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 20:009374

评论

发布
暂无评论
发现更多内容

那天,我收到了一封钓鱼邮件...

权说安全

天谋科技时序数据库管理系统 IoTDB 入选数据库领域顶级学术会议 ACM SIGMOD

Apache IoTDB

时序数据库 IoTDB Apache IoTDB SIGMOD

多线程知识:三个线程如何交替打印ABC循环100次

越长大越悲伤

Java 面试 多线程

业界领先生成式AI,基木鱼率先实现客服机器人“真智能”

科技热闻

软件测试 | Analysis使用基础

测吧(北京)科技有限公司

测试

Linux XArray详解

Linux内核拾遗

数据结构 Linux Kenel

限时招募高校学生,带你沉浸式体验HDC.Together 2023

HarmonyOS开发者

HarmonyOS

加速你的业务增长:选择香港云主机的六大理由!

一只扑棱蛾子

香港云主机

如何用好强大的 TDengine 集群 ? 先了解 RAFT 在 3.0 中的应用

爱倒腾的程序员

涛思数据 时序数据库 ​TDengine

OpenTiny7月8日即将正式发布!

OpenTiny社区

开源 Vue 前端 组件库

开源:老朋友,新棋局

树上有只程序猿

软件测试/测试开发丨Pytest学习笔记

测试人

Python 程序员 软件测试 pytest

测试技术的重要性与应用:现状、方法和未来展望

天翼云开发者社区

软件测试 数据测试

使用 ChatGPT 辅助程序员进行代码评审 | 社区征文

汪子熙

程序员 AI ChatGPT ChatGPT4 年中技术盘点

聚焦信息技术发展,博睿数据受邀出席产业链供需对接深度行北京站活动

博睿数据

可观测性 产业链 信息技术 智能运维 博睿数据

appuploder全过程使用教程(Windows版本)

雪奈椰子

软件测试 | 性能分析的基本原则

测吧(北京)科技有限公司

测试

天谋科技物联网原生时序数据库管理系统 IoTDB 获“可信数据库”双份权威认可!

Apache IoTDB

IoTDB Apache IoTDB 可信数据库大会

千万级学生管理系统的考试试卷存储方案

sandywrh

以科技创新驱动高质量发展,天翼云操作系统获国资委权威认证!

天翼云开发者社区

云计算

全球数字经济大会重磅发布!网心科技入选2023年中国云生态蓝皮书

网心科技

阿里云蝉联 FaaS 领导者,产品能力获最高分

Serverless Devs

云计算 Serverless

华为云田奇:大模型是人工智能的操作系统

新消费日报

【玩转 Cloud Studio】- 云编程之旅

CODING DevOps

国际开源软件圈著名专家、ASF 基金会董事 Christofer Dutz 全职加入天谋科技!

Apache IoTDB

开源 IoTDB

软件测试 | 如何分析性能测试

测吧(北京)科技有限公司

测试

数智时代的算力革命:低代码开发平台引领技术风潮

EquatorCoco

人工智能 数据 低代码 数智未来

软件测试 | 如何看Analysis分析图

测吧(北京)科技有限公司

测试

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