为什么说，MapReduce，颠覆了互联网分层架构的本质？

为什么说，MapReduce系统架构，颠覆了互联网分层架构的本质？

下图是一个典型的，互联网分层架构：

客户端层：典型调用方是浏览器browser或者手机APP

站点应用层：实现核心业务逻辑，从下游获取数据，对上游返回html或者json

服务层：业务服务，数据服务，基础服务，对上游提供友好的RPC接口

数据缓存层：缓存加速访问存储

数据固化层：数据库固化数据存储

同一个层次的内部，例如端上的APP，以及web-server，也都会进行MVC分层：

view层：展现

control层：逻辑

model层：数据

工程师骨子里，都潜移默化的实施着分层架构设计。

互联网分层架构的本质究竟是什么呢？

如果我们仔细思考会发现，不管是跨进程的分层架构，还是进程内的MVC分层，都是一个“数据移动”，然后“被处理”和“被呈现”的过程。

如上图所示：

数据处理和呈现，需要CPU计算，而CPU是固定不动的：

db/service/web-server都部署在固定的集群上

端上，不管是browser还是APP，也有固定的CPU处理

而数据是移动的：

跨进程的：数据从数据库和缓存里，转移到service层，到web-server层，到client层

同进程的：数据从model层，转移到control层，转移到view层

归根结底一句话：互联网分层架构，是一个CPU固定，数据移动的架构。

画外音：更详细的分析，详见《互联网分层架构的本质》。

MapReduce的架构，是不是也遵循这个架构特点呢？

假如MapReduce也使用类似的的分层架构模式：

提前部署服务：

map服务层：接收输入数据，产出“分”的数据，集群部署M=1W个实例

reduce服务层：接受“合”的数据，产出最终数据，集群部署R=1W个实例

当用户提交作业时：

(1) 把数据数据传输给map服务集群；

(2) map服务集群产出结果后，把数据传输给reduce服务集群；

(3) reduce服务集群把结果传输给用户；

存在什么问题？

将有大量的时间浪费在大量数据的网络传输上。

画外音：输入给map，map给reduce，reduce给用户。

会发现，“固定CPU，移动数据”的架构并不适合。

Google MapReduce工程架构是如何思考这一个问题的呢？

问了减少数据量的传输：

(1) 输入数据，被分割为M块后，master会尽量将执行map函数的worker实例，启动在输入数据所在的服务器上；

画外音：不需要网络传输了。

(2) map函数的worker实例输出的的结果，会被分区函数划分成R块，写到worker实例所在的本地磁盘；

画外音：不需要网络传输了。

(3) reduce函数，由于有M个输入数据源（M个map的输出都有一部分数据可能对应到一个reduce的输入数据），所以，master会尽量将执行reduce函数的worker实例，启动在离这些输入数据源尽可能“近”的服务器上；

画外音：目的也是最小化网络传输；

服务器之间的“近”，可以用内网IP地址的相似度衡量。

所以，对于MapReduce系统架构，“固定数据，移动CPU”更为合理。

这是为什么呢？

互联网在线业务的特点是：

总数据量大

吞吐量比较大，同时发起的请求多

每个请求，处理的数据相对比较小

用户对处理时延比较敏感

这类业务，使用“固定CPU，移动数据”的分层架构是合理的。

MapReduce离线业务的特点是：

吞吐量比较小，同时发起的任务比较少

每个任务，处理的数据量非常大

用户对处理时延容忍性大

这类业务，使用“固定数据，移动CPU”的分层架构是合理的。

任何脱离业务的架构设计，都是耍流氓。

思考问题的本质，希望大家有收获。

架构师之路-分享可落地的技术文章

《

GFS架构启示

》

《Google MapReduce解决什么问题？》

《Google MapReduce巧妙优化思路？》

《Google MapReduce架构设计实践》

《互联网分层架构的本质》