ABSTRACT

In order to improve the performance of Hadoop on open-source cloud computing platform, a performance configuration optimization method based on genetic simulated annealing algorithm is proposed. Based on genetic algorithm, the configuration scheme is selected, crossed and mutated as chromosome. Combined with the principle of simulated annealing, the survival rate of new chromosome and the number of iterations of the whole algorithm are controlled to find the optimal scheme of system configuration. According to the genetic simulated annealing algorithm, the overall performance is better, and the optimization speed is faster in the long-term optimization. It can be used to solve the problem of finding the approximate optimal allocation scheme of the system through random search in the global space. Experimental results show that this method can effectively improve the efficiency of finding the optimal configuration. The proposed configuration method improves the operation speed, makes full use of resources and increases the throughput of the system.

Keywords:Genetic Simulated Annealing Algorithm, Hadoop, System Performance, Configuration Optimization

基于遗传模拟退火算法 的Hadoop 系统性能配置优化

包婉莹，罗小玲^*

内蒙古农业大学计算机与信息工程学院，内蒙古 呼和浩特

收稿日期：2020年4月21日；录用日期：2020年5月6日；发布日期：2020年5月13日

摘 要

为提高Hadoop在开源云计算平台上的性能，提出了基于遗传模拟退火算法的Hadoop系统性能配置优化方法。基于遗传算法，将配置方案作为染色体进行选择，交叉和变异。结合模拟退火原理，控制新染色体的存活率和整个算法的迭代次数，找到系统配置的最优方案。根据遗传模拟退火算法得到的整体性能较好，在长期优化中优化速度更快，可以用来解决在全局空间内通过随机搜索找出系统的近似最优分配方案的问题。实验结果表明，该方法可以有效提高寻找最优配置的效率。提出的配置方法提高了操作运行速度，充分利用了资源，增加了系统的吞吐量。

关键词 :遗传模拟退火算法，Hadoop，系统性能，配置优化

Copyright © 2020 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 前言

随着网络的迅速发展，视频和照片等在线观看和共享服务的数量逐步增加，网站需求分析和日志处理的数据也在增加。为实现日益增加的海量数据的处理，上个世纪七八十年代，人们开始研究并使用并行计算来处理一些复杂问题。到了九十年代中期开始有了对网格计算的应用。随着这些高性能计算方式的不断演化，云计算发展起来。类似谷歌云计算平台，Windows Azure云计算架构和亚马逊云计算平台等许多云计算平台不断涌现。Hadoop作为开源的云计算平台，实现了Google云计算的功能，被研究者们广泛使用 [1]。Hadoop系统是一个可以运行在一台机器或者几千台普通的商用服务器作为节点组成的集群上，可以将海量数据集进行分布式运算的开源框架。目前，它已经应用于Yahoo，FaceBook等企业，许多研究人员正在研究Hadoop平台，为提高Hadoop的性能，使它可以更好地提供高质量的服务。

2. 概述

2.1. 云计算技术

云计算通过集成、管理和分发分布在互联网上的所有计算资源来同时向用户提供服务。云计算具有规模大、泛在接入、弹性服务、按需服务、便宜等主要特征。云计算的成功与虚拟化技术、分布式文件系统、并行计算模型和非关系数据库等技术的支持密切相关 [2]。分布式开源云计算平台Hadoop是Apache的一个项目，主要用于存储和处理海量数据。Hadoop提供给组件分布式系统的工具包括数据存储、数据分析等 [3]。Hadoop可以将大量程序和数据分发给数十万台普通计算机，每台计算机作为分布式集群的节点运行，所有节点构成一个大型数据中心。Hadoop的主要思想是使用函数式编程语言，通过集群分解数据和任务，提高处理速度，备份和容错技术用来保证操作的安全性。

2.2. Hadoop体系结构

Hadoop可以将大量程序和数据分发给数十万台普通计算机，每台计算机作为分布式集群的节点运行。Hadoop的主要思想是从函数式语言(比如Lisp)中的内置函数map和reduce中得到，并将海量且结构复杂数据和任务分发到集群中每一个机器上，加快数据处理速度，同时具有备份和容错机制。Hadoop平台的架构如图1所示。

