Java 分发处理时通常会有多少开销？

对于不耐烦的读者：这是一个正在进行的工作，我要求 帮助，在这个过程中。请不要根据我的判断来判断工具 临时数据，因为它们可以在我尝试获得更好结果时更改

我们正处于一个工具的决策过程中，用于分析共同模拟输出的工具。

作为这一过程的一部分，我被要求编写一个基准测试工具，并获取关于几个分布式处理框架的速度的数据

我测试的框架有：ApacheSark、ApacheFlink、Hazelcast Jet。作为比较基准，使用纯Java

我使用的测试用例是一个简单的“这里是一个pojo列表，pojo中的一个字段是一个双倍值。找到最小（min）值”

简单、直截了当，希望具有很高的可比性

四分之三的测试使用一个简单的比较器，第四个（flink）使用一个与比较器基本相同的减速机。分析函数如下所示：

Java: double min = logs.stream().min(new LogPojo.Comp()).get().getValue();

Spark: JavaRDD<LogPojo> logData = sc.parallelize(logs, num_partitions);
double min = logData.min(new LogPojo.Comp()).getValue();

Hazel: IStreamList<LogPojo> iLogs = jet.getList("logs");
iLogs.addAll(logs);
double min = iLogs.stream().min(new LogPojo.Comp()).get().getValue();

Flink: DataSet<LogPojo> logSet = env.fromCollection(logs);
double min = logSet.reduce(new LogReducer()).collect().get(0).getValue();

最有趣的部分是：

• 最好的结果都来自纯本地测试（一个实例）
• 任何使用分布式机制（附加节点等）的测试都要慢一个数量级（例如，如果分布式的话，spark要慢2.5）

现在请不要误解我的意思，分布式处理的基本逻辑是每个内核的速度必须比单线程处理慢

但是2个数量级，即使在单线程上使用？3个数量级，如果分布的话？有人能看到我在所有3个分布式进程中犯的错误吗？我希望某个因子小于10，所以用更多的硬件杀死它将是一个选择

那么，有没有办法将这些框架的开销降低到x9而不是x999

我知道我知道，我使用的测试数据非常小，但即使将其放大，我也没有看到开销与性能之间的任何减少。这大概是我们需要分析的批量数据的大小（每次模拟0.1M-1M个对象/秒）。因此，欢迎您帮助查找我的错误D

更新Spark:

在对Spark进行了更彻底的测试之后，我仍然没有留下深刻的印象。设置如下：

64核480 GB RAM作业中一台机器上的java客户端 主机和7个从机位于单独的机架上，每个机架32个COR，20 GB

    1 mio objects, 256 tasks, 64 cpus local[*]
    java:
      Instances: 
      List: 
      Process: 622, 448, 68, 45, 22, 32, 15, 27, 22, 29, 
    spark:
      Instances: 4865, 186, 160, 133, 121, 112, 106, 78, 121, 106, 
      List: 310, 2, 2, 1, 2, 4, 2, 1, 2, 1, 
      Process: 8190, 4433, 4200, 4073, 4201, 4092, 3822, 3852, 3921, 4051, 

    10 mio objects, 256 tasks, 64 cpus local[*]
    java:
      Instances: 
      List: 
      Process: 2329, 144, 50, 65, 75, 70, 69, 66, 66, 66, 
    spark:
      Instances: 20345, 
      List: 258, 2, 1, 1, 1, 4, 1, 1, 1, 1, 
      Process: 55671, 49629, 48612, 48090, 47897, 47857, 48319, 48274, 48199, 47516

    1 mio objects, 5.2k tasks, 64 cpus local, 32 cpus each on 1+1 Spark machines (different rack)
    java:
      Instances: 
      List: 
      Process: 748, 376, 70, 31, 69, 64, 46, 17, 50, 53, 
    spark:
      Instances: 4631, 
      List: 249, 1, 2, 2, 3, 3, 1, 1, 2, 1, 
      Process: 12273, 7471, 6314, 6083, 6228, 6158, 5990, 5953, 5981, 5972

