Computação de Alto Desempenho com Clusters Linux

Report
>
CloudConf 2013
Outubro / 2013
Big compute,
big net & big data:
How to be big!
Luiz Monnerat
PETROBRAS
> Tópicos!!!
Big Compute (HPC)
Big Net (Internet)
Big Data
O que podemos aprender ?
How to be big ????
Paralelismo
Escalabilidade
Arquiteturas P2P na Internet
Arquiteturas P2P nos CPDs
Distributed Hash Tables
> Tópicos!!!
Big Compute (HPC)
Big Net (Internet)
Big Data
O que podemos aprender ?
How to be big ????
Paralelismo
Escalabilidade
Arquiteturas P2P na Internet
Arquiteturas P2P nos CPDs
Distributed Hash Tables
> Big Compute
Processamento de Alto Desempenho
•
Também conhecido como HPC, HPTC ou Supercomputação
 Uso de computadores poderosos para resolver os maiores e
mais complexos problemas numéricos
 Meteorologia, Simulações Nucleares, Avaliação de riscos em mercados,
Processamento Sísmico, etc.
 Exemplo: grifo04, maior supercomputador da América Latina
•
17 bastidores
•
544 servidores
•
Rede de 20gbps por servidor
•
Cerca de 500 mil cores matemáticos (incluindo GPUs)
•
40TB de RAM
> grifo04 : 500 mil cores e 40TB RAM (2010)
> bwr1: 1300 CPUs (2004)
> How to be Big Compute......
 Processamento Paralelo
•
Uso de mais de uma unidade computacional (p.e., CPU) para
resolução de um (ou vários) problema(s) simultaneamente
 Escalabilidade
•
Propriedade de um sistema prover mais desempenho à medida em
que lhe é adicionada mais capacidade (p.e., com a adição de mais
CPUs ou servidores)
 Balanceamento de carga, Processamento Heterogêneo,
comunicação entre processos, sincronização, etc.
> How to be Big Compute......
 Processamento Paralelo
•
Uso de mais de uma unidade computacional (p.e., CPU) para
resolução de um (ou vários) problema(s) simultaneamente
 Escalabilidade
•
Propriedade de um sistema prover mais desempenho à medida em
que lhe é adicionada mais capacidade (p.e., com a adição de mais
CPUs ou servidores)
 Balanceamento de carga, Processamento Heterogêneo,
comunicação entre processos, sincronização, etc.
> Processamento Paralelo
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Servidor de Processamento
Para o paralelismo trazer benefícios o sistema tem que ser escalável
> How to be Big Compute......
 Processamento Paralelo
•
Uso de mais de uma unidade computacional (p.e., CPU) para
resolução de um (ou vários) problema(s) simultaneamente
 Escalabilidade
•
Propriedade de um sistema prover mais desempenho à medida em
que lhe é adicionada mais capacidade (p.e., com a adição de mais
CPUs ou servidores)
 Balanceamento de carga, Processamento Heterogêneo,
comunicação entre processos, sincronização, etc.
> How to be Big Compute......
 Processamento Paralelo
•
Uso de mais de uma unidade computacional (p.e., CPU) para
resolução de um (ou vários) problema(s) simultaneamente
 Escalabilidade
•
Propriedade de um sistema prover mais desempenho à medida em
que lhe é adicionada mais capacidade (p.e., com a adição de mais
CPUs ou servidores)
 Balanceamento de carga, Processamento Heterogêneo,
comunicação entre processos, sincronização, etc.
> Curva de Escalabilidade
Escalabilidade é a propriedade de um sistema prover mais
desempenho à medida em que lhe é adicionada mais capacidade.
9
8
Desempenho
7
Escalabilidade
Ideal
6
5
4
3
2
1
0
1
2
3
4
5
Servidores
6
7
8
> Curva de Escalabilidade
Escalabilidade é a propriedade de um sistema prover mais
desempenho à medida em que lhe é adicionada mais capacidade.
9
8
Desempenho
7
Escalabilidade
Ideal
6
5
4
3
2
1
0
1
2
3
4
5
Servidores
6
7
8
> Curva de Escalabilidade
Escalabilidade é a propriedade de um sistema prover mais
desempenho à medida em que lhe é adicionada mais capacidade.
9
8
Desempenho
7
Escalabilidade
Ideal
6
5
4
Escalabilidade
Boa
3
2
1
0
1
2
3
4
5
Servidores
6
7
8
> Curva de Escalabilidade
Escalabilidade é a propriedade de um sistema prover mais
desempenho à medida em que lhe é adicionada mais capacidade.
9
8
Desempenho
7
Escalabilidade
Ideal
6
5
4
Escalabilidade
Boa
3
2
Escalabilidade
Ruim
1
0
1
2
3
4
5
Servidores
6
7
8
> Limitações de Escalabilidade
 Há diversos fatores que podem limitar a escalabilidade de um
sistema
•
Balanceamento de carga
•
Comunicação entre processos
•
Sincronização
•
...
