弹性分布式数据集（RDD）

在这篇文章中，我将提到RDD论文，“ 弹性分布式数据集：内存中群集计算的容错抽象” 。 如果您没有阅读有关Spark的文章，我强烈建议您从这里阅读： Spark：带有工作集的集群计算 。

RDD抽象

RDD是一种分布式内存抽象，它利用了应用程序的性能，因为它以容错的方式适用于迭代算法和交互式数据挖掘工具。 其他集群计算框架（例如MapReduce和Dryad）缺乏利用分布式内存的抽象概念。 因此，这使得它们对于需要重用中间结果的操作效率低下。 数据重用在许多迭代式机器学习和图形算法中很常见，即K表示聚类，逻辑回归和PageRank。

RDD是只读的，不可变的，分区的记录集合。 RDD提供基于粗粒度转换（例如，映射，过滤和联接）的接口，以提高容错效率，并在Spark中实现。 要使用Spark，开发人员需要编写驱动程序，并将其连接到一组工作程序。 驱动程序定义一个或多个RDD，并对其调用操作，并且驱动程序上的Spark代码跟踪RDD的沿袭。

RDD模型的优点

由于RDD是分布式内存抽象，因此可以将其与DSM（分布式共享内存）系统进行比较。 RDD具有足够的信息，它是如何从其他数据集中获得的，因此程序无法引用在故障后无法重建的RDD。 RDD不具有DSM系统所具有的类似检查点的机制，并且由于故障的原因，RDD丢失的分区仅需要重新计算即可在不同节点上并行执行。

运行时基于批量操作中的数据局部性来调度任务，以提高性能。 同样，当RAM上没有足够的内存时，它们可以存储在磁盘上，这将提供与当前数据并行系统类似的性能。

不适合RDD的应用

RDD最适合将相同操作应用于数据集所有元素的批处理应用程序。 RDD将不太适合对共享状态进行异步细粒度更新的应用程序，即用于Web应用程序的增量Web搜寻器或存储系统。

评价

迭代机器学习应用程序的性能比较结果：

交互式查询响应时间比较：

结论

RDD是集群计算中一种高效，通用且容错的数据共享抽象，适用于迭代式机器学习算法。 RDD提供了一个基于粗粒度转换的API ，可以使用lienage恢复数据。 在迭代应用程序中，Spark中实现的RDD的性能要比Hadoop高出20倍，并且可以交互地用于查询大量数据。

翻译自: https://www.javacodegeeks.com/2015/06/resilient-distributed-datasets-rdds.html