mit 6.824 lab1分析
6.824 lab1 笔记1. 阅读论文
略
2. 官网rules & hints
2.1 rules
[*]map阶段每个worker应该把中间文件分成nReduce份，nReduce是reduce任务的数量
[*]worker完成reduce任务后生成文件名mr-out-X
[*]mr-out-X文件每行应该是"%v %v"格式，参考main/mrsequential.go
[*]worker处理完map任务，应该把生成的中间文件放到当前目录中，便于worker执行reduce任务时读取中间文件
[*]当所有任务完成时，Done()函数应该返回true，使得coordinator退出
[*]所有任务完成时，worker应该退出，方法是：
[*]当worker调用rpc向coordinator请求任务时，连接不上coordinator，此时可以认为coordinator已经退出因为所有任务已经完成了
[*]当worker调用rpc向coordinator请求任务时，coordinator可以向其回复所有任务已经完成
2.2 hints
[*]刚开始可以修改mr/worker.go's ``Worker()向coordinator 发送一个RPC请求一个任务。然后修改coordinator回复一个文件名，代表空闲的map任务。然后worker根据文件名读取文件，调用wc.so-Map函数，调用Map函数可参考mrsequential.go`
[*]如果修改了mr/目录下任何文件，应该重新build MapReduce plugins，go build -buildmode=plugin ../mrapps/wc.go
[*]worker处理完map任务后产生的中间文件命名格式mr-X-Y，x是map任务的编号，y是reduce任务编号。
// 初始文件，通过命令行传入的，如
// pg-being_ernest.txt pg-dorian_gray.txt pg-frankenstein.txt
// len(files) = 3 nReduce = 4
// 中间文件x：map任务的编号 y：reduce任务编号
// mr-0-0 mr-1-0 mr-2-0
// mr-0-1 mr-1-1 mr-2-1
// mr-0-2 mr-1-2 mr-2-2
// mr-0-3 mr-1-3 mr-2-3
[*]map任务存储数据到文件可以使用json格式，便于reduce任务读取
// map
enc := json.NewEncoder(file)
for _, kv := ... {
err := enc.Encode(&kv)
// reduce
dec := json.NewDecoder(file)
for {
var kv KeyValue
if err := dec.Decode(&kv); err != nil {
break
}
kva = append(kva, kv)
}
[*]map阶段使用ihash(key)函数把key映射到哪个reduce任务，如某个worker取得了2号map任务，ihash("apple") = 1，那么就应该把该key放到mr-2-1文件中
[*]可以参考mrsequential.go代码：读取初始输入文件、排序key、存储reduce输出文件
[*]coordinator是rpc server，将会被并发访问，需要对共享变量加锁
[*]若当前未有空闲的map任务可以分配，worker应该等待一段时间再请求任务，若worker频繁请求任务，coordinator就会频繁加锁、访问数据、释放锁，浪费资源和时间。如使用time.Sleep()，worker可以每隔一秒发送一次请求任务rpc
[*]coordinator无法辨别某个worker是否crash，有可能某个worker还在运行，但是运行极其慢（由于硬件损坏等原因），最好的办法是：coordinator监控某个任务，若该任务未在规定时间内由worker报告完成，那么coordinator可以把该任务重新分配给其他worker，该lab规定超时时间是10s
[*]为了确保某个worker在写入文件时，不会有其他worker同时写入；又或者是某个worker写入文件时中途退出了，只写了部分数据，不能让这个没写完的文件让其他worker看到。可以使用临时文件ioutil.TempFile，当写入全部完成时，再使用原子重命名os.Rename。
[*]Go RPC只能传struct中大写字母开头的变量
[*]调用RPC call() 函数时，reply struct应该为空，不然会报错
reply := SomeType{}
call(..., &reply)
3. 架构设计
https://img2023.cnblogs.com/blog/1828951/202304/1828951-20230410213818386-749762363.png
3.1 RPC设计
在该lab中，我们需要两个RPC，一个是callTask RPC向coordinator请求一个任务，一个是callTaskDone RPC向coordinator报告某个任务的完成，以下皆在rpc.go中定义
[*]首先定义一个枚举变量，表示coordinator给worker分配的任务类型，也可用来表示coordinator当前的phase
type taskType int
const (
// map任务
mapType taskType = iota
// reduce任务
reduceType
// 当前没有空闲任务，请等待
waitting
// 已经完成全部任务，可以退出了
done
)
[*]定义拉取任务RPC的args和reply struct
CallTaskArgs中不需要包含变量，只需要让coordinator知道该worker正在请求一个任务，coordinator会随机选择空闲任务进行分配填入CallTaskReply中
CallTaskReply包含以下变量：
[*]FileName：map阶段，worker需要知道具体的文件名才能解析该文件
[*]tp：指示该任务的具体类型
[*]TaskID：worker将该变量放入CallTaskDoneArgs中，coordinator可以迅速定位Task，并且在reduce阶段中，搭配nFiles变量，worker读取mr-0-TaskID、mr-1-TaskID....mr-nFiles-1-TaskID文件
[*]nFiles：初始文件的数量，用于搭配TaskID，在上面已介绍
[*]nReduce：用于map阶段，ihash(key) % nReduce
type CallTaskArgs struct {
}
