当前位置：首页 > news >正文

6.824/6.5840 Lab 1: MapReduce

news 来源：原创 2025/5/15 4:58:40

宁静的夏天

天空中繁星点点

心里头有些思念

思念着你的脸

——宁夏

完整代码见： https://github.com/SnowLegend-star/6.824

由于这个lab整体难度实在不小，故考虑再三还是决定留下代码仅供参考

6.824的强度早有耳闻，我终于也是到了挑战这座高峰的时候。最开始看完《MapReduce: Simplified Data Processing on Large Clusters》这篇论文的时候，感觉没什么很大的理解难度，比之我平时看的论文有所不如。谁知真正实现它着实让我吃了不少苦头。

首先就是对golang语法不甚熟悉的问题，好几次设计思路有了却不知道怎么具体用golang实现出来，有种一拳打在棉花上的感觉。齐次就是这次是真要直面文件操作了。记得当初c语言最后学到文件操作的时候，我死活理解不了文件的各种操作，感觉抽象无比。在那之后每次遇到文件操作我都有种怯战的感觉。再者平时基本也遇不到文件操作，渐渐文件处理就成了我心里一片挥着不去的阴霾。而MapReduce的本质就是各个worker对任务文件进行处理存储的过程实现，这次我一定要勇敢地克服恐惧，把失去的尊严夺回来。最后就是多文件式编程。虽说以前也遇到过不少多文件编程，6.s081就是如此。但基本都是在各个文件做改进。这次coordinator.go、rpc.go、worker.go三个文件基本全是自己编写，第一次完成这种工作难免让人手足无措。有时候对着当前文件一顿猛看，结果发现是另一个文件出问题了，当然这是后话。

言归正传，下面分析下MapReduce的实现过程。实验说明和Lab原代码要多看几遍，力求理解透彻。

你的任务是实现一个分布式 MapReduce 系统，包括两个程序，coordinator 和 worker。将只有一个 coordinator 进程，和一个或多个并行执行的 worker 进程。在实际系统中，worker 将运行在不同的机器上，但在这个实验中，你将在一台机器上运行它们。worker 将通过 RPC 与 coordinator 通信。每个 worker 进程将在循环中执行以下操作：向 coordinator 请求任务，从一个或多个文件中读取任务的输入，执行任务，将任务的输出写入一个或多个文件，然后再次请求新的任务。coordinator 应该注意到如果一个 worker 在合理的时间内没有完成任务（在本实验中为十秒），并将同一任务交给另一个 worker。

这里就开始给出实验要求了：

worker要在循环中请求任务，而不是完成了一个任务就直接结束
worker应在10s完成任务并给master发送完成signal。同时要创建本地文件把任务处理结果存储在其中。
master如果10s没收到该worker完成任务的signal，就把这个交给其他worker重新实现

我们在 main/test-mr.sh 中提供了一个测试脚本。测试检查 wc 和 indexer MapReduce 应用程序在输入 pg-xxx.txt 文件时是否产生正确的输出。测试还检查你的实现是否并行运行 Map 和 Reduce 任务，以及你的实现是否能从 worker 崩溃中恢复。

由于忽略了上面这句话，我一直对worker要处理什么类型的任务百思不得其解，同时Lab到底用的是什么plugin进行测试抱有疑问。后面还对自己从代码中推断出了plugin应该是和wc.so类似而感到沾沾自喜，直到后面无意中看到了这句话。真是自己一个小时的思考不及多用一分钟阅读这句话，堪称降维打击。

func Worker(mapf func(string, string) []KeyValue, 
reducef func(string, []string) string) {}

既然worker要用到map和Reduce处理文件，那应该从哪里读取这些文件呢？答案是通过rpc向master发出任务请求从而获取文件。

论文中的这张图一定要完全理解透彻，不能有些许马虎。

A few rules:

1、Map 阶段应将中间键分成 nReduce 个 Reduce 任务的桶，其中 nReduce 是 Reduce 任务的数量——main/mrcoordinator.go 传递给 MakeCoordinator() 的参数。每个 Mapper 应创建 nReduce 个中间文件供 Reduce 任务使用。

按照MapReduce给的execution overview中，worker在进行map阶段的任务文件处理时，应该生成本地文件并将中间键存储在其中。这里为什么说worker在map阶段呢？难道同一个worker执行完map任务后还可以继续执行Reduce任务吗？Exactly！它甚至在执行完了当前map任务后还可以请求master再给它来点别的map任务。

