Pregel（图计算）技术原理

图计算简介

图结构数据：

• 许多大数据都是以大规模图或网络的形式呈现。
• 许多非图结构的大数据，也常常会被转换为图模型后进行分析。
• 图数据结构很好地表达了数据之间的关联性。
• 关联性计算是大数据计算的核心——通过获得数据的关联性，可以从噪音很多的海量数据中抽取有用的信息。

传统图计算解决方案的不足之处：

很多传统的图计算算法都存在以下几个典型问题：

1. 常常表现出比较差的内存访问局部性
2. 针对单个顶点的处理工作过少
3. 计算过程中伴随着并行度的改变

针对大型图（比如社交网络和网络图）的计算问题，可能的解决方案及其不足之处具体如下：

1. 为特定的图应用定制相应的分布式实现
2. 基于现有的分布式计算平台进行图计算
3. 使用单机的图算法库：比如BGL、LEAD、NetworkX、JDSL、Standford GraphBase和FGL等
4. 使用已有的并行图计算系统：比如，Parallel BGL和CGM Graph，实现了很多并行图算法

图计算通用软件：

针对大型图的计算，目前通用的图计算软件主要包括两种：

• 第一种主要是基于遍历算法的、实时的图数据库，如Neo4j、OrientDB、DEX和 Infinite Graph。
• 第二种则是以图顶点为中心的、基于消息传递批处理的并行引擎，如GoldenOrb、Giraph、Pregel和Hama，这些图处理软件主要是基于BSP模型实现的并行图处理系统。

一次BSP(Bulk Synchronous Parallel Computing Model，块同步并行计算模型,又称“大同步”模型)计算过程包括一系列全局超步（所谓的超步就是计算中的一次迭代），每个超步主要包括三个组件：

1. 局部计算：每个参与的处理器都有自身的计算任务。
2. 通讯：处理器群相互交换数据。
3. 栅栏同步(Barrier Synchronization)：当一个处理器遇到“路障”（或栅栏），会等到其他所有处理器完成它们的计算步骤。

图：一个超步的垂直结构图

Pregel图计算模型

Pregel简介:

谷歌公司在2003年到2004年公布了GFS、MapReduce和BigTable

谷歌在后Hadoop时代的新“三驾马车”

• Caffeine
• Dremel
• Pregel

Pregel是一种基于BSP模型实现的并行图处理系统。

为了解决大型图的分布式计算问题，Pregel搭建了一套可扩展的、有容错机制的平台，该平台提供了一套非常灵活的API，可以描述各种各样的图计算。

Pregel作为分布式图计算的计算框架，主要用于图遍历、最短路径、PageRank计算等等。

有向图和顶点：

图：有向图和顶点

• Pregel计算模型以有向图作为输入
• 有向图的每个顶点都有一个String类型的顶点ID
• 每个顶点都有一个可修改的用户自定义值与之关联
• 每条有向边都和其源顶点关联，并记录了其目标顶点ID
• 边上有一个可修改的用户自定义值与之关联

图：超步示意图

• 在每个超步S中，图中的所有顶点都会并行执行相同的用户自定义函数。
• 每个顶点可以接收前一个超步(S-1)中发送给它的消息，修改其自身及其出射边的状态，并发送消息给其他顶点，甚至是修改整个图的拓扑结构。
• 在这种计算模式中，“边。”并不是核心对象，在边上面不会运行相应的计算，只有顶点才会执行用户自定义函数进行相应计算。

顶点之间的消息传递:

图：纯消息传递模型图

采用消息传递模型主要基于以下两个原因：

1. 消息传递具有足够的表达能力，没有必要使用远程读取或共享内存的方式.
2. 有助于提升系统整体性能.

