武汉的开发者们注意啦!AI技术战略、框架以及最佳实战尽在Azure OpenAI Day 了解详情
写点什么

Percolator:大数据集增量更新系统

  • 2010-10-24
  • 本文字数:1728 字

    阅读完需:约 6 分钟

随着需要收集和处理的数据规模以惊人的速率增长,曾经只有 Google 级别的系统才会遇到的可伸缩性需求变得更普遍,并常常需要专门的解决方案。Daniel Peng 和 Frank Dabek最近发表了一篇论文,介绍 Google 索引系统 Percolator 的技术细节。Percolator 目前运行在数千台服务器上,存储了数十 PB 的数据,并且每天要处理数十亿次的更新。

在抓取网页的同时进行索引更新,意味着在新文档不断加入时,需要对已有的总文档库进行持续地更新。这是通过小规模、独立的变换实现海量数据转换任务的一个典型范例。现有的技术基础平台恰恰不能胜任这样的任务:传统 DBMS 无法满足存储量和吞吐率的需求,而 MapReduce 和其它批处理系统无法逐个处理小规模更新,因为它们必须依赖于创建大量的批处理任务才能获得高效率。

Daniel 和 Frank 解释说,尽管索引的过程是一项批处理任务,可以通过一系列的 MapReduce 操作来表现。但每次重新爬完一些页面后要更新索引的时候,由于新增文档和已有文档之间存在链接引用的关系,只对增量部分运行 MapReduce 操作是远远不够的,实际上必须基于整个文档库进行 MacReduce 操作。事实上在 Percolator 出现之前,索引就是以上述的方式更新的。这样带来的主要问题就是由于要对整个文档库重新处理而产生的延迟。

解决此问题的关键是优化增量数据的处理方式。Percolator 的一个关键设计理念是:提供对库中文档的随机访问,以实现对单个文档的处理,从而避免了像 MapReduce 那样对文档全集进行处理。Percolator 通过“快照隔离”实现了遵从 ACID 的跨行及跨表事务,从而满足多线程在多台服务器上对文档库进行转换操作的需求。Percolator 还提供了“观察者(observer)”机制,在用户指定的列发生更新之后,这些观察者会被系统触发,以帮助开发者追踪计算过程所处的状态。

论文作者补充到:

Percolator 是专门针对处理增量更新而设计,但不是用于取代大多现有的数据处理解决方案。那些不能被拆分为单个微小更新的计算任务(比如对一个文件排序)仍然最好由 MapReduce 承担。

Percolator 更适合于在高一致性及在数据量和 CPU 等方面有很高需求的计算任务。对于 Google 来说,它的主要用途是将网页实时地添加到 Web 索引中。运用 Percolator,Google 可以在抓取网页文档的同时来对文档进行处理,从而将平均延迟降低为原来的百分之一,平均文档寿命(document age)降低 50%。

Percolator 建立于分布式存储系统 BigTable 之上。集群里的每台服务器上运行着三个可执行文件:worker, BigTable tablet 服务器 Google File System chunkserver 服务器

所有观察者都被关联到 Percolator worker 上,后者会对 BigTable 进行扫描,一旦发现更新过的列就会在 worker 进程中以函数调用的方式触发(“notification”)相应的观察者。观察者通过向 BigTable tablet 服务器发送读、写 RPC 请求来运行事务,继而触发后者向 GFS chunkserver 服务器发送读、写 RPC 请求。

Percolator 没有提供用于事务管理的中心服务器,也没有全局锁侦测器。因为 Percolator 不需要像运行 OLTP 任务的传统 DBMS 一样,对低延迟有很高要求,所以它采取了一种延迟的方式来清理锁,也因此在事务提交时造成了数十秒的延迟。

这种方法增加了事务冲突时的延迟,但保证了系统可以扩展到几千台服务器的规模……尽管增量数据处理在没有强事务的情况下也能进行,但事务使得开发者更容易地去分析系统的状态,并避免将错误引入到长时间运行的文档库中。