    1 mio objects, 5.2k tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack)
    java:
      Instances: 
      List: 
      Process: 820, 494, 66, 29, 5, 30, 29, 43, 45, 21, 
    spark:
      Instances: 4513, 
      List: 254, 2, 2, 2, 2, 4, 2, 2, 1, 1, 
      Process: 17007, 6545, 7174, 7040, 6356, 6502, 6482, 6348, 7067, 6335

    10 mio objects, 52k tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack)
    java Process: 3037, 78, 48, 45, 53, 73, 72, 73, 74, 64, 
    spark:
      Instances: 20181, 
      List: 264, 3, 2, 2, 1, 4, 2, 2, 1, 1, 
      Process: 77830, 67563, 65389, 63321, 61416, 63007, 64760, 63341, 63440, 65320

    1 mio objects, 224*i tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack), i =0 to 100
    java Process: 722, 631, 62, 26, 25, 42, 26, 11, 12, 29, 40, 16, 14, 23, 29, 18, 14, 11, 71, 76, 37, 52, 32, 15, 51, 54, 19, 74, 62, 54, 7, 60, 37, 54, 42, 3, 7, 60, 33, 44, 50, 50, 39, 34, 34, 13, 47, 63, 46, 4, 52, 20, 19, 24, 6, 53, 4, 3, 68, 10, 59, 52, 48, 3, 48, 37, 5, 38, 10, 47, 4, 53, 36, 41, 31, 57, 7, 64, 45, 33, 14, 53, 5, 41, 40, 48, 4, 60, 49, 37, 20, 34, 53, 4, 58, 36, 12, 35, 35, 4, 
    spark:
      Instances: 4612, 
      List: 279, 3, 2, 1, 2, 5, 3, 1, 1, 1, 2, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 0, 2, 1, 1, 1, 1, 1, 0, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 
      Process: 16300, 6577, 5802, 6136, 5389, 5912, 5885, 6157, 5440, 6199, 5902, 6299, 5919, 6066, 5803, 6612, 6120, 6775, 6585, 6146, 6860, 6955, 6661, 6819, 6868, 6700, 7140, 7532, 7077, 7180, 7360, 7526, 7770, 7877, 8048, 7678, 8260, 8131, 7837, 7526, 8261, 8404, 8431, 8340, 9000, 8825, 8624, 9340, 9418, 8677, 8480, 8678, 9003, 9036, 8912, 9235, 9401, 9577, 9808, 9485, 9955, 10029, 9506, 9387, 9794, 9998, 9580, 9963, 9273, 9411, 10113, 10004, 10369, 9880, 10532, 10815, 11039, 10717, 11251, 11475, 10854, 11468, 11530, 11488, 11077, 11245, 10936, 11274, 11233, 11409, 11527, 11897, 11743, 11786, 11086, 11782, 12001, 11795, 12075, 12422

    2 mio objects, 224*i tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack), i = 0 to 30
    java Process: 1759, 82, 31, 18, 30, 41, 47, 28, 27, 13, 28, 46, 5, 72, 50, 81, 66, 44, 36, 72, 44, 11, 65, 67, 58, 47, 54, 60, 46, 34, 
    spark:
      Instances: 6316, 
      List: 265, 3, 3, 2, 2, 6, 1, 2, 1, 1, 1, 2, 2, 1, 1, 1, 1, 1, 2, 1, 1, 5, 1, 1, 1, 1, 2, 1, 1, 1, 
      Process: 24084, 13041, 11451, 11274, 10919, 10972, 10677, 11048, 10659, 10984, 10820, 11057, 11355, 10874, 10896, 11725, 11580, 11149, 11823, 11799, 12414, 11265, 11617, 11762, 11561, 12443, 12448, 11809, 11928, 12095