图1. Hadoop平台架构图

Hadoop的核心是HDFS分布式文件存储和MapReduce计算处理框架。这两个主要组件的使用使得Hadoop具有可拓展、成本低、安全性高、高效率等优点。此外，Hadoop还包括HBase、Pig、Hive、Sqoop、Zookeeper和Avro。这些工具的配合使Hadoop能够与当前的数据库系统进行数据交换，成为在海量数据计算领域具有文件系统、计算模型、数据库系统和管理模块等综合功能的平台。

3. 架构与方法

3.1. Hadoop性能优化

在Hadoop系统中，系统的所有管理都是通过参数配置完成的。使用Hadoop时，用户必须首先配置系统参数。作业的类型不同则对系统资源的需求也有所差别，为提高运行效率，吞吐量和系统的整体性能，每种需求都需要进行单独的参数配置。如果仅仅依赖系统的静态默认配置则无法满足所有程序的资源最优。因此，通过研究配置优化方法来改进系统的整体性能具有十分积极的意义。

首先分析影响Hadoop系统性能的主要配置属性及其之间的约束关系，提出了基于遗传模拟退火算法的性能优化方法。其次，考虑到系统中应用程序的复杂性，提出了一个自适应系统配置优化策略。为适应系统中操作类型的复杂性，该策略使用“实时优化”配置模型和“经验借鉴”配置模型来配置系统参数。

3.2. Hadoop配置属性分析及其基准程序

Hadoop系统架构主要由HDFS文件系统和MapReduce计算模型以及默认配置文件组成。在Hadoop集群中，需要配置的文件主要包括3个，分别core-default.xml，hdfs-default.xml和mapred-default.xml。这些属性的配置支撑着整个系统的运作。在不影响系统的默认配置的前提下，可以对相应的站点文件中这三部分的默认属性值进行修改。表1和表2列出了Hadoop系统的基本配置属性和影响系统性能的主要配置属性。

表1. Hadoop基本配置属性

表2. 影响Hadoop性能的主要配置属性

从配置Hadoop参数对进行Hadoop性能调优的角度而言，首先要考虑的是集群自身的特点，集群特点不同所以会有不同的参数设置。其次，集群中的参数与参数之间也具有比较复杂的制约关系，配置时要注意这些关系不被破坏，保持整体的相对平衡。此外，应用任务要在合适的执行环境下运行，这对环境也提出了不同的要求，因此需要针对任务的需要相应的调整系统配置实现任务的高效运行。

作为大数据分析平台的代表，MapReduce拥有巨大的参数空间，Hadoop的配置属性有超过180个，所有的配置属性以键值对的形式存储在XML格式化文件中。其中有70多个参数影响作业性能，直接造成MapReduce作业参数的调整艰巨而费时 [4]，表3是影响Haddoop性能的部分配置属性和默认值的示例。以下面两个属性为例分析属性配置对资源利用的影响。

表3. 影响Hadoop性能的部分属性和默认值

每个Map/Reduce任务都作为一个单独的进程运行，并且多个任务是并行处理的。如果并行运行进程太多，则会导致资源争用并降低系统的整体性能。如果这两个值设置得太高，将生成大量的磁盘同步读写操作并且争用磁盘资源。恰当的设置每个资源的map/reduce任务,平衡配置属性之间的相互约束才能够使资源可以充分利用，系统的性能达到最佳。

目前它主要依靠经验和暴力搜索来寻找最佳配置，这需要很长时间并且效果不显著。一旦集群的结构或应用变化很大，现有配置将不再存在申请，需要重新积累经验。因此，考虑一种新的配置方法来提高系统的性能是十分必要的。

基准测试程序通过测试集群按照预期运行任务来检测集群的性能，测试的结果用于调整集群的性能达到最佳状态。不同类型的工作对各种资源都有不同的需求，根据实际操作选择基准程序的类型，从而调整各种配置参数并使其性能系统实现最佳。表4列出了一些Hadoop提供的基准测试程序。