Percolator 的架构可以在普通廉价服务器集群上线性扩展多个数量级。在性能方面,Percolator 处于 MapReduce 和 DBMS 之间。和 DBMS 相比,在处理同样数量的数据情况下,Percolator 由于其分布式架构,资源消耗远大于 DBMS,同时它还引入了约 30 倍的额外性能开支。和 MapReduce 相比,Percolator 可以以低很多的延迟来处理数据,同时需要额外的资源来支持随机查找。Percolator 自 2010 年 4 月开始为 Google web 搜索提供索引,它利用合理的额外资源消耗,获得了更低的延迟。

不知道读者们是否看见或者预见了对处理海量数据集的快速增长的需求了没有?前不久 Phil Wehlan 问了同样的问题,希望大家给他提供反馈。

查看英文原文: Percolator: a System for Incrementally Processing Updates to a Large Data Set

2010-10-24 20:009267

评论

发布
暂无评论
发现更多内容

SQL:我为什么慢你心里没数吗?,java面试说我基础太差

Java 程序员 后端

SSM框架整合过程总结,书籍+视频+学习笔记+技能提升资源库

Java 程序员 后端

VIVO一面竟然翻车,含泪整理了这些Java面经,看完我悟了

Java 程序员 后端

springCloud学习三之Eureka健康检查,java开发api接口教程

Java 程序员 后端

SpringCloud学习之【NACOS实现服务的注册与发现】,kafka基础原理

Java 程序员 后端

springcloud实战:服务间通信—,java系统开发教程

Java 程序员 后端

Spring中经典的9种设计模式,一定要记牢,springboot热启动原理

Java 程序员 后端

Srping全注解开发---AOP模块,教科书般的排查与分析过程

Java 程序员 后端

volatile 和原子类的异同,画个图理解一下,面试官让我下周来上班

Java 程序员 后端

springcloud(三)网关zuul,mybatis工作流程面试

Java 程序员 后端

Spring学习总结:IOC基础(1),java反射面试题及答案

Java 程序员 后端

SSM框架-SpringMVC详解,java反射和注解原理

Java 程序员 后端

this与super关键字(阿里巴巴面试竟然问道这个了…,ubuntulinux操作系统实用教程

Java 程序员 后端

springcloud(一)注册中心eureka,Mycat和Mysql搭建高可用企业数据库集群

Java 程序员 后端

Spring框架技术总结(二),java自学视频免费

Java 程序员 后端

Tomcat目录结构,java基础教程第三版

Java 程序员 后端

VBA常用语法,操作系统原理与linux实践教程申丰山

Java 程序员 后端

Web开发基础:JavaScript常用类、面向对象和BOM,java中锁的实现原理

Java 程序员 后端

spring源码系列-beanDefinition(子路)(1),壁虎java视频百度网盘

Java 程序员 后端

spring源码系列-beanDefinition(子路),mybatis和spring整合原理

Java 程序员 后端

uniapp props、$ref、$emit,如何保证高可用

Java 程序员 后端

vivo官网商城开发团队:同城双活与异地多活架构分析,java面试问项目流程

Java 程序员 后端

springcloud服务与服务之间的调用(Feign),java支付模块架构

Java 程序员 后端

Spring学习总结:IOC基础,2021Java开发现状分析

Java 程序员 后端

Spring面试题整理,springboot视频教程谁的好

Java 程序员 后端

String的内存分配与拼接操作,mysql数据库教程课后题答案

Java 程序员 后端

ThreadLocal内存泄漏分析与解决方案,java语言程序设计基础篇答案第六章

Java 程序员 后端

super与this在成员变量,成员方法,构造方法方面的作用

Java 程序员 后端

synchronized 中的 4 个优化,你知道几个?,rocketmq教程教程

Java 程序员 后端

tomcat优化——并发和Tomcat线程数,mysql集群原理详解

Java 程序员 后端

Spring面试题整理(1),真是经典中的经典

Java 程序员 后端

Percolator:大数据集增量更新系统_Google_Jean-Jacques Dubray_InfoQ精选文章