MIT 6.824 Lab 1 MapReduce-CFANZ编程社区

MapReduce

MIT 6.824 Lab 1 MapReduce_系统架构

目标

根据论文所说明的，有MASTER和WORKER两类工作节点，以下实现大都按照论文所说的实现，但是在对MASTER的实现上有所改动：

MASTER向WORKER发送心跳检测，这里改为了对分配出去的任务进行超时监控。

MASTER：

接收MapReduce任务（需要处理的文件），并生成对应的Map任务。
接受WORKER的任务分配请求，按需给WORKER分配任务（Map or Reduce）。
对分配给WORKER的任务（Map or Reduce）进行超时监控。
当Map任务完成时，自动创建对应的Reduce任务。
当Reduce任务完成时，结束所用工作，退出程序。

WORKER：

向MASTER提交任务分配请求。
根据MASTER的任务分配请求进行判定处理（Map、Reduce、Waite、Exit）。
当任务（Map or Reduce）完成时，通知MASTER。

实现

ProcessStatus

用来表示Master当前的状态，有如下四种：

接受完MapReduce文件，处于Maping状态。
已经成功处理完Map任务，处于Reducing状态。
所有的Map和Reduce任务都已经完成，处于Done状态。
当所有的Map（or Reduce）任务都已经分配出去，但是还没有接受到所有的成功反馈，处于Waiting状态。

type MasterStatu int

const (
    Maping   MasterStatu = 0
    Reducing MasterStatu = 1
    Done     MasterStatu = 2
    Waiting  MasterStatu = 3
)

RPC定义

提交任务分配请求（GetOneJob）

Request

type GetOneJobRequest struct {
}

Response

任务的类型，可以根据MasterStatu来判断，有四种：Map，Reduce，Waite，Done。
如果是Map任务：
需要进行Map的文件路径。
Master给当前Worker命名的编号，为了给存储中间键值的文件命名。
后续有多少个Reduce任务，为了给存储分散中间键值的文件命名。
如果是Reduce任务：
存储哪些Map任务的Worker成功了，为了寻找Reduce任务的文件。
当前Worker分配的是第几个Reduce任务。

type GetOneJobResponce struct {
    JobType MasterStatu

    FilePath     string
    WorkerNumber int
    NReduce      int

    PathList     []int
    ReduceNumber int
}

提交任务完成记录（JobDone）

Request

当前完成的是什么类型的任务，Map or Reduce。
如果是Map任务：
当前完成的Map任务的文件地址。
当前Worker的编号。
如果是Reduce任务：
当前完成的Reduce任务的编号。

type JobDoneRequest struct {
    JobType MasterStatu

    FilePath string

    WorkerNumber int
}

Response

type JobDoneResponse struct {
}

Master

Master的结构体描述，有当前状态、Map任务、Reduce任务等。

type Master struct {
    Mu           sync.Mutex
    Statu        MasterStatu
    NReduce      int
    NMapJob      int
    WorkerNumber int // 进行reduce任务的时候，给worker编号，为了存放intermediate信息

    MapJob     map[string]bool // 没有开始做的MapJob，按照文件拆分
    MapJobDone map[string]int  // 已经做完的MapJob，存放(key = file, value = worknumber)
    MapJobList []int           // 存放所有的worknumber

    ReduceJob     map[int]bool // 没有开始做的ReduceJob，按照 0 ～ nReduce 编号
    ReduceJobDone map[int]bool // 已经做完的ReduceJob
}