表4. Hadoopde部分基础测试程序

前四个测试程序在hadoop安装目录下的hadoop -* -test.jar中。这些程序可以很容易地以最低成本进行测试。Gridmix就在Hadoop安装目录下的src/benchmarks /目录中。与表4前四个测试程序相比，Gridmix模拟了以webdataScan，javaSort和streamSort为代表的实际集群的工作负载。MRBench面向业务数据的处理和大量数据的修改，主要处理关系数据并执行复杂的查询。NNBench用于测namenode的负载，英特尔公司还提出了一套Hadoop基准测试套件HiBench。表5是对测试用例的分析和HiBench中包含的资源特征。

表5. HiBench测试用例和它的资源特征

3.3. 实验方法

遗传模拟退火算法(GA)是一种将遗传算法与模拟火算法相结合的智能算法。遗传算法是一类借鉴生物进化规律演化而来的随机搜索方法，常用于寻优，但易陷入局部极值 [5]，模拟退火算法 [6] 是一种通过模拟热力学中固体退火原理的随机寻优算法，不易陷入局部最优。因此，提出了结合遗传算法和模拟退火算法的遗传模拟退火算法 [9]，遗传模拟退火算法是一种基于组合思想而产生的混合优化算法 [7] 以遗传算法为框架，在执行遗传操作的过程中加入退火操作 [8]。结合这两种算法，不仅可以提高本地搜索能力，也可以全球化优化，找到理想的近似最优解。使算法能更好地跳出局部极值，搜索到全局最优解 [9]。

根据遗传模拟退火算法得到的整体性能较好，在长期优化中优化速度会更快的特点，可以用来解决在全局空间内通过随机搜索找出系统的近似最优分配方案的这一类问题。以下将描述基于Hadoop配置的优化遗传模拟退火算法。

详细介绍主要操作：生成初始种群，染色体使用浮动编码方法，每个基因位置的值范围 $\left(Min,Max\right)$，随机生成的基因值是 $Min+\left(Max-Min\right)\ast Random\left(\right)$ ；

选择：轮盘赌选择方法用于生成随机数 $\gamma \in \left(0,1\right)$。 $fi$ 是一个个体，个体相对适应度是 $Pi=\frac{fi}{{\displaystyle \underset{i=1}{\overset{0}{\sum }}fi}}$，如果 ${\displaystyle \underset{k=0}{\overset{i=1}{\sum }}Pk<\gamma <{\displaystyle \underset{k=0}{\overset{i}{\sum }}Pk}}$，则 $i$ 被选中复制。

交叉：根据实数编码规则，从种群中选择两个个体以一定概率交叉 [10]，将染色体随机分成22组，用概率 $Pc$ 杂交，染色体A通过算数杂交方法相交新的染色体B，染色体随机分成组，每组包含2个染色体，通过概率 $Pc$ 执行交叉操作，染色体组($a,b$)通过算数杂交方法生成新的染色体组($a,b$)。

$a\prime =\left(1-\alpha \right)a+\beta \ast b$ $b\prime =\left(1-\beta \right)b+\alpha \ast a$ (1)

在公式中， $0<\alpha ,\beta <1,\gamma \le 1$。如果 $a^{\prime }\left(b^{\prime }\right)<Min$，那么 $a^{\prime }\left(b^{\prime }\right)=Min$。如果 $a^{\prime }\left(b^{\prime }\right)>Max$，$a^{\prime }\left(b^{\prime }\right)=Max$ 变异：基因突变以Pm的概率进行，基因c通过非均变异法形成 $c^{\prime }$ ： $\{\begin{array}{l}{c}^{\prime }=c+k\ast \left(Max-c\right)\ast \gamma \theta >0.5\\ c^{\prime }=c+k\ast \left(c-Min\right)\ast \gamma \theta \le 0.5\end{array}$，在公式中， $k\in \left(0,1\right]$，$\gamma$ 和 $\theta$ 是(0,1)间的随机数。

4. 实验和结果分析

本实验主要使用Hadoop-0.20.2平台，选择17个节点。每个节点配置如下：2.2 GHz × 2 CPU，512 MB内存，40 GB硬盘磁盘， RedHatLinuxAS4.0操作系统。选择WordCount作为基准程序，并且输入工作的大小是0.6 G；实验使用的是Hadoop默认的输入方法TextInputFormat，map的输入类型为 ，输出的key值类型是Text，输出的value值类型是IntWritable。map方法对输入的行以空格为单位进行切分，然后使用OutputCollect收集输出。

