Mapreduce - Conceitos e Aplicações

Modelo e framework para processamento de dados em grande escala.

1. MapReduce
Conceitos e Aplicações
Guilherme Araújo
[email protected]

2. Introdução

3. Introdução
Com o crescimento exponencial do poder computacional, a
computação ubíqua, a evolução dos sistemas de informação e o
aumento da quantidade de serviços disponibilizados aos
usuários, cresce também o volume de dados que precisam ser
processados pelos sistemas computacionais.
Alguns exemplos:
•O sistema de geração e distribuição de energia elétrica Norte
Americano gera aproximadamente 15 TB de dados anualmente
(KOUZES et al., 2009)
•O sistema de indexação de páginas web da Google processa apro-
ximadamente 20 TB em documentos a cada iteração (DEAN;
GHEMAWAT, 2008)
3

4. Introdução
Para que a computação dessa quantidade de informação seja
realizada em tempo viável, cada vez mais faz-se necessária a
exploração de paradigmas de programação:
•Dividir para Conquistar

.
.
.

•Computação Paralela
•Computação Distribuída
•MapReduce (paradigma funcional)
4

5. Introdução
Porém, desenvolver software para ambientes distribuídos é
uma tarefa complexa, pois envolve uma série de conceitos e
problemas que devem ser considerados pelos programadores.
•Ex: comunicação e sincronização ente os processos de cada dispositivo.
Motivação: Dados em Larga Escala são uma realidade...
•TeraBytes, PetaBytes, ExaBytes, ...
Facebook e Google processam PBs/dia
1PB em 1 computador ( ~ 60MB/s) 192 dias
Necessidade
Utilizar centenas ou milhares de computadores FACILMENTE
Solução: MapReduce
5

6. MapReduce (MR) by Google
Modelo e framework para processamento de dados em grande
escala proprietário do Google:

Jeffrey Dean e Sanjay Ghemawat
OSDI – 2004

Jeffrey Dean and Sanjay Ghemawat. 2004. MapReduce: simplified data processing on large clusters. In
Proceedings of the 6th conference on Symposium on Opearting Systems Design & Implementation
Volume 6 (OSDI'04), Vol. 6. USENIX Association, Berkeley, CA, USA, 10-10.
Modelo baseado apenas em duas funções Map e Reduce
Características do framework
•Paralelização/Coordenação automática
•Otimização por localidade (processamento ocorre próximo dos dados)
•Balanceamento de carga
•Tolerância a falhas
•Escalabilidade 6

7. Implementações
Centenas de empresas usando:
...
Dezenas comercializando... $$$ Claudera, Aster, Vertica, ...
Implementações:
•MapReduce (Google)
•Hadoop (http://hadoop.apache.org)
7
532 máquinas
640 máquinas
1600 máquinas
2500 máquinas

8. Conceitos

9. Conceitos
O paradigma de programação MapReduce inspira-se nas
primitivas Map e Reduce presentes em diversas linguagens
funcionais.
Essa abordagem foi adotada pois verificou-se que, em muitos
casos, era necessário mapear fragmentos dos dados de
entrada a uma chave identificadora, e então processar todos
os frag-mentos que compartilhassem a mesma chave.
9

10. Conceitos
Se a quantidade de dados for grande, pode ser dividido para a
execução de diversas funções Map ao mesmo tempo, em
paralelo.
Podemos aplicar separadamente as funções Map e Reduce a
um conjunto de dados.
10

11. Conceitos
Todo o trabalho de distribuição do sistema – incluindo
problemas de comunicação, tolerância a falhas, concorrência,
etc – é abstraído, e fica a cargo do próprio framework.
A tarefa principal do programador é implementar estas duas
funções, Map e Reduce, indicando como o mapeamento e a
redução dos dados serão compostos.
O modelo MapReduce pode ser executado sobre uma varie-
dade de plataformas e ambientes distintos. Logo, a melhor
implementação do framework depende do ambiente alvo.
11

12. Conceitos
12

13. Modelo de Programação

14. Modelo de Programação
O MapReduce é realizado em um cluster computacional de
máquinas homogêneas, constituído por basicamente dois tipos
de nós: Mestre (Master) e Escravo (Worker).
O nó Mestre tem como função atender requisições de
execução efetuadas pelos usuários e gerenciá-las, criando
várias tarefas e delegando-as a nós Escravos.
Os nós Escravos, por sua vez, são encarregados de executar de
fato essas tarefas, aplicando de acordo com seu tipo as funções
Map ou Reduce definidas pelo usuário.
MapReduce também utiliza um sistema de arquivos distribuído.
14

15. Modelo de Programação
Componentes do MapReduce

•Sistema de arquivo distribuído – DFS (Distributed File System)
GFS
HDFS
• Implementação MapReduce – 1 Master e N Workers
Workers (Mappers e Reducers)
•Aplicação
Ex: Wordcount, indexador, Page-rank, ...
15

16. Modelo de Programação
A base de uma aplicação MapReduce consiste em dividir e
processar conjuntos de dados com o uso das funções Map e
Reduce.
A função Map recebe uma tupla <chave,valor> como
entrada e gera um conjunto intermediário de dados, também
no formato <chave,valor>.
A função Reduce também recebe como entrada uma tupla
<chave,valor>. Ela é executada para cada chave interme-
diária, com todos os conjuntos de valores intermediários
associados àquela chave combinados.
16