GetOneJob

根据Rpc的定义，应该有一个分配任务的函数，这里分配任务也应该是按照Master当前的状态去分配：

func (m *Master) GetOneJob(req *GetOneJobRequest, resp *GetOneJobResponce) error {
    m.Mu.Lock()
    defer m.Mu.Unlock()

    switch m.Statu {
    case Maping:
        JobType, FilePath, WorkerNumber := m.AssignMapJob()
        resp.JobType = JobType
        resp.FilePath = FilePath
        resp.WorkerNumber = WorkerNumber
        resp.NReduce = m.NReduce
    case Reducing:
        JobType, PathList, ReduceNumber := m.AssignReduceJob()
        resp.JobType = JobType
        resp.PathList = PathList
        resp.ReduceNumber = ReduceNumber
    case Done:
        resp.JobType = Done
    }

    return nil
}

AssignMapJob
如果没有MapJob说明，所有任务都在执行，并且还有任务没有完成，所以Worker应该是要进入Waite，否则一定有Map任务分配给Worker，任取一个MapJob出来即可，对应的要开一个协程来对超时的任务进行重加载。

func (m *Master) AssignMapJob() (MasterStatu, string, int) {
    if len(m.MapJob) == 0 {
        return Waiting, "", 0
    }
    // 找到map任务
    JobType := Maping
    FilePath := ""
    for k := range m.MapJob {
        FilePath = k
        break
    }
    delete(m.MapJob, FilePath)
    go MapJobTLE(FilePath, m)
    return JobType, FilePath, m.GetWorkerNumber()
}

AssignReduceJob
具体逻辑同AssignMapJob。

func (m *Master) AssignReduceJob() (MasterStatu, []int, int) {
    if len(m.ReduceJob) == 0 {
        return Waiting, []int{}, 0
    }
    // 一定找到一个任务
    ReduceNumber := 0
    for k := range m.ReduceJob {
        ReduceNumber = k
    }
    delete(m.ReduceJob, ReduceNumber)
    go ReduceJobTLE(ReduceNumber, m)
    return Reducing, m.MapJobList, ReduceNumber
}

JobDone

这里通知的只有两种状态：Map or Reduce。由于是并发，所以只要记录第一个完成该任务的信息即可。

当所有Map任务都完成时，记得初始化Reduce任务，并切换进入Reducing状态。

当所有Reduce任务都完成时，同样也是切换进入Done状态。

func (m *Master) JobDone(req *JobDoneRequest, resp *JobDoneResponse) error {
    m.Mu.Lock()
    defer m.Mu.Unlock()

    switch req.JobType {
    case Maping:
        _, done := m.MapJobDone[req.FilePath]
        if !done {
            m.MapJobDone[req.FilePath] = req.WorkerNumber
            delete(m.MapJob, req.FilePath)
        }
        if len(m.MapJobDone) == m.NMapJob {
            m.initReduceJob()
        }
    case Reducing:
        m.ReduceJobDone[req.WorkerNumber] = true
        delete(m.ReduceJob, req.WorkerNumber)
        if len(m.ReduceJobDone) == m.NReduce {
            m.Statu = Done
        }
    }
    return nil
}

Worker

Worker的入口函数，具体作用就是不断地向Master发送Rpc请求，去获取任务。

DoMap和DoReduce的实现可以直接参照给定的参考程序，基本逻辑都是差不多的，一些区别：

Map的中间键值需要通过ihash函数将其分为nReduce份存储。
Reduce应该是从多份文件中读到中间键值再进行操作。

func Worker(mapf func(string, string) []KeyValue, reducef func(string, []string) string) {
    for {
        resp := &GetOneJobResponce{}
        ok := call("Master.GetOneJob", &GetOneJobRequest{}, resp)
        if !ok || resp.JobType == Done { // master已经关闭，或者任务执行完了
            return
        }
        // fmt.Printf("%v\n", resp)
        switch resp.JobType {
        case Maping:
            DoMap(mapf, resp.FilePath, resp.WorkerNumber, resp.NReduce)
        case Reducing:
            DoReduce(reducef, resp.PathList, resp.ReduceNumber)
        case Waiting:
            time.Sleep(5 * time.Second)
        }
    }
}

成果

MIT 6.824 Lab 1 MapReduce_mapreduce_02