摘 要： 針對目前Hadoop平臺不能高效處理海量小文件而出現的小文件問題，提出一種基于曲線擬合最小二乘法的確定Hadoop平臺下何為小文件的方法。該方法首先確定小文件訪問時間的量化方法，然后采用訪問時間作為確立何為小文件的影響因子，通過對不同數據集大小的不同訪問時間的實驗，最終結合線性擬合的相關知識找到了小文件大小的量化方法。
關鍵詞： Hadoop；小文件問題；曲線擬合的最小二乘法；線性擬合
Hadoop[1]是一個具有高擴展性、高可靠性、高容錯性和高效性的開源軟件系統，它已成為互聯網、金融、生物信息學等領域進行大數據分析和處理的代表性云計算平臺。它由Hadoop Distributed File System（HDFS）[2]和MapReduce[3]兩部分組成，其中，MapReduce主要用來處理數據密集型數據，而HDFS則主要負責大數據的存儲。
HDFS的產生得益于Google File System（GFS）[4]，它遵循一次寫、多次讀的流數據訪問模式，采用Master-Slave架構，其中的Master，即NameNode，作為單一的節點來管理整個文件系統中所存儲數據的元數據。為了快速響應客戶端的讀寫請求，NameNode將文件的元數據存放在內存當中。HDFS設計之初就是為了處理海量大文件的，因此，它能高效地存儲和處理海量大文件的讀寫請求。然而，HDFS不能高效地處理海量小文件，小文件問題[5]由此產生。目前，學術界關注的小文件問題有：（1）海量小文件耗費主節點內存；（2）海量小文件的I/O效率低，沒有一種優化機制來提高I/O性能；（3）HDFS下沒有明確的能夠區分何為小文件的大小文件分界點；（4）海量小文件的放置未考慮文件相關性[6]。針對大小文件的分界點問題提出一種確定何為小文件的方法。在深入研究HDFS存儲和訪問機制的基礎上，經過海量小文件訪問、指數擬合和線性擬合等過程，確定了大小文件的臨界點。
1 相關研究
Hadoop集群分為NameNode和DataNode兩部分，NameNode負責HDFS中文件元數據的存放和對客戶端訪問的控制，DataNode則負責提供塊存儲，為客戶端的I/O請求提供服務，并根據NameNode的指令執行塊的讀寫操作。其中，NameNode為了向客戶端高效地提供元數據信息，將每個文件的元數據信息都存放在內存當中，包括文件名、相應文件對應的塊號以及持有這些塊的DataNode信息。因此，當客戶端請求創建、讀、寫和刪除等操作時，客戶端都需要先向主節點查詢元數據信息，然后跟相應的數據節點交互，執行需要的操作。
然而，NameNode節點是單一的，其對應的內存大小也是固定的，當一個大于文件塊大小的文件存儲到HDFS中時，產生的元數據僅僅由文件大小決定，但當海量小文件存儲到HDFS中時，每個小文件都會形成一個文件塊，因此會產生相當大的元數據信息，例如，假設一個文件的文件塊會產生150 B的元數據信息，對于1GB的文件，會被分成16個大小為64 MB的塊，此時會產生2.4KB的元數據，然而，對于10 600個大小為100 KB的文件（總大小1 GB），這種情況下將會產生1.5 MB的元數據信息。因此，海量小文件會占用大量的主節點內存，進而當處理海量小文件時，單一的主節點內存就會成為瓶頸，進而影響小文件的存儲和訪問性能，小文件問題由此而生。
參考文獻[7]指出小文件就是那些文件大小明顯小于HDFS默認塊大小64 MB的文件，海量小文件的產生會限制許多包含大量小文件的應用獲益于Hadoop平臺。Liu等人[8]針對包含大量小文件的典型應用WebGIS，提出了一種基于HDFS的提升小文件I/O性能的方法。基本思想就是通過小文件合并成大文件來減少文件的數目，然后為每個文件建立索引，同時考慮WebGIS的文件相關特征。實驗表明，該方法確實能夠提高Hadoop處理WebGIS下相關小文件的處理性能，但它們將文件大小小于16 MB的文件作為小文件，并且沒有具體的理論分析和實驗來證明16 MB就是大小文件的臨界值。
2 小文件量化過程
2.1 Hadoop下小文件訪問時間量化
當從HDFS中訪問一個文件時，訪問過程如下。
（1）客戶端通過初始化RPC（Remote Procedure Calls）[9]請求向NameNode發送讀指令，其時間開銷記為tCN；
（2）NameNode在內存中查詢相應文件的元數據，時間開銷記為tmetadata；
（3）所需文件的元數據返回到客戶端，時間開銷記為tNC；
（4）客戶端向相關DataNode發送讀取指令，時間開銷記為tCD；
（5）DataNode從磁盤中取出所需文件的文件塊，時間開銷記為tdisk；
（6）所需文件的相應文件塊返回到客戶端，所需時間記為tnetwork。