type CallTaskReply struct {
FileName string
TaskID int
tp taskType
nFiles int
nReduceint
}
[*]定义报告任务完成RPC的args和reply struct
TaskID变量作用在CallTaskReply: TaskID 中提及
tp的作用是用于coordinator判断该RPC是否是合法的，举例：worker-1成功请求到map-1任务，但是因为worker-1节点硬件问题处理缓慢而导致coordinator检测到该map-1任务超时，于是把map-1任务分配给了worker-2。等到某个时间点，已经完成所有map任务，coordinator进入到了reduce阶段，但此时worker-1节点才刚运行完map-1任务并报告给coordinator，coordinator检测到当前是reduce阶段，但收到报告完成的rpc是map类型，不会对其进行任何操作。
type CallTaskDoneArgs struct {
TaskID int
tp taskType
}
type CallTaskDoneReply struct {
}
3.2 Coordinator
3.2.1 结构体设计
type taskState int
const (
spare taskState = iota
executing
finish
)
type task struct {
fileName string
id int
state taskState
start time.Time
}首先设计一个task struct，该结构体代表一个任务
[*]filename：在map阶段，用于coordinator告知worker要读取的初始文件
[*]id： 该任务的id，传给worker，作用在RPC设计中提及
[*]state：任务有三个状态：空闲、执行中、已完成。若空闲则可以分配给worker；若执行中，则监视该任务是否超时
[*]start：任务刚开始执行的时间
type Coordinator struct {
// Your definitions here.
mu sync.Mutex
state taskType
tasks []*task
mapChan chan *task
reduceChan chan *task
nReduce int
nFiles int
finished int
}接着设计主要Coordinator结构体
[*]state：当前系统的状态，map阶段（分配map任务）、reduce阶段（分配reduce任务）、全部完成done（可以结束系统运行）
[*]tasks： *task的切片，维护了一组任务
[*]mapChan、reduceChan：用于分发map、reduce任务的channel。map阶段，若有空闲map任务，则放至channel中，当有worker请求任务时，则可取出来。reduce阶段同理
[*]finished：当前已完成任务的数量。map阶段，若finished == nFiles，则表示所有map任务完成，可以进入reduce阶段。reduce阶段同理，进入done
3.2.2 初始化
func MakeCoordinator(files []string, nReduce int) *Coordinator { c := Coordinator{} // Your code here. c.mapPhase(files, nReduce) go c.watch() c.server() return &c}func (c *Coordinator) mapPhase(files []string, nReduce int) { c.state = mapType //设置系统状态为map阶段 c.nReduce = nReduce c.nFiles = len(files) c.tasks = make([]*task, c.nFiles) c.mapChan = make(chan *task, c.nFiles) // c.nFiles长度的map channel for i := 0; i < c.nFiles; i++ { c.tasks = &task{fileName: files, id: i} c.mapChan0 { case true: task :=0 { case true: task :=0，则取出一个task，调用c.setReply(task, reply)，将任务的相关信息填入reply中，并把task的当前状态设为执行中，开始时间设为time.Now()。如果没有可分配的任务，则设reply.Tp = waitting，让worker等待一会再请求任务若当前系统状态为reduce阶段：同上
</ol>3.2.4 任务完成
func (c *Coordinator) CallTaskDone(args *CallTaskDoneArgs, reply *CallTaskDoneReply) error { c.mu.Lock() defer c.mu.Unlock() if c.state != args.Tp || c.state == done { return nil } if c.tasks.state != finish { c.tasks.state = finish c.finished++ //fmt.Printf("task %v done\n", args.TaskID) if c.state == mapType && c.finished == c.nFiles { c.reducePhase() } else if c.state == reduceType && c.finished == c.nReduce { close(c.reduceChan) c.state = done } } return nil}func (c *Coordinator) reducePhase() { //fmt.Printf("reduce phase\n") close(c.mapChan) c.state = reduceType c.tasks = make([]*task, c.nReduce) c.finished = 0 c.reduceChan = make(chan *task, c.nReduce) for i := 0; i < c.nReduce; i++ { c.tasks = &task{id: i} c.reduceChantimeout { task.state = spare switch c.state { case mapType: c.mapChan
页:
[1]