Pregel的计算过程：

Pregel的计算过程是由一系列被称为“超步”的迭代组成的。

在每个超步中，每个顶点上面都会并行执行用户自定义的函数，该函数描述了一个顶点V在一个超步S中需要执行的操作。

该函数可以读取前一个超步(S-1)中其他顶点发送给顶点V的消息，执行相应计算后，修改顶点V及其出射边的状态，然后沿着顶点V的出射边发送消息给其他顶点，而且，一个消息可能经过多条边的传递后被发送到任意已知ID的目标顶点上去。

这些消息将会在下一个超步(S+1)中被目标顶点接收，然后像上述过程一样开始下一个超步(S+1)的迭代过程。

在Pregel计算过程中，一个算法什么时候可以结束，是由所有顶点的状态决定的。

在第0个超步，所有顶点处于活跃状态。

当一个顶点不需要继续执行进一步的计算时，就会把自己的状态设置为“停机”，进入非活跃状态。

当一个处于非活跃状态的顶点收到来自其他顶点的消息时，Pregel计算框架必须根据条件判断来决定是否将其显式唤醒进入活跃状态。

当图中所有的顶点都已经标识其自身达到“非活跃（inactive）”状态，并且没有消息在传送的时候，算法就可以停止运行。

图：一个简单的状态机图

一个简单示例：

图：一个求最大值的Pregel计算过程图

Pregel的工作原理

Pregel的C++ API：

Pregel已经预先定义好一个基类——Vertex类：

template <typename VertexValue, typename EdgeValue, typename MessageValue>
class Vertex {
	public:
	//定义的虚函数，Computer（）；用户的处理逻辑在这实现
	virtual void Compute(MessageIterator* msgs) = 0;
	//参数顶点ID
	const string& vertex_id() const;
	//记录执行的超步数
	int64 superstep() const;
	//获取顶点关联的值
	const VertexValue& GetValue();
	VertexValue* MutableValue();
	//出射边迭代器，获取所有的出射边
	OutEdgeIterator GetOutEdgeIterator();
	//发送消息
	void SendMessageTo(const string& dest_vertex, const MessageValue& message);
	//设为停机
	void VoteToHalt();
};

在Vetex类中，定义了三个值类型参数，分别表示顶点、边和消息。每一个顶点都有一个给定类型的值与之对应。

编写Pregel程序时，需要继承Vertex类，并且覆写Vertex类的虚函数Compute()。

消息传递机制：

顶点之间的通讯是借助于消息传递机制来实现的，每条消息都包含了消息值和需要到达的目标顶点ID。用户可以通过Vertex类的模板参数来设定消息值的数据类型。

在一个超步S中，一个顶点可以发送任意数量的消息，这些消息将在下一个超步（S+1）中被其他顶点接收。

一个顶点V通过与之关联的出射边向外发送消息，并且，消息要到达的目标顶点并不一定是与顶点V相邻的顶点，一个消息可以连续经过多条连通的边到达某个与顶点V不相邻的顶点U，U可以从接收的消息中获取到与其不相邻的顶点V的ID。

Combiner：

Pregel计算框架在消息发出去之前，Combiner可以将发往同一个顶点的多个整型值进行求和得到一个值，只需向外发送这个“求和结果”，从而实现了由多个消息合并成一个消息，大大减少了传输和缓存的开销。

在默认情况下，Pregel计算框架并不会开启Combiner功能。

当用户打算开启Combiner功能时，可以继承Combiner类并覆写虚函数Combine()。

此外，通常只对那些满足交换律和结合律的操作才可以去开启Combiner功能。

图：Combiner应用的例子

Aggregator:

Aggregator提供了一种全局通信、监控和数据查看的机制。

在一个超步S中，每一个顶点都可以向一个Aggregator提供一个数据，Pregel计算框架会对这些值进行聚合操作产生一个值，在下一个超步（S+1）中，图中的所有顶点都可以看见这个值。

Aggregator的聚合功能，允许在整型和字符串类型上执行最大值、最小值、求和操作，比如，可以定义一个“Sum”Aggregator来统计每个顶点的出射边数量，最后相加可以得到整个图的边的数量。

