向上扩展或向外扩展？还是两者兼顾？​

在过去的 20 年里，IT 行业的主要趋势是向外扩展。​从大型机到 Unix 和 / 或 Windows 服务器组成的网络，再到 Google 发明并由 Apache Hadoop 改进的 MapReduce 系统​，向外扩展的方式证明了它的价值。但最近在 LinkedIn Hadoop 用户组（需要成员资格）里有一个有趣的讨论，​内容是针对使用 MapReduce 和胖节点（Fat Node）的“大数据”分析，向上扩展 GPU。

这个讨论是由 Suleiman Shehu 发起的，​延续了他 5 个月前的一篇博文的内容，​文中提到：​

过去的两年里​，​包含 1000 个​普通 CPU 的大集群，运行着 Hadoop MapReduce，驱动着涉及成百 TB 信息的“大数据”的分析处理​。​现在，新一代的 CUDA GPU​创造了潜在的“大数据”分析的颠覆性技术​，使用更小的混合 CPU-GPU 集群。相比传统的运行 Hadoop MapReduce 的 CPU 集群，​这些小型 - 中型的混合 CPU-GPU 集群只需 1/10 的硬件成本、1/20 的电力消耗就可以获得 500x 甚至更快的速度。​这项颠覆性的技术进步​让小公司和组织能和那些可以负担非常大的 Hadoop CPU 集群来分析“大数据”​的公司进行竞争。​

考虑到能节省大量成本，并获得重大性能提升，Shehu 的主要问题是：​

有了 Hadoop MapReduce，我们是否可以发挥最新一代的 Fermi GPU 的并行处理能力​，结合 MapReduce 模型的简单性，创造出更小的，可以负担得起的 CPU-GPU 集群，用于实时“大数据”​分析？​

在他的博客中，Shehu 断言实现此类集群最合适​的方法是把数据节点向上扩展成胖节点。​他提出胖节点的作用是把尽可能多的处理​放在本地节点上，这些节点的架构设计特性如下：​

• 使用双 12 核 CPU，每个 CPU 用 64GB 或更多 RAM，每个节点 24 CPU 核心和 124GB RAM。
• 为双 CPU 连接 10 个或更多 GPU，提供 4,800 GPU 处理核心，每个节点可以提供超过 10 TFLOPS 的处理能力。
• 用高速固态驱动器替换本地硬盘，每个使用 PCI Express 的 SSD 都有 200K IOPS 或更高吞吐量。在单个节点上，多个 SSD 可以组合在一起并行运行，达到超过 220 万 IOPS 的吞吐量。
• 节点之间的网络使用 40Gb/s 的 InfiniBand 网络连接。结合传输速度达到每秒 90M MPI 消息、跨 PCIe 双总线的网络连接到其他节点，完全可以达到一个大型 Hadoop 集群的消息传输能力。

基于此，Shehu 认为：​

设计一个能发挥如今 GPU 技术​的 MapReduce 变体，可以​显著降低“大数据”分析的前期集群构造和能源消耗成本，与此同时还能利用 MapReduce 模型降低软件开发的成本。​

尽管从技术上来讲这个 MapReduce 实现可以提升整个集群的性能，但讨论的一个参与者 Vladimir Rodionov 提出了关于此类集群的数据容量问题。传统 Hadoop 集群的优势之一是可以存储上 PB 的数据，而较小的“胖节点”​集群要求每个节点有更多带独立控制器的磁盘存储​，这会抬高集群的​价格。​

Gerrit Jansen van Vuuren 的另一个评论也持有相同观点：​

… Hadoop 的设计不是针对处理器密集型任务的，而是数据密集型任务——“大数据”​。…无论你的 RAM、CPU/GPU 有多快，你还是要从磁盘、SSD 或其他存储中读取那么多字节。…也许能更好地运行在这种面向计算的平台​上的软件框架是与 Grid Gain 类似的东西。​

Shehu 答复了这些评论：​

… 有很多 Hadoop 用户目前正在使用 Hadoop 来进行上 TB 数据的分析处理​，他们也把自己的数据定义为“大数据”​。所以说这个术语​并非一成不变的。​因为 Hadoop 不是设计来执行分析处理的，​所以我们有不少 MapReduce 变体​，例如 Twister Iterative MapReduce、Hadoop++ 等等，它们更关注于运行分析类 M/R 查询。我相信这是 M/R GPU 集群最初的领域。​

Hadoop 集群中使用的普通服务器的定义正在快速改变。两三年前的高端服务器​现在就很普通。因此，今天的集群正获得越来越多的计算能力。无论我们是否意识到了，map-reduce 计算变得更快了。​真正的问题是我们是否可以两者兼得——在单个集群中有​大数据存储和执行计算密集型任务（利用特定硬件）​而不会耗尽资源，或者我们真的需要开始分别对待这两个问题​，定义两种不同的方法。

阅读英文原文：​ Scale-up or Scale-out? Or both?