•
...
•
Arquitetura Cliente/Servidor
> Tópicos!!!
Big Compute (HPC)
Big Net (Internet)
Big Data
Paralelismo
Escalabilidade
Arquiteturas P2P na Internet
Arquiteturas P2P nos CPDs
Distributed Hash Tables
> Big Net
 Internet
•
Rede mundial de “computadores”..... e “coisas” !!!!!
 Sistemas com milhões de usuários simultâneos
 Demandas imprevisíveis
 Sistemas Cliente/Servidor não atendem bem....
•
Escalabilidade é crítica
•
Alto custo
•
Difíceis de dimensionar
> Tópicos!!!
Big Compute (HPC)
Big Net (Internet)
Big Data
Paralelismo
Escalabilidade
Arquiteturas P2P na Internet
Arquiteturas P2P nos CPDs
Distributed Hash Tables
> How to be Big Net.....
 P2P !!!!
• peer-to-peer ou par-a-par
 Arquitetura de sistemas distribuídos onde todos os
participantes são iguais em suas funções (pares)
• Cada par realiza funções de servidor e de cliente de um mesmo
serviço
• Não há distinção entre servidores e clientes
• Intrinsicamente escalável !!!!!!
• Ajusta-se automaticamente a variações de demanda!!
> Escalabilidade P2P
Malha
Telefônica
> Sistemas puramente P2P
Vários sistemas P2P usam soluções Cliente/Servidor (p.e.,
diretórios) para metadados
• Exemplo: Napster
• Acesso a metadados pode ser um gargalo em sistemas enormes
Sistemas puramente P2P atuais usam DHTs como diretórios
• Exemplos Skype, KAD/eMule, BitTorrent
• São mais escaláveis
> Filesystem Tradicional
Cluster de Processamento
FS Server
Servidor de Processamento
FS client
Servidor de Processamento
FS client
Servidor de Processamento
FS client
> Filesystem Tradicional
Cluster de Processamento
FS Server
Servidor de Processamento
FS client
Servidor de Processamento
FS client
Servidor de Processamento
FS client
> Filesystem Tradicional
Cluster de Processamento
Servidor de Processamento
FS
Server
FS client
Servidor de Processamento
FS client
Servidor de Processamento
FS client
> Filesystem Paralelo
Cluster de Processamento
FS Server
Servidor de Processamento
FS client
FS Server
Servidor de Processamento
FS client
Servidor de Processamento
FS client
> Filesystem Paralelo
Cluster de Processamento
FS Server
Servidor de Processamento
FS client
FS Server
Servidor de Processamento
FS Server
FS client
FS Server
FS Server
Servidor de Processamento
FS client
> Filesystem Paralelo versus P2P
Cluster de Processamento
FS Server
 Filesystems P2P são soluções
FS
Server
basicamente
de software que
podem aliar:
FS Server
•
Baixo custo
Servidor de Processamento
FS client
FS Server
Servidor de Processamento
FS client
FS Server
Escalabilidade
FS• Server
•
Alto desempenho
• Exemplos
•
Google filesystem
Hadoop FS
FS• Server
Servidor de Processamento
FS client
FS Server
> Tópicos!!!
Big Compute (HPC)
Big Net (Internet)
Big Data
Paralelismo
Escalabilidade
Arquiteturas P2P na Internet
Arquiteturas P2P nos CPDs
Distributed Hash Tables
> Big Data
 Várias definições..........
•
Grandes massas de dados não estruturados
•
Uso de Data Mining / busca de correlações
•
Uso de Analytics
•
5V’s : Velocidade, Volume, Variedade, Veracidade e Valor
 As demandas impostas pelas necessidades de volume e
velocidade de acesso dos dados desafiam os filesystems
tradicionais Cliente/Servidor (sejam paralelos ou não!)
> How to be Big Data......
 P2P dentro do CPD!
 Filesystem P2P
 Hadoop FS (HDFS)
•
Não é puramente P2P.......
•
Pode ter gargalos no acesso aos metadados
•
Criadores do GoogleFS relataram que eles usam centenas de
servidores de metadados dedicados
> Hadoop File System (HDFS)
 Parte do projeto Apache Hadoop
•
Baseado no GFS (Google FS)
 É P2P!!!!!!!!
•
P2P híbrido, com os metadados em servidor dedicado
•
Escalável
 Integração com MapReduce
 Pode ser usado em separado do Hadoop
 Não é compatível com padrão POSIX
•
Aplicações prévias precisam ser reescritas
•
Aplicações novas podem ser desenvolvidas de modo “HDFS friendly”
> Típico Filesystem P2P
Cluster de Processamento
Metadata
Server
Servidor de Processamento
FS client
FS Server
Servidor de Processamento
FS client
FS Server
 Filesystems P2P em geral usam uma solução
cliente/servidor para diretórios/metadados
 Acesso a metadados só se torna um gargalo
em sistemas P2P MUITO grandes
 Mas soluções P2P para diretórios (DHTs)
costumam ter latências muito altas
Servidor de Processamento
FS client
FS Server
> Tópicos!!!
