解析百度开放云分布式计算平台对大数据的处理

在百度开放云总经理刘旸看来，当今世界正面临着由技术突破带来的全行业升级，在这场商业剧变中，背后是三个重要的「重新定义」：第一，云计算重新定义了「it」。它改变了企业所需要的 it 资源的拥有与供给的方式，基于互联网级的资源管理平台，彻底改变了传统企业的 it 模式，为新的商业创新提供了可能；

第二，大数据重定义了「资产」，相较于以往的重资产，企业在经营中不断生成的数据，将成为企业未来继续生存并保持竞争力的砝码；第三，人工智能重定义了「效率」，通过语音、图像、视频、自然语言识别和智能处理等技术，让传统的计算机具备更为强大的能力，大幅提升工作效率。

基于以上三个重新定义，百度开放云的重新堆栈也分为三层：云计算层、大数据应用层、和人工智能层。

处理大数据无非以下四个步骤：

收集：原始数据种类多样，格式、位置、存储、时效性等迥异。数据收集从异构数据源中收集数据并转换成相应的格式方便处理。
存储：收集好的数据需要根据成本、格式、查询、业务逻辑等需求，存放在合适的存储中，方便进一步的分析。
变形：原始数据需要变形与增强之后才适合分析，比如网页日志中把ip地址替换成省市、传感器数据的纠错、用户行为统计等。
分析：通过整理好的数据分析what happened、why it happened、what is happening和what will happen，帮助企业决策。

其实，如果涉及到“大数据”，不得不提百度最大的业务——搜索。百度搜索已经收录全世界超过一万亿的网页，每天响应中国网民大约几十亿次的请求。除此之外，百度还有另外20多个用户过亿的产品线，而且各个产品底层的大规模数据处理，都需要使用百度团队维护的大数据处理平台。

百度分布式计算平台：离线引擎优化

关于mapreduce

首先介绍主要的离线计算模型——mapreduce，百度从2007年开始引进hadoop 0.15.1，随后快速发展，2011年百度的mr单集群规模达到5000台，到2013年已经多达1.3万台，这也是截止到目前为止全世界最大的单集群。hadoop全集群规模为10万量级, 作业量达到了百万量级，日均cpu利用率超过80%，远超业界同行，百度开放云()底层依赖的大规模集群调度、资源隔离等技术能力世界领先。除了在规模方面不断扩大，百度一直在hadoop性能分析方面进行了大量的优化。2013年的测试结果显示，百度内部mr实现相比于开源hadoop性能提升30%。典型优化，例如hadoop中的shuffle，百度将其做成一个统一的shuffle服务，不再占用map或reduce槽位。比如对关键热点函数采用sse向量化等。

2014年，百度继续对计算引擎做了大幅优化， native c++实现的dag引擎正式上线。下图是一个 4轮mr job实现的典型业务流示例，dag引擎上线后，可以优化成一个dag作业，可以避免3次reduce写多副本引入的磁盘io及网络io，还可以规避2次map读hdfs的io以及处理耗费。

下图是一个真实业务由sql计算表示层翻译下来的，基于mr引擎时，sql会翻译成25个mr job，如果百度把它优化成dag，能够避免很多次磁盘io操作。在优化之后，运行时间直接缩减到1个小时，优化前后的差异非常显著。

内存流式shuffle

2014年，百度对shuffle进行重大重构，初期实习生同学完成的demo以baidusort名义参与了2014年sort benchmark大数据排序国际大赛，并获得冠军（2015年百度没再参加，国内其他公司以同样技术通过更大规模集群刷新记录）。2015年，新shuffle技术完成全面上线。hadoop默认shuffle实现为基于磁盘pull模式，计算过程显式分成map、shuffle、reduce过程；baidu研发的新shuffle采用内存流式push模式，map端完成部分记录处理后直接从内存中将计算结果推送给下游。

举例来说，map处理256mb输入数据，在内存流式shuffle模式下，处理完100条记录以后，直接通过内存推送到下游，这样就形成流水线方式处理。不再有显式的shuffle阶段。

目前，该shuffle组件为通用组件，正逐步推广到其他分布式计算平台中。

百度分布式计算平台：系统架构演进

前面重点介绍了百度开放云bmr服务中涉及到的规模、性能方面优化思路和效果，接下来跟大家一起分享一下，百度遇到的整体架构方面挑战以及优化思路。

2012年系统架构中，最主要的两个离线计算平台，左边是以mapreduce模型为主的批量计算平台bmr，右边是mpi /bsp模型为主的大规模机器学习平台bml。从最下面可以看到，mapreduce和mpi模型底层硬件就有较大差异。hadoop分布式文件系统多副本以及强大的故障处理机制，使得raid卡完全没有必要，采用多块超大容量sata硬盘非常适合。

而mpi差别较大，mpi是一个消息传输框架，它在设计之初就没有考虑太多异常处理，因此它对底层系统可靠性要求非常高。百度采用了非常高配置的服务器，例如带raid卡的sas硬盘，超大内存、万兆互联等。

bmr hadoop由大量sata硬盘的服务器构成，存储系统为hdfs，资源调度层面百度有自研的调度器ark（与社区yarn比较类似）。而bml大规模机器学习平台上，支持的业务样本超过数百亿计量级，特征规模也远超百亿。百度在运行机器学习时，需要先启动mapreduce，然后再将数据从hdfs分发到各个mpi节点，这种方式对网络带宽的要求很高。