等到所有map任务结束后，master就开始给worker分配Reduce阶段的任务。

2、worker 实现应将第 X 个 Reduce 任务的输出放在文件 mr-out-X 中。

output文件的名字为mr-out-X，这是Reduce阶段的任务了。

3、一个 mr-out-X 文件应包含每个 Reduce 函数输出的一行。该行应使用 Go 的 "%v %v" 格式生成，使用键和值进行调用。查看 main/mrsequential.go 中注释 "this is the correct format" 的行。如果你的实现与此格式差异过大，测试脚本将失败。

就是用

fmt.Fprintf(ofile, "%v %v\n", key, result)

这种格式把键值对写入output文件中。

4、你可以修改 mr/worker.go、mr/coordinator.go 和 mr/rpc.go。你可以临时修改其他文件进行测试，但确保你的代码与原始版本一起工作；我们将使用原始版本进行测试。

作为新手，我们要有菜鸟的自知之明。能不改的地方尽量不去动，免得给后续实现埋坑。完成Lab后倒是可以自由修改任何地方。

5、worker 应将中间 Map 输出放在当前目录中的文件中，以便你的 worker 在 Reduce 任务中可以读取它们。

这条rule难道不应该放在②吗？Map阶段处理好的intermediate键值对切片要存储起来，供后续Reduce阶段进行读入。输出文件名称有具体要求吗？mr-X-Y。这次的实验说明的内容顺序堪称大坑。混乱的要求次序让人摸不着头脑。

6、main/mrcoordinator.go 期望 mr/coordinator.go 实现一个 Done() 方法，当 MapReduce 作业完全完成时返回 true；此时，mrcoordinator.go 将退出。

如何判断所有任务文件都已经完成了？在master(即coordinator.go)中维护一个Reduce阶段所有任务的状态数组。每当worker完成了一个任务，就向master发送一条signal，master即更新状态数组。

其实也应该为map阶段维护一个数组。毕竟要等所有map任务完成才可以开始分配Reduce阶段的任务。

7、当作业完全完成时，worker 进程应退出。实现此功能的一个简单方法是使用 call() 的返回值：如果 worker 无法联系到 coordinator，可以假定 coordinator 已经退出，因为作业已经完成，因此 worker 也可以终止。根据你的设计，你可能还会发现有一个 "please exit" 伪任务供 coordinator 给 worker 是有帮助的。

这里注意是“当作业完全完成时，worker 进程应退出”而不是完成某项任务worker进程就自顾退出跑路了。

看完了rules之后，我们再来看看hints。其实两者有些内容是重复的，这也是为什么我说实验说明排版混乱的原因。

Hints：

1、Guidance 页面有一些开发和调试的技巧。

2、开始的一个方法是修改 mr/worker.go 的 Worker()，使其发送一个 RPC 请求给 coordinator 要求任务。然后修改 coordinator 以响应一个尚未开始的 Map 任务的文件名。然后修改 worker 以读取该文件并调用应用程序 Map 函数，如 mrsequential.go 中所示。

这里建议多阅读mrcoordinator.go、mrnetworker.go、mrsequential.go等文件，wc.go和indexer.go也要理解透彻。

然后我们可以从运行networker.go中提供的example方法着手。先把它们运行起来，再对example方法进行小小的改动，观察call()方法的执行流程。

3、应用程序 Map 和 Reduce 函数在运行时使用 Go 的 plugin 包加载，文件名以 .so 结尾。

4、如果你更改了 mr/ 目录中的任何内容，可能需要重新构建你使用的任何 MapReduce 插件，如 go build -buildmode=plugin ../mrapps/wc.go。

更改了mr/目录下的任何文件后，应该重构xx.so文件，如果继续使用原来的xx.so文件可能会报如下错误

修改语句如下

go build -race -buildmode=plugin -gcflags="all=-N -l" ../mrapps/wc.go

5、此实验依赖 worker 共享文件系统。当所有 worker 在同一台机器上运行时，这很简单，但如果 worker 在不同的机器上运行，则需要全局文件系统如 GFS。

6、中间文件的合理命名约定是 mr-X-Y，其中 X 是 Map 任务编号，Y 是 Reduce 任务编号。

怎么确定Map的任务编号呢？可以先在master给每个任务文件编号，并用一个切片记录下来。回复worker的任务请求时返回这个文件编号。

7、worker 的 map 任务代码需要一种方式将中间键/值对存储在文件中，以便在 Reduce 任务期间正确读回。一种可能性是使用 Go 的 encoding/json 包。

