理优化
-QUIZ--作业
-提纲
-课程背景介绍
-前序知识
-分布式节点距离计算法则
-数据分布策略
-分布式计算调度
-数据就近原则计算如何容错
-ODPS跨集群数据依赖
-QUIZ--作业
-主讲人:谢德军
--实践2:编写MR完成Group By+Join操作(主讲人:谢德军)
-增量计算和流式计算
-与批量计算的区别
-业界典型系统技术概要分析
-核心技术
-消息机制
-有状态计算、并行DAG、抢占式调度和资源隔离、Failover机制
--有状态计算、并行DAG、抢占式调度和资源隔离、Failover机制(主讲人:强琦)
-StreamSQL
-QUIZ--作业
-软硬件趋势、分布式计算简史与内存计算
-分布式计算
-内存计算
-统一的计算框架
-业界经典系统技术分析-spark&flink
--业界经典系统技术分析-spark&flink(主讲人:强琦)
-QUIZ--作业
-主讲人:褚葳
-QUIZ--作业
-分布式环境下的新问题
-工程实现范例
-课程设计相关问题