Big Compute (HPC)
Big Net (Internet)
Big Data
Paralelismo
Escalabilidade
Arquiteturas P2P na Internet
Arquiteturas P2P nos CPDs
Distributed Hash Tables
> Distributed Hash Table (DHT)
Estrutura de dados distribuída, P2P, escalável e auto-reorganizável
 Os dados são tipicamente metadados (entradas de diretórios)
As recuperações dos dados são feitas através de consultas
Os dados são distribuídos segundo uma função criptográfica (hash)
> Resolução de Consultas em DHTs
 As consultas são resolvidas recursivamente
•
Cada consulta pode gerar várias “sub-consultas” (ou hops)
•
Multi-hop DHTs, introduzidas no início dos anos 2000
•
Como quando fazemos para descobrir o telefone de alguém, ligando
para seus amigos, parentes, etc.
 Cada consulta em uma Multi-hop DHT pode gerar dezenas de
saltos
•
Latência alta, porém adequada para muitas aplicações de Internet
 Mais recentemente surgiram as single-hop DHTs
•
“Diretórios” P2P
•
Escalabilidade aliada a baixa latência
> Principais Single-hop DHTs
OneHop (MIT, Gupta et al, 2004)
•
Altíssimo consumo de banda passante
•
Desbalanceamento de carga
1h-Calot (IBM+Rochester, Tang et al, 2005)
•
Altíssimo consumo de banda passante
•
Bom balanceamento de carga
D1HT (Petrobras+UFRJ, Monnerat e Amorim, 2005)
•
Bom balanceamento de carga
•
Consumo de banda passante 10x menor do que OneHop e 1h-Calot
•
Puramente P2P
•
Auto-reorganizável
>
D1HT: A Distributed One Hop Hash Table
Baixa Latência:
• Requisito de HPC, Big Data, etc.
Baixos custos de manutenção:
• Requisito de aplicações P2P na Internet
>
D1HT: A Distributed One Hop Hash Table
Baixa Latência:
• Requisito de HPC, Big Data, etc.
Baixos custos de manutenção:
• Requisito de aplicações P2P na Internet
D1HT: Uma DHT de propósito geral!
>
D1HT: A Distributed One Hop Hash Table
Baixa Latência:
• Requisito de HPC, Big Data, etc.
Baixos custos de manutenção:
• Requisito de aplicações P2P na Internet
D1HT: Uma DHT de propósito geral!
Melhor Tese de Doutorado brasileira em HPC (2010)
>
Conclusões
Aprendizado e técnicas desenvolvidas para HPC, Internet e
Big Data são importantes para implantação de grandes
sistemas
Sistemas cliente/servidor paralelos podem ser escaláveis e
resolver a maioria das demandas
Sistemas P2P são ainda mais escaláveis e recomendados
para ambientes muito grandes
Na medida em que os sistemas têm crescido cada vez mais,
DHTs se tornarão mais comuns e até necessárias em alguns
casos
>
MUITO Obrigado!!!
http://www.cos.ufrj.br/~monnerat
http://br.linkedin.com/in/luizmonnerat
>
Perguntas??
http://www.cos.ufrj.br/~monnerat
http://br.linkedin.com/in/luizmonnerat
> Agenda
Introdução: Processamento Sísmico
Processamento de Alto Desempenho
Escalabilidade
Grandes Massas de Dados não Estruturados na Petrobras
Filesystems Paralelos
Arquiteturas P2P
Filesystems P2P
Tabelas Hash Distribuídas (DHTs)
Hadoop
Conclusão
> Arquitetura do HDFS
> Arquitetura P2P híbrida do HDFS
namenode
Servidor de Processamento
FS client
datanode
Servidor de Processamento
FS client
datanode
Namenode (servidor de metadadados) roda em um
servidor dedicado
Datanodes (servidores de dados) rodam nos nós do
cluster.
Cada nó atua então como:
Servidor de processamento
Cliente de FS
Servidor de FS
Servidor de Processamento
FS client
datanode
> Hadoop
 HDFS + MapReduce & more!
 É P2P!!!!!!!!
 “Moving Computation is Cheaper than Moving Data”
•
Se encaixa bem com estratégias de Analytics
 Pode facilitar – em MUITO – o desenvolvimento de aplicações
paralelas
 Solução commodity e escalável!
Pode ser SUPER útil para HPC !!!!!
> Conclusões
 Processamento sísmico usa grandes massas de dados e HPC
 Muito da experiência HPC pode ser usado em BigData
•
Clusters Linux
•
Soluções commodities
•
Quanto mais commodity melhor!
•
Paralelismo
•
Escalabilidade
 Arquiteturas P2P são intrinsicamente escaláveis
 DHT: solução P2P para diretórios e metadados
 Hadoop: P2P, escalável e commodity
 HPC pode usufruir de soluções desenvolvidas para BigData

similar documents