Q：我直接把中间键值对存在普通文件中进行读取有什么不同呢

A：将中间键值对存储在普通文件中，而不是使用 JSON 格式，有几个关键的不同和潜在的挑战：

1. 数据结构的复杂性

普通文件: 如果你使用普通文件存储中间键值对，通常需要自行设计和实现数据的编码和解码方式。你需要确保数据格式的一致性，以及处理可能的特殊字符（如换行符、分隔符等）。
JSON: 使用 JSON 可以自动处理复杂的数据结构。Go 的 encoding/json 包可以直接将结构体、切片等复杂数据类型序列化和反序列化，无需额外处理。

2. 可读性和调试性

普通文件: 如果使用自定义格式存储数据，文件的可读性取决于设计的格式。如果格式复杂或不直观，调试时会比较困难。
JSON: JSON 是人类可读的文本格式，结构清晰，容易理解和调试。开发者可以直接查看 JSON 文件内容，验证数据是否正确。

3. 跨语言兼容性

普通文件: 自定义格式可能需要特定语言或库的支持。如果需要与其他语言编写的系统交互，可能需要额外的工作来解析和生成这种格式。
JSON: JSON 是一种标准化的数据交换格式，几乎所有编程语言都支持 JSON 的解析和生成，跨语言兼容性好。

4. 编码和解码的实现

普通文件: 你需要自己编写编码和解码逻辑，可能涉及字符串处理、文件读写等操作。实现起来可能会比较繁琐，并且容易出错。
JSON: 使用 Go 的 encoding/json 包，编码和解码变得非常简单和可靠，只需调用标准库中的函数即可。

总结

尽管使用普通文件存储中间键值对也可以实现，但使用 JSON 文件提供了更高的可读性、调试性、跨语言兼容性和实现简单性。JSON 格式的标准化和广泛支持，使得它成为 MapReduce 中间键值对存储的一个理想选择。

8、worker 的 map 任务可以使用 ihash(key) 函数（在 worker.go 中）为给定键选择 Reduce 任务。

这里属于一个小难点，要用合适的方法将中间键写入NBUCKET个文件中，否则多次遍历intermediate会导致处理任务的用时激增。

我采用的方法如下：

先将从任务文件读取的内容content传入mapf()中，普通文件读取用ioutil.ReadAll()即可。得到处理过后的切片kva
创建一个二维切片intermediate := make([][]KeyValue, reply.NReduce)
遍历kva的同时，利用ihash(key)把kva中的每一个元素分配到Nreduce个intermeditae[index]中
最后创建Nreduce个“mr-X-Index”中间文件，把对应的intermediate[index]写入到对应的中间文件内部。记得用json的方法写，这是为了Reduce阶段读取中间文件更为方便

9、你可以从 mrsequential.go 中借用一些代码，用于读取 Map 输入文件，在 Map 和Reduce 之间对中间键/值对进行排序，以及将 Reduce 输出存储在文件中。

map阶段对中间键进行排序我个人觉得没什么必要了，Reduce阶段对output文件内容进行排序这就仁者见仁智者见智。为了结果的可读性可以排序，但是排序相当于再次遍历所有内容，时间复杂度就高了。

10、coordinator 作为 RPC 服务器将是并发的；不要忘记锁定共享数据。

coordinator.go中涉及处理单个与worker有关的数据时，应该加锁。包括给worker分配任务，修改任务状态的切片等。

11、使用 Go 的竞态检测器，使用 go run -race。test-mr.sh 在开头有一个注释，告诉你如何使用 -race 运行。当我们评分你的实验时，我们不会使用竞态检测器。然而，如果你的代码存在竞态，尽管没有使用竞态检测器进行测试，你的代码很有可能会失败。

12、worker 有时需要等待，例如 reduce 任务在最后一个 map 完成之前不能开始。一种可能性是 worker 周期性地向 coordinator 请求工作，在每次请求之间使用 time.Sleep()。另一种可能性是让 coordinator 中相关的 RPC 处理器有一个循环，等待，用 time.Sleep() 或 sync.Cond。Go 在每个 RPC 中运行处理器，因此一个处理器在等待并不会阻止 coordinator 处理其他 RPC。