Aggregator还可以实现全局协同的功能，比如，可以设计“and” Aggregator来决定在某个超步中Compute()函数是否执行某些逻辑分支，只有当“and” Aggregator显示所有顶点都满足了某条件时，才去执行这些逻辑分支。

拓扑改变：

Pregel计算框架允许用户在自定义函数Compute()中定义操作，修改图的拓扑结构，比如在图中增加（或删除）边或顶点。

对于全局拓扑改变，Pregel采用了惰性协调机制。

对于本地的局部拓扑改变，是不会引发冲突的，顶点或边的本地增减能够立即生效，很大程度上简化了分布式编程。

输入和输出：

在Pregel计算框架中，图的保存格式多种多样，包括文本文件、关系数据库或键值数据库等。

在Pregel中，“从输入文件生成得到图结构”和“执行图计算”这两个过程是分离的，从而不会限制输入文件的格式。

对于输出，Pregel也采用了灵活的方式，可以以多种方式进行输出。

Pregel的体系结构

Pregel的执行过程：

图：图的划分图

• 在Pregel计算框架中，一个大型图会被划分成许多个分区，每个分区都包含了一部分顶点以及以其为起点的边。
• 一个顶点应该被分配到哪个分区上，是由一个函数决定的，系统默认函数为hash(ID) mod N，其中，N为所有分区总数，ID是这个顶点的标识符；当然，用户也可以自己定义这个函数。
• 这样，无论在哪台机器上，都可以简单根据顶点ID判断出该顶点属于哪个分区，即使该顶点可能已经不存在了。

图：Pregel的执行过程

在理想的情况下（不发生任何错误），一个Pregel用户程序的执行过程如下：

1. 选择集群中的多台机器执行图计算任务，有一台机器会被选为Master，其他机器作为Worker。
2. Master把一个图分成多个分区，并把分区分配到多个Worker。一个Worker会领到一个或多个分区，每个Worker知道所有其他Worker所分配到的分区情况。
3. Master会把用户输入划分成多个部分。然后，Master会
   为每个Worker分配用户输入的一部分。如果一个Worker从输入内容中加载到的顶点，刚好是自己所分配到的分区中的顶点，就会立即更新相应的数据结构。否则，该Worker会根据加载到的顶点的ID，把它发送到其所属的分区所在的Worker上。当所有的输入都被加载后，图中的所有顶点都会被标记为“活跃”状态。
4. Master向每个Worker发送指令，Worker收到指令后，开始运行一个超步。当一个超步中的所有工作都完成以后，Worker会通知Master，并把自己在下一个超步还处于“活跃”状态的顶点的数量报告给Master。上述步骤会被不断重复，直到所有顶点都不再活跃并且系统中不会有任何消息在传输，这时，执行过程才会结束。
5. 计算过程结束后，Master会给所有的Worker发送指令，通知每个Worker对自己的计算结果进行持久化存储。

容错性：

Pregel采用检查点机制来实现容错。在每个超步的开始，Master会通知所有的Worker把自己管辖的分区的状态写入到持久化存储设备。

Master会周期性地向每个Worker发送ping消息，Worker收到ping消息后会给Master发送反馈消息。

每个Worker上都保存了一个或多个分区的状态信息，当一个Worker发生故障时，它所负责维护的分区的当前状态信息就会丢失。Master监测到一个Worker发生故障“失效”后，会把失效Worker所分配到的分区，重新分配到其他处于正常工作状态的Worker集合上，然后，所有这些分区会从最近的某超步S开始时写出的检查点中，重新加载状态信息。

Worker:

在一个Worker中，它所管辖的分区的状态信息是保存在内存中的。分区中的顶点的状态信息包括：

• 顶点的当前值。
• 以该顶点为起点的出射边列表，每条出射边包含了目标顶点ID和边的值。
• 消息队列，包含了所有接收到的、发送给该顶点的消息。
• 标志位，用来标记顶点是否处于活跃状态。