其中，因為tCN和tCD是發送指令所帶來的開銷，通常作為常量；同時，由于元數據非常小，tmetadata也可以當做常量；tnetwork與所讀取文件的長度（L）和網絡傳輸速度（V）有關，因此，它可以表示為δnetwork（L/V）。
假設有N個不同的小文件，文件長度分別表示為L1，L2，L3，…，Ln，那么N個文件的訪問時間可以表示為：
其中，因為對于小文件來講，每一個文件僅僅有一個塊，所以讀取塊數和文件的個數是相等的，即M和N相等，那么式（1）還可表示為：
2.2 文件隨機訪問算法
文件隨機訪問算法通過N來控制隨機數的產生個數，進而來控制隨機訪問的文件，然后調用HDFS提供的訪問API來獲取分布式文件系統中存放的文件，最終返回訪問指定文件個數的文件所需要的時間，具體算法偽代碼如下。
Input：SmallFile
Output：AccessTime
Create a collection//創建一個集合
getConfiguration（）//獲取HDFS必要的文件配置信息
for（int i=0；i<N；i++）{
//N為隨機下載的文件個數
int j=getRandom（）//獲取一個隨機數
add（j）//將隨機數添加到集合中
}
collectionIterator（）；//創建一個迭代器
Long t1=getStarttime（）
while（iterator.hasNextNumber）{
getNextValue（）//獲取迭代器中的隨機數
Path src//HDFS中符合相應隨機數的文件路徑
Path dst//訪問隨機文件的存放路徑
copyToLocalFile（src，dst）
}
Close（）//關閉分布式文件系統
long t2=getStopTime（）
output（“AceessTime”，t2-t1）
2.3 曲線擬合的最小二乘法
若要求一個函數y=S*（x）與所給數據{（xi，yi），i=0，1，…，m}擬合，若記誤差δi=y-S*（xi）-yi（i=0，1，…，m），δ=（δ0，δ1，…，δm）T，設?漬0（x），?漬1（x），…，?漬n（x）是C[a，b]上線性無關函數族，在?漬=span{?漬0（x），?漬1（x），…，?漬n（x）}中找一個函數S*（x），使誤差平方和
以上就是一般的最小二乘逼近，用幾何語言說，就成為曲線擬合的最小二乘法[10]。
3 實驗結果與分析
3.1 實驗環境
實驗所用Hadoop平臺包含6臺PC，其中1臺作為NameNode，其他5臺為DataNode，每臺機器的配置為：Intel Core 2（2.99 GHz）處理器，2 GB內存，160 GB硬盤。
所有節點均連接在1.0 Gb/s的以太網中。每臺機器的軟件環境為：操作系統采用內核為3.5.0-25的Ubuntu 12.04，集群的Hadoop版本為1.1.2，Java版本是JDK 7.0。
其中HDFS的默認副本數為3，塊大小默認為64 MB。
3.2 數據集
實驗所采用的數據集共有23個，數據集內容來自于China Daily的新聞稿，各個數據集分別命名為ds1，ds2，…ds23。每個數據集分別包含10 000個文件，數據集大小有0.5 MB~64 MB不等，具體分布情況如圖1所示。
3.3 實驗方法
分別將上述數據集上傳到空白的HDFS中，然后采用上文所提到的文件隨機訪問算法隨機獲取500個文件到本地文件系統，同時記錄下程序反饋的每個數據集的訪問時間。
每個數據集的訪問時間測試分別進行7次，然后舍棄其中的兩個最大值和兩個最小值，剩余的3組值取平均，最后以平均值作為每個數據集的實驗所得訪問時間。通過這種方法來過濾掉因網絡擁塞或者其他未知因素導致的噪聲點。
測得每組數據的平均訪問時間后，分別計算每組數據集的平均訪問速率，當HDFS默認塊大小為64 MB時，其訪問速率與文件大小在曲線擬合后的關系如圖2所示。
根據圖2圖像的變化規律可知，小文件數據集的訪問速率在一定范圍內變化顯著，隨著數據集文件大小的增大，變化逐步趨于平緩。根據指數函數的特性，為了更好地觀察其變化規律，分別對x和y軸取對數，由圖3可明顯地看到前8個數據點在一條直線上，而除此之外的其他數據點在另外的直線上，然后采用線性擬合的方法，得到兩直線交點，進而得到對應直線交點的文件大小為4.38 MB。
此外，針對dfs.blocksize默認塊大小為48 MB的情況也進行相同的實驗，得到的結果如圖4所示。其中，文件塊大小為48 MB的線性擬合后直線交點處所對應的文件臨界值大小為4.41，很明顯，文件塊大小在64 MB和48 MB兩種情況下，這個臨界點文件大小幾乎相同，由此確定了大小文件的臨界值大小。