这里我采用的是在每次请求之间使用 time.Sleep()，先把Lab完成了再回头考虑各种优化细节

13、coordinator 不能可靠地区分崩溃的 worker、活着但由于某种原因停滞的 worker 和执行但速度太慢的 worker。你能做的最好的事情是让 coordinator 等待一段时间，然后放弃并重新分配任务给另一个 worker。对于这个实验，让 coordinator 等待十秒；之后 coordinator 应假定 worker 已经死亡（当然，它可能没有）。

超过10s worker还未发送任务完成的signal，master就重新把任务分配给别的worker。由于map阶段和Reduce阶段的各种操作具有幂等性，所以直接不考虑失联的worker就可以。

14、如果你选择实现备用任务（Backup Tasks，第 3.6 节），注意我们测试你的代码在 worker 未崩溃时不会安排多余的任务。只有在相对较长的时间（例如，10秒）之后才应安排备用任务。

15、要测试崩溃恢复，可以使用 mrapps/crash.go 应用程序插件。它在 Map 和 Reduce 函数中随机退出。

16、为了确保在崩溃时没有人观察到部分写入的文件，MapReduce 论文提到使用临时文件并在完全写入后原子重命名的技巧。你可以使用 ioutil.TempFile（或 os.CreateTemp 如果你运行的是 Go 1.17 或更高版本）创建一个临时文件，并使用 os.Rename 原子地重命名它。

17、test-mr.sh 在子目录 mr-tmp 中运行所有进程，因此如果出现问题并且你想查看中间或输出文件，可以在那里查找。可以临时修改 test-mr.sh，使其在失败的测试后退出，因此脚本不会继续测试（并覆盖输出文件）。

这个建议还是有用的。

18、test-mr-many.sh 多次运行 test-mr.sh，你可能希望这样做以发现低概率的错误。它接收一个参数，表示运行测试的次数。你不应该并行运行多个 test-mr.sh 实例，因为 coordinator 将重用相同的套接字，导致冲突。

19、Go RPC 只发送以大写字母开头的字段。子结构也必须具有大写的字段名。

Golang的需要导出的内容都应该以大写字母开头。

20、调用 RPC call() 函数时，回复结构应包含所有默认值。在调用之前不要设置 reply 的任何字段。如果传递包含非默认字段的回复结构，RPC 系统可能会静默返回错误的值。

我在RPC and Threads中看到了上述内容。再次证明Printf神教yyds哈哈哈！

Bugs

最后介绍下完成Lab过程中遇到的各种bug

1、worker通知master任务已完成时，未传入任务类型，这是导致map无限轮回的第一个原因。

2、修改了上述bug后，我在prinrf大法的路上越走越远。我发现worker在完成任务后会及时通知master，master也能成功接收，但是为什么还是永远都运行map阶段的任务呢？

进行了debug我才发现问题出在文件完成状态判断的函数上

我直接把Done()中判断Reduce阶段所有任务是否全部完成的代码给复制过来了，还忘记修改就直接运行。第二天还忘记这事了。这才导致map无限轮回。

3、处理好map阶段的bugs后，终于要成功了。但是Reduce输出的output文件确实空的。看来是Reduce阶段对文件的读取有问题。

多亏我debug时发现读取函数后返回的err有问题——怎么都还没开始读文件，但是文件指针已经移动到了文件末尾呢？

一番排查后我发现又是复制代码的锅。我为了图方便直接把map阶段的处理代码复制到Reduce阶段的处理函数中，结果下面这句话忘记删了。

这个语句直接读取了文件的所有内容，导致用dec := json.NewDecoder(intermediate_File)的时候文件内部的指针已经移到了文件的末尾。

经过我的不懈努力，终于是完成了MapReduce的实现。

美中不足的是被connection refused克制了~

对了，如果想要进行debug，可以在6.5840的文件夹下创建launch.json文件

{// 使用 IntelliSense 了解相关属性。 // 悬停以查看现有属性的描述。// 欲了解更多信息，请访问: https://go.microsoft.com/fwlink/?linkid=830387"version": "0.2.0","configurations": [{"debugAdapter": "dlv-dap",// "name": "mrcoordinator",// "name": "mrworker","name": "test_test","type": "go","request": "launch","mode": "auto",// "program": "${workspaceFolder}/src/main/mrcoordinator.go","program": "${workspaceFolder}/src/main/mrworker.go","args": [// "wc.so",// "pg-grimm.txt",// "pg-frankenstein.txt"// "wc.so"],"buildFlags": "-race"}]
}

按照上述格式进行调整就行

A few rules:

Hints：

Bugs

相关文章：