在每个超步中，Worker会对自己所管辖的分区中的每个顶点进行遍历，并调用顶点上的Compute()函数，在调用时，会把以下三个参数传递进去：

• 该顶点的当前值
• 一个接收到的消息的迭代器
• 一个出射边的迭代器

在Pregel中，为了获得更好的性能，“标志位”和输入消息队列是分开保存的。

对于每个顶点而言，Pregel只保存一份顶点值和边值，但是，会保存两份“标志位”和输入消息队列，分别用于当前超步和下一个超步。

如果一个顶点V在超步S接收到消息，那么，它表示V将会在下一个超步S+1中（而不是当前超步S中）处于“活跃”状态。

当一个Worker上的一个顶点V需要发送消息到其他顶点U时，该Worker会首先判断目标顶点U是否位于自己机器上。

如果目标顶点U在自己的机器上，就直接把消息放入到与目标顶点U对应的输入消息队列中。

如果发现目标顶点U在远程机器上，这个消息就会被暂时缓存到本地，当缓存中的消息数目达到一个事先设定的阈值时，这些缓存消息会被批量异步发送出去，传输到目标顶点所在的Worker上。

Master：

Master的主要作用：

• Master主要负责协调各个Worker执行任务，每个Worker会借助于名称服务系统定位到Master的位置，并向Master发送自己的注册信息，Master会为每个Worker分配一个唯一的ID。
• Master维护着关于当前处于“有效”状态的所有Worker的各种信息，包括每个Worker的ID和地址信息，以及每个Worker被分配到的分区信息。
• Master中保存这些信息的数据结构的大小，只与分区的数量有关，而与顶点和边的数量无关。

Master与Worker的交互：

• 一个大规模图计算任务会被Master分解到多个Worker去执行，在每个超步开始时，Master都会向所有处于“有效”状态的Worker发送相同的指令，然后等待这些Worker的回应。
• 如果在指定时间内收不到某个Worker的反馈，Master就认为这个Worker失效。
• 如果参与任务执行的多个Worker中的任意一个发生了故障失效，Master就会进入恢复模式。
• 在每个超步中，图计算的各种工作，比如输入、输出、计算、保存和从检查点中恢复，都会在“路障（barrier）”之前结束。

Master在内部运行了一个HTTP服务器来显示图计算过程的各种信息。用户可以通过网页随时监控图计算执行过程各个细节：

• 图的大小
• 关于出度分布的柱状图
• 处于活跃状态的顶点数量
• 在当前超步的时间信息和消息流量
• 所有用户自定义Aggregator的值

Aggregator：

每个用户自定义的Aggregator都会采用聚合函数对一个值集合进行聚合计算得到一个全局值。

每个Worker都保存了一个Aggregator的实例集，其中的每个实例都是由类型名称和实例名称来标识的。

在执行图计算过程的某个超步S中，每个Worker会利用一个Aggregator对当前本地分区中包含的所有顶点的值进行归约，得到一个本地的局部归约值。

在超步S结束时，所有Worker会将所有包含局部归约值的Aggregator的值进行最后的汇总，得到全局值，然后提交给Master。

在下一个超步S+1开始时，Master就会将Aggregator的全局值发送给每个Worker。

Pregel的应用实例—单源最短路径

图：Dijkstra算法是解决单源最短路径问题的贪婪算法

Pregel非常适合用来解决单源最短路径问题，实现代码如下：

class ShortestPathVertex
	: public Vertex<int, int, int> {
	 void Compute(MessageIterator* msgs) {
	 int mindist = IsSource(vertex_id()) ? 0 : INF;
	 for (; !msgs->Done(); msgs->Next())
	 	mindist = min(mindist, msgs->Value());
	 if (mindist < GetValue()) {
		 *MutableValue() = mindist;
	 	OutEdgeIterator iter = 	GetOutEdgeIterator();
 		for (; !iter.Done(); iter.Next())
 		SendMessageTo(iter.Target(),
 		mindist + iter.GetValue());
 	}
	VoteToHalt();
	}
};

