上一篇萬(wàn)字長(zhǎng)文細(xì)說(shuō)了MapReduce架構(gòu)設(shè)計(jì)，為什么有人說(shuō)，MapReduce系統(tǒng)架構(gòu)，顛覆了互聯(lián)網(wǎng)分層架構(gòu)的本質(zhì)？

下圖是一個(gè)典型的，互聯(lián)網(wǎng)分層架構(gòu)：

• 客戶端層：典型調(diào)用方是瀏覽器browser或者手機(jī)APP；
• 站點(diǎn)應(yīng)用層：實(shí)現(xiàn)核心業(yè)務(wù)邏輯，從下游獲取數(shù)據(jù)，對(duì)上游返回html或者json；
• 服務(wù)層：業(yè)務(wù)服務(wù)，數(shù)據(jù)服務(wù)，基礎(chǔ)服務(wù)，對(duì)上游提供友好的RPC接口；
• 數(shù)據(jù)緩存層：緩存加速訪問(wèn)存儲(chǔ)；
• 數(shù)據(jù)固化層：數(shù)據(jù)庫(kù)固化數(shù)據(jù)存儲(chǔ)；

同一個(gè)層次的內(nèi)部，例如端上的APP，以及web-server，也都會(huì)進(jìn)行MVC分層：

• view層：展現(xiàn)；
• control層：邏輯；
• model層：數(shù)據(jù)；

工程師骨子里，都潛移默化的實(shí)施著分層架構(gòu)設(shè)計(jì)。

互聯(lián)網(wǎng)分層架構(gòu)的本質(zhì)究竟是什么呢？

如果我們仔細(xì)思考會(huì)發(fā)現(xiàn)，不管是跨進(jìn)程的分層架構(gòu)，還是進(jìn)程內(nèi)的MVC分層，都是一個(gè)“數(shù)據(jù)移動(dòng)”，然后“被處理”和“被呈現(xiàn)”的過(guò)程。

如上圖所示，數(shù)據(jù)處理和呈現(xiàn)，需要CPU計(jì)算，而CPU是固定不動(dòng)的：

• db/service/web-server都部署在固定的集群上；
• 端上，不管是browser還是APP，也有固定的CPU處理；

而數(shù)據(jù)是移動(dòng)的：

• 跨進(jìn)程的：數(shù)據(jù)從數(shù)據(jù)庫(kù)和緩存里，轉(zhuǎn)移到service層，到web-server層，到client層；
• 同進(jìn)程的：數(shù)據(jù)從model層，轉(zhuǎn)移到control層，轉(zhuǎn)移到view層；

歸根結(jié)底一句話：互聯(lián)網(wǎng)分層架構(gòu)，是一個(gè)CPU固定，數(shù)據(jù)移動(dòng)的架構(gòu)。

MapReduce的架構(gòu)，是不是也遵循這個(gè)架構(gòu)特點(diǎn)呢？

假如MapReduce也使用類似的的分層架構(gòu)模式：

提前部署服務(wù)：

• map服務(wù)層：接收輸入數(shù)據(jù)，產(chǎn)出“分”的數(shù)據(jù)，集群部署M=1W個(gè)實(shí)例；
• reduce服務(wù)層：接受“合”的數(shù)據(jù)，產(chǎn)出最終數(shù)據(jù)，集群部署R=1W個(gè)實(shí)例；

當(dāng)用戶提交作業(yè)時(shí)：

• 把數(shù)據(jù)數(shù)據(jù)傳輸給map服務(wù)集群；
• map服務(wù)集群產(chǎn)出結(jié)果后，把數(shù)據(jù)傳輸給reduce服務(wù)集群；
• reduce服務(wù)集群把結(jié)果傳輸給用戶；

存在什么問(wèn)題？

將有大量的時(shí)間浪費(fèi)在大量數(shù)據(jù)的網(wǎng)絡(luò)傳輸上。

畫外音：輸入給map，map給reduce，reduce給用戶。

會(huì)發(fā)現(xiàn)，“固定CPU，移動(dòng)數(shù)據(jù)”的架構(gòu)并不適合。

Google MapReduce工程架構(gòu)是如何思考這一個(gè)問(wèn)題的呢？

問(wèn)了減少數(shù)據(jù)量的傳輸：

(1) 輸入數(shù)據(jù)，被分割為M塊后，master會(huì)盡量將執(zhí)行map函數(shù)的worker實(shí)例，啟動(dòng)在輸入數(shù)據(jù)所在的服務(wù)器上；

畫外音：不需要網(wǎng)絡(luò)傳輸了。

(2) map函數(shù)的worker實(shí)例輸出的的結(jié)果，會(huì)被分區(qū)函數(shù)劃分成R塊，寫到worker實(shí)例所在的本地磁盤；

畫外音：不需要網(wǎng)絡(luò)傳輸了。

(3) reduce函數(shù)，由于有M個(gè)輸入數(shù)據(jù)源（M個(gè)map的輸出都有一部分?jǐn)?shù)據(jù)可能對(duì)應(yīng)到一個(gè)reduce的輸入數(shù)據(jù)），所以，master會(huì)盡量將執(zhí)行reduce函數(shù)的worker實(shí)例，啟動(dòng)在離這些輸入數(shù)據(jù)源盡可能“近”的服務(wù)器上；

畫外音：目的也是最小化網(wǎng)絡(luò)傳輸；

服務(wù)器之間的“近”，可以用內(nèi)網(wǎng)IP地址的相似度衡量。

所以，對(duì)于MapReduce系統(tǒng)架構(gòu)，“固定數(shù)據(jù)，移動(dòng)CPU”更為合理。

這是為什么呢？

互聯(lián)網(wǎng)在線業(yè)務(wù)的特點(diǎn)是：

• 總數(shù)據(jù)量大；
• 吞吐量比較大，同時(shí)發(fā)起的請(qǐng)求多；
• 每個(gè)請(qǐng)求，處理的數(shù)據(jù)相對(duì)比較小；
• 用戶對(duì)處理時(shí)延比較敏感；

這類業(yè)務(wù)，使用“固定CPU，移動(dòng)數(shù)據(jù)”的分層架構(gòu)是合理的。

MapReduce離線業(yè)務(wù)的特點(diǎn)是：

• 吞吐量比較小，同時(shí)發(fā)起的任務(wù)比較少；
• 每個(gè)任務(wù)，處理的數(shù)據(jù)量非常大；
• 用戶對(duì)處理時(shí)延容忍性大；

這類業(yè)務(wù)，使用“固定數(shù)據(jù)，移動(dòng)CPU”的分層架構(gòu)是合理的。

任何脫離業(yè)務(wù)的架構(gòu)設(shè)計(jì)，都是耍流氓。

知其然，知其所以然。

思路比結(jié)論更重要。