系统部同事持续改进内网带宽的同时，bml平台层面也在思考应该如何解决跨mr和mpi俩大集群间的日益严重的网络带宽问题。

另外还有一个需求：mpi是一种事务性调度模型，比如一个业务需要200台机器,如果平台此时只有199台机器空闲，实际也很难用起来（除非修改提交参数，但涉及输入数据重新分块处理等比较复杂）。另外mpi计算往往显式分为计算、传输、计算等阶段（即bsp模型），因此资源利用波动性较大，例如cpu计算阶段，网络空闲；网络传输或全局同步阶段，cpu空闲。为解决这个问题，百度在mpi集群中引入idle计算，idle业务资源占用充分可控，典型的idle任务如mapreduce任务，而执行mr任务又会进一步加剧mr集群和mpi集群间网络带宽问题。

基于以上考虑，百度正式将mpi底层硬件替换为替换成高配置存储型服务器，硬盘同构，文件系统都采用hdfs，bml算法输入和输出均通过hdfs，不再是本地文件系统。

bml机器学习执行引擎层面，百度基于mpi封装了dvce（distributed vectorcomputingengine）分布式向量计算引擎，屏蔽mpi过于低层的编程接口,通过高层抽象自动翻译为mpi任务，这就是百度第二代专门针对“并行计算”开发的系统框架。

2014年，bml机器学习执行引擎迁移到elf第三代并行计算框架， elf采用parameterserver架构，大幅降低机器学习算法开发代价，对比于百度的第二代框架dvce，在开发效率方面有大幅度的提升。离线计算方面，完成了native c++ dag引擎上线，百度内部叫dce（distributed computingengine）。

2014年bmr和bml底层都采用matrix完成资源分配与隔离，其他平台如小批量计算系统taskmanager和毫秒级计算延迟的dstream系统，都基于业务需求特殊性，采用独立的资源隔离和调度系统。

2015年的架构改进，主要是将所有的计算模型均迁移到matrix+normandy架构。normandy兼容社区yarn调度接口，开源社区新型兴计算平台可以很轻松的接入到百度的计算生态里。

百度已经介绍了百度大数据分析和挖掘平台主要的底层引擎和架构，接下来谈一下最新思考。

系统底层是idc硬件，接着是matrix，再是normandy，然后是几个主要的引擎。之前介绍底层架构的统一，比如在硬件、调度、存储等方面的统一。实际上各个系统对外的结果，都有自己的接口，如果要使用mr，很多人写mr程序都是直接调用hadoop原生接口，配置涉及到的多个参数。部分业务还需要流式系统完成日志清洗，在经过mapreduce模型批量预处理，随后通过elf完成机器学习模型训练，最后再通过mapreduce模型完成模型评估，可见一个业务需要跨越多个模型，需要业务线同学同时熟悉很多模型和平台，而每一个模型又有各自特点和接口。只有足够了解模型的细节和接口后，才能真正的利用好该模型。

于是百度正式立项bigflow项目（原项目名dataflow，图片未来及修改），将模型的细节屏蔽。平台自动决定选择合适的并发度，甚至智能选择应该把这个翻译到哪个计算模型。bigflow可以支持多个不同的计算引擎（每个引擎在其适合的领域做到极致），充分发挥各引擎性能和功能。所以用户使用同一套接口，便能对应到不同的任务。由于采用高层抽象，业务开发效率获得大幅提升，代码量大幅减少，其维护成本也大幅降低。bigflow集成常见优化手段，因此将大幅提升平台有效资源占用。

百度开放云——大数据+智能

最后，向大家简要介绍百度开放云。2014年，百度正式决定将服务内部业务多年的云计算技术正式对外提供服务，即百度开放云，对应官网http://cloud.baidu.com。百度开放云大数据方面，bmr已经对外开放，而更多的大数据分析和服务都还未对外开放。bmr集群上可以做到按需部署，用户专享，更关键的是完全兼容开源的hadoop/spark平台，开放云客户基于hadoop、spark、hbase等已经实现的大数据业务几乎不用修改就可以平滑迁移到云上。多维分析服务palo，它完全兼容mysql网络协议，因此，客户朋友们熟悉的mysql client的工具均可使用。

同时，palo支持jdbc、odbc的编程接口，如果已有程序采用的是jdbc、odbc，那么迁移成本几乎为零。最后看到它与业界主流的bi工具商业分析的工具对接的，比如tableau、saiku、biee、r。

最后再介绍机器学习云服务bml，bml中提供的深度学习技术，曾获得2014年百度最高奖。bml提供端到端的解决方案，里面提供的算法均服务百度内部业务多年，典型如网页搜索、百度推广（凤巢、网盟ctr预估等）、百度地图、百度翻译等。

使用开放云bmr和bml、palo等，就可以立刻、直接享用与百度搜索同等品质的大数据分析和挖掘服务！