1. 项目背景
Hadoop C++ Extension（HCE）由百度开发的Hadoop MapReduce C++扩展框架，其诞生源于baidu/dpf组对Hadoop MapReduce稳定性、扩展性和高效率的追求。HCE将MapReduce任务的执行迁移到C++环境，从而可以避免java虚拟机由于GC机制以及JNI调用所产生的不必要内存和性能开销，提供更加精确的内存控制。同时，HCE提供了可与hadoop原生java接口想媲美的API，使得用户可以方便的编写HCE的Map和Reduce任务。
之前，我们已经对HCE进行了一系列性能测试，数据表明，比起Streaming框架的管道式数据交互处理和纯Java MapReduce的Java空间数据处理效率，HCE框架直接基于C++空间的数据处理具备先天优势。框架测试HCE对比纯Java框架约有21 – 41%的性能提升，对比streaming框架的性能提升更高。
但是，到目前为止，我们的性能测试还不够完善，并没有形成一套完整的测试和评价标准。随着HCE的不断完善，HCE也会被更多的线上应用所使用，如何准确的评估系统、线上应用甚至集群硬件配置的优劣，都会成为实际的问题。基于以上的考虑，本项目应运而生：为HCE，或者说Hadoop设计一套完善的benchmark，从而用于实现以下目标（包含但不限于）：
（1） 对比Hadoop 其他接口和HCE接口的性能，体现HCE的性能优势。
（2） 对HCE的不同版本间进行性能基准测试，从而知道HCE的进一步开发和完善。
（3） 指导服务器选型。通过不同的硬件搭配，测试Hadoop应用的性能，确定哪些硬件配置更适合Hadoop集群。
2. 相关工作
为了实现一套更加贴切实际的benchmark，我们进行了一系列调研工作，对目前存在的几个benchmark，如gridmix以及Intel HiBench做了详细的研究，同时，作为hadoop自带的benchmark gridmix，我们对其进行了更加深入的研究，并将其所包含的用例全部迁移至HCE，并进行了性能对比。
Intel HiBench 调研
Intel在Hadoop benchmark做了一些重要工作，提供了一套Benchmark suite – HiBench来对其Hadoop集群做benchmark，并通过HiTune进行性能数据采集。
HiBench选取的计算模型较为全面和综合，既包含Micro Benchmarks，又包含web search，machine learning等应用，如下表所示：
![]()
这些Benchmark程序代表的计算模型，实现方式和输入数据如下表所示：
![]()
这些benchmark程序负载的特点如下表所示：
![]()
HiBench并没有和一般的benchmark一样，给出一组性能指标，在论文中，HiBench做性能分析时用到了如下指标：
※完成时间（在做不同版本hadoop性能比较时使用）
*任务完成总时间
*各个Task的map，shuffle，sort，reduce 时间 （通过统计JobHistory获得）
※CPU使用率
*System，User，I/O wait
※内存
*Used，Cached，Swapped
※Disk I/O 吞吐率
Gridmix调研
Gridmix是hadoop自带的一个benchmark，这套benchmark实现的比较简单，仅仅使用hadoop examples包中的GenericMRLoader来产生负载，当然Gridmix使用GenericMRLoader进行不同参数以及不同迭代层次的组合，产生了几个具有一定代表性的负载：
![]()
以下是每一类负载所使用输入数据的特征，所用数据使用RandomTextWriter来生成
![]()
这些benchmark程序负载的都比较简单，没有任何复杂计算，准确的说，没有任何计算。
Gridmix并没有和一般的benchmark一样，给出一组性能指标，也没有指定任何需要得到的任何性能数据，它仅仅提供了一组典型用例。
Gridmix的HCE迁移和测试
Gridmix作为hadoop自带的一个benchmark，如果用于HCE与java原生接口以及bistreaming接口的性能比较，获得的性能结果更容易得到社区的承认，因此，我们将gridmix的所有用例都是用HCE实现了一遍，并对其进行java原生接口与HCE进行了性能评测，测试结果显示，在大数据量下（gridmix所使用的大数据量是2T），HCE相比java性能提升了接近10%，内存使用也由于java。
不过，gridmix所使用的用例并不能代表所有的hadoop使用场景，经过我们分析，gridmix的用例中，并没有明显的CPU-Bound的用例，不存在比较复杂的计算。而现实应用中，不仅存在很多I/O密集型的应用，也存在很多的CPU密集型的应用，如聚类算法，倒排索引等等。因此,gridmix并不完全符合我们的预期。
3. Benchmark设计