17. Modelo de Programação
Exemplo de aplicação:
•Considere o problema de contar o número de
ocorrências de uma palavra em uma grande coleção de
documentos.
•A seguir será mostrado o pseudocódigo das
Funções Map e Reduce.
17

18. Modelo de Programação
map(String key, String value):
// Emit each word found on value together with a 1 count
// key: document name
// value: document content
wordList = value.split()
for word in wordList:
emit(word, 1);
reduce(String key, String values):
// Sums together all counts for a particular word (key)
// key: a word
// value: list of counts for key
wordCount = 0
for v in values:
wordCount += 1
emit(key, wordCount); 18

19. Modelo de Programação
Cada chamada da função Map recebe como entrada o
conteúdo de um dos documentos da coleção.

Para cada palavra do documento de entrada, a função Map
emite o valor “1” associado à chave que representa a
palavra em questão.
19
map(String key, String value):
// Emit each word found on value together with a 1 count
// key: document name
// value: document content
wordList = value.split()
for word in wordList:
emit(word, 1);

20. Modelo de Programação
Cada chamada da função Reduce recebe como entrada uma
palavra e um iterador para todos os valores emitidos pela
função Map, associados com a palavra em questão.

Todos os valores são então somados em uma tupla
contendo a palavra e seu total de ocorrências.
20
reduce(String key, String values):
// Sums together all counts for a particular word (key)
// key: a word
// value: list of counts for key
wordCount = 0
for v in values:
wordCount += 1
emit(key, wordCount);

21. Diagrama de execução do algoritmo de contagem de palavras
Modelo de Programação
21
Dados Separação
dos dados
Map Ordenação Reduce Saída

22. Etapas do Processo

23. Etapas do Processo
Execução do MapReduce

23

24. Etapas do Processo
Execução de uma aplicação MR

Mestre associa tarefas Map aos Escravos livres
Escravo executa a função Map sobre o “seu dado”
Produz arquivos locais com os pares intermediários
Informa o Mestre do término
Mestre associa tarefas reduce aos Escravos livres
Escravo lê remotamente os pares dos Maperrs
aplica a função reduce
grava o resultado num arquivo no DFS 24

25. Etapas do Processo
O primeiro passo do MapReduce é dividir os dados em partes e
iniciar uma série de cópias do programa nas máquinas do
cluster computacional.
25

26. Etapas do Processo
O trabalho consiste em realizar M tarefas de mapeamento e R
tarefas de redução, sendo o Mestre responsável por atribuir
aos Escravos essas tarefas.
26

27. Etapas do Processo
O Escravo para o qual foi atribuída uma tarefa de mapeamento
deve ler o conteúdo de uma parte do arquivo, separar todas as
tuplas e enviar para a função de mapeamento.
As tuplas produzidas pela função MAP são armazenadas em
memória (localmente).
27

28. Etapas do Processo
•Os Escravos para os quais foram atribuídas tarefas de redução
devem pegar todos os valores de uma determinada chave, que
foi produzido pelas tarefas de mapeamento, e enviar para a
função Reducer.
28

29. Etapas do Processo
Quando todas as tarefas de mapeamento e redução forem
concluídas, o nó Mestre emite um alerta ao programa do
usuário e retorna o controle para ele.
29

30. Conclusão

31. Conclusão
MapReduce é fácil de usar, mesmo por programadores sem ex-
periência em processamento distribuído.
Permite o programador focar no problema e esquecer os deta-
lhes de implementação de sistemas distribuídos.
Uma grande variedade de problemas podem ser expressos em
MapReduce.
Simplificou computações em larga escala de grandes volumes
de dados.
31

32. Referências

33. Referências
33
J. Dean and S. Ghemawat, “Mapreduce: Simplified data processing on large clusters,” in OSDI, 2004
Dean, J. and Ghemawat, S. 2008. MapReduce: simplified data processing on large clusters.
Communication of ACM 51, 1 (Jan. 2008), 107-113.
G. Malewicz, M. H. Austern, A. J. C. Matthew, J. C. Dehnert, I. Horn, N. Leiser, and G. Czajkowski,
“Pregel: A system for large-scale graph processing,” in SIGMOD, 2010.
M. Zharia, M. Chowdhury, T. Das, A. Dave, J. Ma, M. McCauley, M. J. Franklin, S. Shenker, and I.
Stoica, “Resilient distributed datasets: A fault-tolerant abstraction for in memory cluster
computing”, 2011.
Y. Low, J. Gonzalez, A. Kyrola, D. Bickson, C. Guestrin, and J. M. Hellerstein, “Distributed graphlab: A
framework for machine learning and data mining in the cloud,” PVLDB, vol. 5, no. 8, 2012.
A. Thusoo, J. S. Sarma, N. Jain, Z. Shao, P. Chakka, N. Zhang, S. Antony, H. Liu, and R. Murthy, “Hive a
petabyte scale data warehouse using hadoop” in ICDE, 2010.
A. F. Gates, O. Natkovich, S. Chopra, P. Kamath, S. M. Narayanamurthy, C. Olston, B. Reed, S.
Srinivasan, and U. Srivastava, “Building a high-level dataflow system on top of map-reduce: The pig
experience” PVLDB, 2009.
Apache Foundation, Hadoop, http://hadoop.apache.org/docs/current/