hadoop中slot簡介（map slot 和 reduce slot）

Slots是Hadoop的一個重要概念。然而在Hadoop相關論文，slots的闡述難以理解。網上關于slots的概念介紹也很少，而對于一個有經驗的Hadoop開發者來說，他們可能腦子里已經理解了slots的真正含義，但卻難以清楚地表達出來，Hadoop初學者聽了還是云里霧里。我來嘗試講解一下，以期拋磚引玉。

首先，slot不是CPU的Core，也不是memory chip，它是一個邏輯概念，一個節點的slot的數量用來表示某個節點的資源的容量或者說是能力的大小，因而slot是 Hadoop的資源單位。

Hadoop利用slots來管理分配節點的資源。每個Job申請資源以slots為單位，每個節點會確定自己的計算能力以及memory確定自己包含的slots總量。當某個Job要開始執行時，先向JobTracker申請slots，JobTracker分配空閑的slots，Job再占用slots，Job結束后，歸還slots。每個TaskTracker定期（例如淘寶Hadoop心跳周期是5s）通過心跳(hearbeat)與Jobtracker通信，一方面匯報自己當前工作狀態，JobTracker得夠某個TaskTracker是否Alive；同時匯報自身空閑slots數量。JobTracker利用某個調度規則，如Hadoop默認調度器FIFO或者Capacity Scheduler、FairScheduler等。（注：淘寶Hadoop使用云梯調度器YuntiScheuler，它是基于Fair Scheduler進行修改的）。

Hadoop里有 兩種slots, map slots和reduce slots，map task使用map slots，一一對應，reduce task使用reduce slots。注： 現在越來越多的觀點認為應該打破map slots與 reduce slots的界限，應該被視為統一的資源池，they are all resource，從而提高資源的利用率。區分map slots和reduce slots，容易導致某一種資源緊張，而另一個資源卻有空閑。在Hadoop的下一代框架MapR中，已經取消了map slots與reduce slots的概念，并將Jobtracker的功能一分為二，用ResourceManager來管理節點資源，用ApplicationMaster來監控與調度作業。ApplicationMaster是每個Application都有一個單獨的實例，application是用戶提交的一組任務，它可以是一個或多個job的任務組成。

Hadoop中通常每個tasktracker會包含多個slots，Job的一個task均對應于tasktracker中的一個slot。系統中map slots總數與reducer slots總數的計算公式如下：

Map slots總數=集群節點數×mapred.tasktracker.map.tasks.maximum

Reducer slots總數=集群節點數×mapred.tasktracker.reduce.tasks.maximum