Reduce类以map的输出作为输入，因此Reduce的输入类型是 ，它的输出类型是 。Reduce类也要实现reduce方法，在本实验中，reduce函数将输入的key值作为输出的key值，然后将获得多个value值加起来，作为输出的值。

GeneName，GeneRange和GeneType三个文件都是在进行配置属性值的的规范化和染色体基因值的反规范化时使用。分别用来保存配置属性，属性值范围和属性值类型，通过这三个文件，任何类型的属性值都规范化为浮点类型。算法运行时，种群信息记录在日志文件中。

图2是在算法的每次迭代期间的最短运行时间，最长运行时间以及作业的总体平均运行时间。从中可以看出当迭代次数为60次时，所得到的解决方案基本上接近于近似值最佳解决方案，根据最长运行时间和最短运行时间曲线，算法可以保证整体朝着最佳解决方案发展。在系统的默认配置下的操作时间为92,476 ms。算法的最小运行时间是71,744毫秒，运行效率为26.4%。

图2. 当任务大小为1.2 G时的算法优化

为了验证最优方案具有一定的稳定性，同样适合类似的工作。选择用相同的规格对8个不同的任务进行实验。在最佳配置方案下，我们运行任务并记录运行时间。如表6所示，平均提高效率为24.1%，表示配置方案可以真正提高运营效率。同时，通过这个算法得到的最优配置的操作时间节省率几乎是相同的，验证了配置方案是适用于类似工作且稳定的。

表6. 比较不同工作状态下的最佳配置和默认值配置

分析用遗传模拟退火算法找到近似Hadoop系统的最优配置的这一实验，实验结果表明提出的配置提高了操作运行速度，充分利用了资源，增加了系统的吞吐量，总体而言集群的性能近似最佳。该证明方法稳定适用。

5. 讨论

5.1. 配置优化方法的比较

表7列出了基于遗传模拟退火算法的配置优化方法和基于混沌粒子群优化的配置优化方法两种算法的主要区别。在优化过程中，种群所有的染色体都在逐渐接近最优解，并且收敛速度越来越慢。整体表现都在变好，而且经过一定的经验后搜索速度更快。在混沌粒子群优化粒子使用gbest和pbest不断移动来搜索全局最优解。因此，收敛速度更快。在Hadoop系统，许多工作都有类似的资源要求。他们对系统的配置要求也大致相似。因此，新的应用被添加到种群中，我们可以继续使用基于遗传模拟退火算法对相似的种群搜索，可以加速搜索新应用最佳配置的过程。总的来说，这两种方法各有利弊。因此，不同的优化方法用于不同的情况。根据系统的要求，系统会通过适应的配置优化。

表7. 遗传模拟退火算法与混沌粒子群算法的比较

5.2. 自适应配置

通过以上分析，可以看出配置优化方法是针对特定的应用来评估性能优化。实验结果表明该算法可以在很大程度上提高Hadoop系统的性能整体效果。

6. 结论

Web2.0时代是一场互联网产业的升级换代。每天面临着网页浏览，图像上传和下载以及视频浏览等大量的数据要处理，这就需要打破传统观来应对信息爆炸的形势。云计算的出现已经改变了传统数据处理，文件存储和数据访问的方式。在开源云计算平台上对Hadoop的性能提出了一种优化方法。本文所做的工作包括：介绍云计算的概念和特征及Hadoop系统并且总结支持云计算的相关技术；考虑系统配置对Hadoop的整体性能的影响，针对具体应用提出遗传模拟退火算法和混沌粒子群优化算法两种系统配置优化方法，基于以上提出了适用于不同应用场合的自适应配置优化模型。

基金项目

内蒙古自治区自然科学基金(2019MS06015)。

文章引用

包婉莹,罗小玲. 基于遗传模拟退火算法的Hadoop系统性能配置优化
Performance Configuration Optimization of Hadoop System Based on Genetic Simulated Annealing Algorithm[J]. 人工智能与机器人研究, 2020, 09(02): 131-139. https://doi.org/10.12677/AIRR.2020.92015

参考文献