一个完整的benchmark应该由三部分组成：输入数据集，计算模型以及性能指标。其中最重要的是计算模型，考虑到我们的benchmark必须集专用和通用于一身的特点，我们选择了如下一些用例：
![]()
其次，根据实际的应用需要，并不是每个用例都会实现java、bistreaming、HCE三个版本，下表中给出了目前计划的每个用例的实现版本（打钩的均为计划实现，其中红色钩表示还未实现，蓝色钩表示目前有实现，但还需要进一步抽取和完善）：
![]()
4. 进展
在我们选择的计算模型中，有一部分已经有现成的实现，稍加改动就可以使用，有一部分需要完全从头实现，有一部在于公司产品中已经实现，但需要抽取出来，成为benchmark的一部分，目前已经计划的主要工作如下：
![]()
5. Benchmark初步实验数据
我们对目前已实现的部分（Java和Hce版的kmeans, terasort, sort, wordcount）的部分进行了多次实验，并对实验结果进行了简单分析。
实验环境
Hadoop/HCE版本
![]()
集群信息
![]()
实验内容
在集群上分别对运行java以及HCE版的kmeans、terasort、sort、wordcount，并对其作业完成时间、作业各阶段完成时间、集群资源使用情况的进行统计和分析。考虑到作业完成时间有一定偶然性，每个作业均重复运行三次，统计数据取平均。
数据量
![]()
实验结果
作业完成时间比较
![]()
![]()
![]()
![]()
![]()
以上数据是所有作业执行时间的比较，从平均时间上来看，除了Sort之外，HCE的执行效率均比原生Java接口要高，特别是Kmeans的两个作业，性能分别提升了32%和43%，当然，考虑到Kmeans的HCE和Java实现有细微差别（Vector的实现方式有些不同，因为找不到mahout的Vector底层实现，因此无法做到实现细节完全相同），所以Kmeans的实验结果并不是最具说服力的。Kmeans的HCE实现有待后期改善。
性能提升最不明显的是Sort，在三次执行中，其中有两次HCE的执行时间比Java短，但平均时间上来看，HCE比Java慢0.5%。考虑到Sort的三次执行中作业完成时间太不稳定，因此，其实验结果也不具有太大说服力。
在所有四个用力中，最具说服力的可能应该是Terasort了。HCE的执行时间比Java块20%左右。且三次执行结果比较也相对稳定。此外，WordCount性能提升也相当显著（30%）。
作业各阶段(平均)时间比较
![]()
![]()
![]()
![]()
以上表格中给出了作业各个阶段的平均完成时间。从表中可以发现，在执行时间很短的一些步骤中（如各个作业的Sort，以及WordCount的Reduce阶段），Java的执行效率比HCE要高，从这个现象可以看出，HCE在数据量较少的情况下优势并不明显，而JNI之类的调用开销成了决定其执行时间较长的因素。而在数据量比较大时（比如出WordCount之外其他作业的Reduce阶段，以及所有作业的Map和Shuffle阶段）HCE的优势就逐渐展现出来了。
这里我们还要特别关注Sort用力，在上一节的作业执行时间比较中，我们发现Sort的Java和HCE版本并没有什么差距，但当我们关注各阶段时间时会发现，HCE的四个阶段均比Java快。
集群资源使用情况
以下集群资源使用图，只采集了benchmark某一次运行的数据，“HCE作业执行期间”表示Benchmark中四个用例的Hce版本全部运行的时间段，同样，“Java作业执行期间”表示所有四个作业的Java版本执行的时间段。
![]()
![]()
以上两个曲线图分别展示了Java和Hce版本的用例在执行期间集群CPU的使用情况。相比之下，Java版用例执行期间花费了更多的CPU（Java 77.06% vs HCE 70.86%）。此外，考虑到Java版用例执行时间比HCE的执行时间还要长，更加能够体现出HCE能够更加有效的利用CPU资源这一特性。
![]()
![]()
以上两个曲线图分别展示了Java和Hce版本的用例在执行期间集群内存的使用情况。从中可以看出，HCE所使用的内存量比Java略大（Java 2.21G vs HCE 2.62G）。这可以看出，虽然HCE的C++环境下，手动内存管理相比Java的GC机制可以节省一些由于内存回收不及时带来的内存开销，但HCE环境毕竟比Java环境多开了一些进程。这些方面导致了HCE会比Java多一些内存开销。当然，这仅仅是一次作业执行的资源使用情况，不能太说明问题。
![]()
![]()
网络设备使用率方面，考虑到Java和HCE都是使用HDFS，且作业调度机制是一样的，所以网络数据流量应该相差不大，但综合考虑时间和平均网络使用率，Java版的网络流量相比更多一些，通过分析作业日志发现，Java版的Sort程序执行期间出现了比较严重的异常，导致部分作业重新执行的次数比较多，所以流量也更多一些。
(作者：xuyinfei)
