BISAMR: Una mejora al algoritmo autoadaptativo Mapreduce usando Clustering

• Autor: Apaza Veliz, Ronald Darwin
• Formato: tesis de maestría
• Fecha de Publicación: 2018
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/16348
• Enlace del recurso: https://hdl.handle.net/20.500.12773/16348
• Nivel de acceso: acceso abierto
• Materia: Computacion de alto desempeño; MapReduce; Planificación especulativa; https://purl.org/pe-repo/ocde/ford#1.02.01

En los últimos años, el modelo de programación MapReduce se ha convertido en una de las herramientas con mayor adopción para el tratamiento de Big Data, sin embargo, el rendimiento de MapReduce puede verse seriamente afectado por las tareas stragglers, las cuales son tareas que tienen un tiempo de ejecución anormalmente prolongado y que podrían ocasionar que se extienda el tiempo de ejecución de toda la aplicación; el mecanismo utilizado por MapReduce para hacer frente a este problema es el planificador especulativo, este se encarga de detectar las tareas stragglers e iniciar copias de estas en nodos distintos al que se está ejecutando la tarea original, sin embargo, herramientas MapReduce como Hadoop, aún presentan un bajo rendimiento en su planificación especulativa y esto se debe a que los planificadores utilizados calculan el progreso de las tareas con mecanismos estáticos, esto ocasiona que se detecten tareas stragglers de forma errónea y que en consecuencia las copias iniciadas para estas tareas solo desperdicien recursos del sistema, mientras que las verdaderas tareas stragglers continuarán prolongando el tiempo de ejecución de toda la aplicación, por este motivo, en este trabajo se propone utilizar técnicas de agrupamiento para mejorar la estimación del progreso de las tareas MapReduce y así lograr que los planificadores especulativos tengan una mayor precisión en la selección de tareas stragglers.