Apache Hadoop 2.0 (Alpha)发布了

Apache Hadoop 2.0-alpha发布了，直接从0.23.x升为2.0版本，让我们再一次被Hadoop版本的混乱无序状态搞晕。本文将解析Hadoop -2.0-alpha中的新特性。

相对于Hadoop-1.x版本（为了更全面的描述Hadop 2.0中的新特性，我们没有将之与0.23.x比较），添加了以下几个功能：

1. HDFS HA (manual failover)

Hadoop HA分支merge进了该版本，并支持热切，主要特性包括：

（1） NN配置文件有改变，使得配置更加简单

（2） NameNode分为两种角色：active NN与 standby NN，active NN对外提供读写服务，一旦出现故障，便切换到standby NN。

（3） 支持Client端重定向，也就是说，当active NN切换到standby NN过程中，Client端所有的进行时操作都可以无缝透明重定向到standby NN上，Client自己感觉不到切换过程。

（4） DN同时向active NN和standby NN汇报block信息。

具体设计文档参考：https://issues.apache.org/jira/browse/HDFS-1623

当前Hadoop HA只能实现人工切换，该功能在某些情况下非常有用，比如，对NN进行升级时，先将NN切换到standby NN，并对之前的active NN进行升级，升级完成后，再将NN切换至升级后的NN上，然后对standby NN进行升级。

2. MR2/YARN

YARN是一套资源统一管理和调度平台，可管理各种计算框架，包括MapReduce，Spark，MPI等。尽管它是完全重写而成，但其思想是从MapReduce衍化而来的，并克服了它在扩展性和容错性等方面的众多不足。具体参考：

http://hadoop.apache.org/common/docs/r0.23.0/hadoop-yarn/hadoop-yarn-site/YARN.html

3. HDFS Federation

传统HDFS是master/slave结构，其中，master（也就是NameNode）需要存储所有文件系统的元数据信息，且所有文件存储操作均需要访问多次NameNode，因而NameNode成为制约扩展性的主要瓶颈所在。为了解决该问题，引入了HDFS Federation，允许HDFS中存在多个NameNode，且每个NameNode分管一部分目录，而DataNode不变，也就是“从中央集权专政变为各个地方自治”，进而缩小了故障带来的影响范围，并起到一定的隔离作用。具体参考：

http://dongxicheng.org/mapreduce-nextgen/nextgen-mapreduce-introduction/

4. 性能基准测试

该版本中为HDFS和YARN添加了性能的基准测试集，其中HDFS测试包括：

（1） dfsio基准 测试HDFS I/O读写性能

（2） slive基准 测试NameNode内部操作的性能

（3） scan基准 测试MapReduce作业访问HDFS的I/O性能

（4） shuffle基准 测试shuffle阶段性能

（5） compression基准 测试MapReduce作业中间结果和最终结果的压缩性能

（6） gridmix-V3基准 测试集群吞吐率

YARN 测试包括:

（1） ApplicationMaster扩展性基准测试

主要测试调度task/container的性能。与1.0版本比较，大约快2倍。

（2） ApplicationMaster恢复性基准测试

测试YARN重启后，作业恢复速度。稍微解释一下ApplicationMaster恢复作业的功能：在作业执行过程中，Application Master会不断地将作业运行状态保存到磁盘上，比如哪些任务运行完成，哪些未完成等，这样，一旦集群重启或者master挂掉，重启后，可复原各个作业的状态，并只需重新运行未运行完成的哪些任务。

（3） ResourceManager扩展性基准测试

通过不断向Hadoop集群中添加节点测试RM的扩展性。

（4） 小作业基准测试

专门测试批量小作业的吞吐率

具体参考：

http://hortonworks.com/blog/delivering-on-hadoop-next-benchmarking-performance/

5. Wire-compatibility for both HDFS & YARN

Hadoop RPC采用了Hadoop自己的一套序列化框架对各种对象进行序列化反序列，但存在一个问题：扩展性差，很难添加新的数据类型同时保证版本兼容性。为此，Hadoop 2.0将数据类型模块从RPC中独立出来，成为一个独立的可插拔模块，这样允许用户根据个人爱好使用各种序列化/反序列化框架，比如thrift，arvo，protocal Buffer等，默认情况采用Protocal Buffer。

http://hortonworks.com/blog/rpc-improvements-and-wire-compatibility-in-apache-hadoop/

除了以上五个特性外，还有两个非常重要的特性正在研发中，分别是：

6. HDFS快照

用户可在任意时间对HDFS做快照，这样，在HDFS出现故障时，可将数据恢复到某个时间点的状态。具体参考：

http://hortonworks.com/blog/snapshots-for-hdfs/

7. HDFS HA自动切换

前面介绍的第一个功能“HDFS HA”当前只能实现人工切换，也就是说，管理员运行某个命令，使得acitve NN切换到standby NN上。以后将支持自动切换，也就是说，监控模块可检测出active NN何时出现故障，并自动将之切换到standby NN上，这样可大大较小Hadoop集群运维人员的工作量。具体参考：

http://s.apache.org/hdfs-autofailover