MIT6.824 - lab1

MIT6.824 - lab1

关于lab1,网上也不少的资料了。这里简单地描述一下流程。

在这里插入图片描述
需要完成的主要有下面几个部分:

1)master初始化任务,两种任务是不互相干扰的,只是有前后关系,所以启动就可以将任务加载放入到mapTaskWaittingChan和reduceTaskWaittingChan。chan本身是并发安全,较为方便。

2)master监听从worker的请求分发任务:
如果mapTaskWaittingChan非空,分发mapTask;
如果map任务全部完成,reduceTaskWaittingChan非空,分发reduceTask;
如果没有空闲的任务,两个记录运行中任务的链表都非空,就通知worker等待;
如果没有空闲任务,同时运行中任务链表均为空,通知worker任务完成;

3)worker根据接受到的任务执行对应的任务,完成后上报master。master将任务从runningList摘除。其中,涉及队列的操作都会通过一个mutex来保护。worker完成上报后,再重新发起任务请求,直至接收到master通知所有任务完成后退出。

4)master会定时检查runningList中任务,对于运行时间超过设定的阈值的任务,从runningList上摘下,放入到对应的waittingChan中,等待worker来获取任务,重新执行。

对应代码放到github中,可作参考:
https://github.com/luijianfie/MIT-6.824-2020

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
MIT 6.824 课程的 Lab1 是关于 Map 的实现,这里单介绍一下实现过程。 MapReduce 是一种布式计算模型,它可以用来处理大规模数据集。MapReduce 的核心想是将数据划分为多个块,每个块都可以在不同的节点上并行处理,然后将结果合并在一起。 在 Lab1 中,我们需要实现 MapReduce 的基本功能,包括 Map 函数、Reduce 函数、分区函数、排序函数以及对作业的整体控制等。 首先,我们需要实现 Map 函数。Map 函数会读取输入文件,并将其解析成一系列键值对。对于每个键值对,Map 函数会将其传递给用户定义的 Map 函数,生成一些新的键值对。这些新的键值对会被分派到不同的 Reduce 任务中,进行进一步的处理。 接着,我们需要实现 Reduce 函数。Reduce 函数接收到所有具有相同键的键值对,并将它们合并成一个结果。Reduce 函数将结果写入输出文件。 然后,我们需要实现分区函数和排序函数。分区函数将 Map 函数生成的键值对映射到不同的 Reduce 任务中。排序函数将键值对按键进行排序,确保同一键的所有值都被传递给同一个 Reduce 任务。 最后,我们需要实现整个作业的控制逻辑。这包括读取输入文件、调用 Map 函数、分区、排序、调用 Reduce 函数以及写入输出文件。 Lab1 的实现可以使用 Go 语言、Python 或者其他编程语言。我们可以使用本地文件系统或者分布式文件系统(比如 HDFS)来存储输入和输出文件。 总体来说,Lab1 是一个比较简单的 MapReduce 实现,但它奠定了 MapReduce 的基础,为后续的 Lab 提供了良好的基础。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值