提出一種確定Hadoop平臺下大小文件分界點的方法，該方法首先確定了Hadoop平臺下小文件的訪問時間量化方法，然后通過客戶端隨機訪問HDFS中不同大小數據集的不同訪問時間，并且結合曲線擬合的最小二乘法相關知識，通過實驗找到了大小文件的臨界點。今后的工作將考慮通過對其他相關因子的量化來進一步細化該臨界點的獲取方法。此外，計劃在結合大小文件的臨界點問題的基礎上，針對小文件問題進行進一步研究，并且結合文件合并、文件的分布式索引和相應的緩存預提取等機制來優化Hadoop平臺下海量小文件的讀取和存儲性能。
參考文獻
[1] WHITE T. Hadoop： The Definitive Guide， 2nd[M]. California： O′Reilly Media， 2009.
[2] SHVACHKO K， KUANG H， RADIA S， et al. The hadoop distributed file system[C]. Proceedings of IEEE 26th Symposium on Mass Storage Systems and Technologies， Incline Village， USA： IEEE Press，2010：1-10.
[3] DEAN J， GHEMAWAT S. MapReduce： simplified data processing on large clusters[J]. Communications of the ACM，2008， 51（1）：107-111.
[4] SEHRISH S， MACKEY G， WANG J， et al. MRAP： a novel MapReduce-based framework to support HPC analytics applications with access patterns[C]. Proceedings of the 19th ACM International Symposium on High Performance Distributed Computing. New York， USA： ACM Press， 2010：107-118.
[5] Liu Xiaojun， Xu Zhengquan， Gu Xin. Study on the small files problem of Hadoop[C]. Proceedings of 2012 IEEE 2nd International Conference on Cloud Computing and Intelligence Systems， Hangzhou， China： IEEE Press，2012：278-281.
[6] DONG B， QIU J， ZHENG Q， et al. A novel approach to improving the efficiency of storing and accessing small files on hadoop： A case study by PowerPoint files[C]. Proceedings of the IEEE International Conference on Services Computing. Florida， USA： IEEE Press，2010：65-72.
[7] The small files problem[EB/OL]. http：//www.cloudera.com/blog/2009/02/the-smallfiles-problem/，2009.
[8] Liu X， Han J， Zhong Y， et al. Implementing WebGIS on Hadoop： a case study of improving small file I/O Performance on HDFS[C]. Proceedings of the IEEE international conference on cluster computing and workshops. New Orleans， USA： IEEE Press，2009：1-8.
[9] CHANDRASEKAR S， DAKSHINAMURTHY R， SESHAK-UMAR P G， et al. A novel indexing scheme for efficient handling of small files in Hadoop distributed file system[C]. Proceedings of the International Conference on Computer Communication and Informatics. Coimbatore， USA： IEEE Press，2013： 1-8.
[10] 陳珂，鄒權.融入時間關聯因子曲線擬合的交通流異常挖掘方法[J].計算機工程與設計，2013，34（7）：2561-2565.