Skynet，全新的 Ruby MapReduce 实现

2004 年，Google 提出用于分布式数据处理的 MapReduce 设计模式，同时还提供了第一个 C++ 的实现。现在，一个名为 Skynet 的 Ruby 实现已经由 Adam Pisoni 发布。

Skynet 是可适配、可容错的、可自我更新的，而且完全是分布式的系统，不存在单一的失败节点。

Skynet 和 Google 在设计上有两点重要的区别：

• Skynet 无法向工作者（Worker）发送原生代码（Raw code），
• Skynet 利用结对恢复系统，不同的工作者会互相监控以防失败：

如果有一个工作者由于某种原因离开或者放弃了，就会有另一个工作者发现并接管它的任务。Skynet 也没有所谓的“主”管理进程，只有工作者，它们在任何时间都可以充当任何任务的主管理进程。

Skynet 的使用和设置都很容易，这也正是 MapReduce 这个概念的真正优势。Skynet 还扩展了 ActiveRecord，加入了 MapReduce 的特性，比如 distributed_find。

另一个类 MapReduce 的 Ruby 框架是 Starfish ，它已经一岁半了。可以读一读 Peter Cooper 关于 Starfish 的喜忧参半之情 。InfoQ 采访了 Adam Pisoni，谈及了 Skynet 的特性以及与 Starfish 之间的对比。

请你比较一下 Skynet 和 Starfish?在开发 Skynet 之前，我曾经研究过 Starfish，觉得它达不到我需要的健壮性。Starfish 只是个简单的系统，在可伸缩性、控制性上存 在着诸多限制。另外还有一些问题，比如 Starfish 发布任务的能力到底有多强。因为 Ruby 其实并不能打包并在网络上发送代码，只能传递引用。所以如 果说在机器 Y 上运行代码块 X，机器 Y 将仅需要在开始时调用运行代码块 X 所须依赖的那些代码。既然如此，我不明白它是如何实现分布式的。

关于 Starfish 还有一点我感到非常困惑，甚至曾经和它的作者通过 email 讨论过，那就是它如何解决使用 DRB 进行实 际代码的分发。在 Starfish 中，你只要提供一段代码以供 map 使用就行了。它会把这段代码转入到 DRB 对象中，并把这个对象的引用转发给工作者。这 样工作者线程就可以在本地执行这些代码了…但是 Ruby DRB 并不允许这样做。代码永远运行在编译它的那台机器上。因此，只要所有的工作者线程都在同一台机器上运行，那么一切都没有问题。但是一旦你试图在另一 台机器上运行工作者线程的话，尽管看起来代码好像是被发送过来的一样，但事实上代码还是在原来的机器上执行的。

Starfish 的另一个严重限制就是你不能异步地运行作业。例如，假设 Web 页面中的某个 Action 启动了一个 Map/Reduce 进程，那么在你启动了 Starfish 作业后，就无法任意行动了。谁启动了 Starfish 作业，就必须等待那个作业的完成。

你要为 Starfish 编写一些小程序，它们的代码是你将要构建其中的。如果我没有弄错的话，你无法在同一台机器上运行多种类型的 MapReduce 作业。Skynet 是一个更全面的 MR 系统，可以运行多种类型的多个作业，比如，各种不同的代码。

你可以谈一谈 Skynet 的优势么？Skynet 是构建于消息队列之上的。你可以根据可伸缩性的需要，选择使用哪一种消息队列。它目前支持 tuplespace 和 mysql。Mysql 的伸缩性比 TS 更好，因此我们选择使用 mysql。

你可以完全自由地创建作业，Skynet 都可以发布并执行这些作业。在 geni，我们通常对会异步地执行作业（这正是 Starfish 做不到的）。因此，一旦创建了新的 MR 作业后，它可以立即返回。在后端，它会把你的作业添加到队列中，并由某个工作者负责执行。然后，你可以调用作业对象，获取结果。

Skynet 也允许失败。工作者会互相关照。如果一个工作者失败了，无法及时完成任务，另一个工作者将会接起这个任务并尝试完成它。Skynet 也支持 map_data 流，也就是说，即使某个数据集非常庞大，甚至无法放在一个数据结构中，Skynet 也可以处理。

什么是 map_data 流？

大多数时候，在你准备启动一个 map_reduce 作业时，必须提供一个数据的队列，这些数据已经被分离并将被并行处理。如果队列过大，以至于无法适应于内存怎么办？在这种情况下，你就要不能再用队列，而应该使用枚举（Enumerable）。Skynet 知道去对象的调用:next 或者:each 方法，然后开始为“每一个（each）”分离出 map_task 来。通过这样的方式，不会有人再试图同时创建大量的数据结构。
你还想谈论一下其他的特性么？

还有很多特性值得一提，不过最想提醒大家的是，Skynet 能够与你现有的应用非常完美地集成到一起，其中自然包括 Rails 应用。Skynet 甚 至还提供了一个 ActiveRecord 的扩展，你可以在模型中以分布式的形式执行一些任务。在 Geni 中，我们使用这项功能来运行特别复杂的移植，它通 常涉及到在数百万的模型上执行 Ruby 代码。

Model.distributed_find(:all, :conditions => “id > 20”).each(:somemethod)

在你运行 Skynet 的时候，它将在每个模型上执行:somemethod，不过是以分布式的方式（这和你拥有多少个工作者相关）。它在向模型分发任务前不必进行初始化，甚至不必提前获取所有的 id。因此它可以操作无限大的数据集。 用户的反馈如何？MapReduce 还处在发展的初期，只有很少的人在使用它。Release 0.9.2 是一个非常关键的发布，它的很多代码得到了重写，性能得到了提升，诸多特性也获得增强。我们已经申请在 Railsconf 上做一次关于 Skynet 的报告，但是还没有收到反馈。我们也计划创建一段视频来演示如何使用 Skynet。

查看英文链接： Skynet, A New Ruby MapReduce