Hama简介

Hama概述：

• Hama是Google Pregel的开源实现。
• 与Hadoop适合于分布式大数据处理不同，Hama主要用于分布式的矩阵、graph、网络算法的计算。
• Hama是在HDFS上实现的BSP(Bulk Synchronous Parallel)计算框架，弥补Hadoop在计算能力上的不足。

Hama是基于BSP(BulkSynchronous Parallel)计算技术的并行计算框架，用于大量的科学计算（比如矩阵、图论、网络等）。BSP计算技术最大的优势是加快迭代，在解决最小路径等问题中可以快速得到可行解。同时，Hama提供简单的编程，比如flexible模型、传统的消息传递模型，而且兼容很多分布式文件系统，比如HDFS、Hbase等。用户可以使用现有的Hadoop集群进行Hama BSP.

现在Hama最新的版本为2012年6月31号发行的0.5.0.这是 Hama 做为 Apache 顶级项目后首次发布的版本，该版本包含两个显著的新特性，分别是消息压缩器和完整的 Google Pregel 克隆，另外在计算系统性能和可持续性上都得以提升。

Hama结构：

Hama主要有三部分构成：BSPMaster、GroomServers 和Zookeeper。与Hadoop结构很相似，但没有通信和同步机制的部分。

Hama的集群由一个BSPMaster和多个互不关联的GroomServer作计算结点组成，HDFS和Zookeeper都可以是独立的集群。启动从BSPMaster开始，如果是master会启动BSPMaster、GroomServer两个进程，如果只是计算结点则只会启动GroomServer，启动/关闭脚本都是Master机器远程在GroomServer机器上执行。

图：Hama体系结构

BSPMaster:

BSPMaster 即集群的主，负责了集群各GroomServer结点的管理与作业的调度，就我所知它还存在单点的问题。相当于Hadoop的JobTracker或HDFS的NameNode。其基本作用如下：

1. 维持Groom服务器状态。
2. 维护supersteps和集群中的计数器。
3. 维护Job的进度信息。
4. 调度作业和任务分配给Groom服务器
5. 分配执行的类和配置，整个Groom服务器。
6. 为用户提供集群控制接口（Web和基于控制台）。

GroomServer：

GroomServer是一个process，通过BSPMaster启动BSP任务。每一个Groom都有BSPMaster通信，可以通过BSPMaster获取任务，报告状态。GroomServer在HDFS或者其他文件系统上运行，通常，GroomServer与与数据结点在一个物理结点上运行，以保证获得最佳性能。

Zookeeper：

Zookeeper用来管理BSPPeer的同步，用于实现BarrierSynchronisation机制。在ZK上，进入BSPPeer主要有进入Barrier和离开Barrier操作，所有进入Barrier的Peer会在zk上创建一个EPHEMERAL的node（/bsp/JobID/Superstep NO./TaskID），最后一个进入Barrier的Peer同时还会创建一个readynode(/bsp/JobID/Superstep NO./ready)，Peer进入阻塞状态等待zk上所有task的node都删除后退出Barrier。

BSP Programming Model：

BSP(BulkSynchronous Parallel，整体同步并行计算模型)是英国计算机科学家Viliant在上世纪80年代提出的一种并行计算模型。Google发布的一往篇论文(《Pregel: A System for Large-Scale Graph Processing》)使得这一概念被更多人所认识，据说在Google 80%的程序运行在MapReduce上，20%的程序运行在Pregel上。和MapReduce一样，Google并没有开源Pregel，Apache按Pregel的思想提供了类似框架Hama。

---

以上内容为听华为大数据培训课程和大学MOOC上厦门大学 林子雨的《大数据技术原理与应用》课程而整理的笔记。

大数据技术原理与应用： https://www.icourse163.org/course/XMU-1002335004

---