    10 mio objects, 224*i tasks, 64 cpus local, 32 cpus each on 7+1 Spark machines (different rack), i = 5 to 30
    java Process: 1753, 91, 57, 71, 86, 86, 151, 80, 85, 72, 61, 78, 80, 87, 93, 89, 70, 83, 166, 84, 87, 94, 90, 88, 92, 89, 196, 96, 97, 89, 
    spark:
      Instances: 21192, 
      List: 282, 3, 2, 2, 3, 4, 2, 2, 1, 0, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 1, 2, 2, 1, 1, 1, 
      Process: 60552, 53960, 53166, 54971, 52827, 54196, 51153, 52626, 54138, 51134, 52427, 53618, 50815, 50807, 52398, 54315, 54411, 51176, 53843, 54736, 55313, 56267, 50837, 54996, 52230, 52845

结果：无论有多少硬件被抛出，任务如何聚集，使用spark在列表中每百万POJO中花费5-6秒

另一方面，Java处理同样的量需要5-30毫秒，所以基本上是200-1000倍

有没有人对如何“加速”完成如此简单的工作有什么建议

更新榛子：

现在我开始给人留下深刻印象了。虽然我仍在与一些奇怪的问题作斗争，但至少Hazelcast Jet似乎明白，如果可能的话，本地数据可以在本地处理。只有100%（因数x2）的开销，这是完全可以接受的

1000万物体

java:
   Instances: 
   List: 68987, 
   Process: 2288, 99, 54, 52, 54, 64, 89, 83, 79, 88, 
hazel:
  Instances: 6136, 
  List: 97225, 
  Process: 1112, 375, 131, 123, 148, 131, 137, 119, 176, 140

更新Flink:

现在把它从基准测试中删除了，因为它造成了太多的麻烦，却没有带来好的结果

编辑：整个基准可以在以下位置找到：

spark的集群设置使用spark-2.1.0-bin-hadoop2.7，因为它是现成的。spark_env.sh中有一个微小的变化：spark_NO_DAEMONIZE=true

---

使其在集群上工作所需的唯一更改是将SparcProc第25行中的“localhost”替换为“localhost”spark://I_cant_give_you_my_cluster_IP.doo“

当您在群集框架中计算某些内容时，如Spark或Flink，框架：

• 序列化您的代码
• 发送资源请求
• 通过网络发送您的代码
• 计划执行
• 等待结果

正如你所看到的，有很多步骤，不仅仅是你的计算！如果您：

• 可以将计算拆分为小任务，这些任务可以并行完成
• 有太多的数据需要在一台机器上处理，或者在一台机器上处理可能太慢—磁盘I/O、项目或计算中的其他一些特定因素非常具体，需要许多CPU，通常不止一台机器—但是计算一部分数据必须非常长

尝试计算10 GB文本文件中单词的maks出现次数-然后Spark和Flink将击败一个节点Java

有时用户代码可能会导致分布式计算的缓慢。典型错误：

• 用户在具有许多引用的类中写入lambda-所有其他类都是序列化的，序列化需要很多时间
• 任务并不是真正并行的——它们必须相互等待，或者必须处理大部分数据
• 数据偏斜-对象可能具有适当的

  hashCode

  实现，并且

  HashPartitioner

  会导致所有数据到达一个分区=一个节点
• 分区数量不正确-您可以再添加1000台计算机，但如果您仍然有4个分区，则一次最多可以归档4个并行任务
• 太多的网络通信-在您的情况下，这不是问题，但有时用户正在进行大量的

  加入

  和

  减少

编辑问题编辑后：

---

在您的示例中，Spark在

local

-上运行，这意味着只有一个线程！至少使用

本地[*]

或其他群集管理器。您在这个答案中列出了开销，并且只有一个线程

是否有一种方法可以共享您的代码？例如，关于Github私有回购协议，我将在这里附上最重要的部分。老实说，这只是基本的东西，就在框架tuts/手册中。@AndersBernard在我的回答中添加了重要的编辑-你正在运行

local

，这意味着只有一个worker线程nod，正如前面所说，这是最快的。当然，我也用非本地测试过。。。而这更糟糕。我不会出版我们的实习生cl

java:
   Instances: 
   List: 68987, 
   Process: 2288, 99, 54, 52, 54, 64, 89, 83, 79, 88, 
hazel:
  Instances: 6136, 
  List: 97225, 
  Process: 1112, 375, 131, 123, 148, 131, 137, 119, 176, 140