前置知识

MapReduce：Master 将一个 Map 任务或 Reduce 任务分配给一个空闲的 worker。
Map阶段：被分配了 map 任务的 worker 程序读取相关的输入数据片段，生成并输出中间 k/v 对，并缓存在内存中。
Reduce阶段：所有 map 任务结束，reduce 程序使用 RPC 从 map worker 所在主机的磁盘上读取缓存数据，通过对 key 进行排序后使得具有相同 key 值的数据聚合在一起，reduce 进行操作后输出为文件。

实验内容

实现一个分布式 MapReduce，由两个程序（coordinator 和 worker）组成。只有一个 coordinator 和一个或多个并行执行的 worker 。在真实系统中， worker 会运行在多台不同的机器上，但在本 lab 中将在一台机器上运行所有 worker 。 worker 将通过 RPC 与 coordinator 通话。每个 worker 进程都会向 coordinator 请求 task，从一个或多个文件中读取 task 输入，执行 task，并将 task 输出写入一个或多个文件。 coordinator 应该注意到，如果某个 worker 在合理的时间内（本 lab 使用 10 秒）没有完成任务，就会将相同的 task 交给另一个 worker。
rpc举例：https://pdos.csail.mit.edu/6.824/notes/kv.go
lab内容：https://pdos.csail.mit.edu/6.824/labs/lab-mr.html
Impl：mr/coordinator.go、mr/worker.go、mr/rpc.go
总结一下
对于 Coordiantor：

• map 任务初始化；
• rpc handler：回应worker分配任务请求、回应worker任务完成通知；
• 自身状态控制，处理 map/reduce 阶段，还是已经全部完成；
• 任务超时重新分配；

对于 Worker：

• 给 coordinator 发送 rpc 请求分配任务；
• 给 coordinator 发送 rpc 通知任务完成；
• 自身状态控制，准确来说是 coordinator 不需要 worker 工作时，通知 worker 结束运行；

具体code见：https://github.com/BeGifted/MIT6.5840-2023

实验环境

OS：WSL-Ubuntu-18.04
golang：go1.17.6 linux/amd64

概要设计

所设计的Coordinator、Task、rpc消息格式：

type WorkerArgs struct {WorkerId    intWorkerState int // init\done\failTask        *Task
}type WorkerReply struct {WorkerId    intWorkerState int // init\done\failTask        *Task
}type Coordinator struct {// Your definitions here.MapTaskChan    chan *TaskReduceTaskChan chan *TaskNumReduce      int // reduce numNumMap         int // map numNumDoneReduce  int // reduce done numNumDoneMap     int // map done numState          int // map\reduce\donemu             sync.MutexTimeout        time.DurationMapTasks       map[int]*TaskReduceTasks    map[int]*Task
}type Task struct {TaskId    intTaskType  int // map\reduceTaskState int // int\run\doneNReduce   int // nReduceStartTime time.TimeInput []string
}const (StateMap    = 0StateReduce = 1StateDone   = 2
)const (TaskStateInit = 0TaskStateRun  = 1TaskStateDone = 2
)const (TaskTypeMap    = 0TaskTypeReduce = 1
)const (WorkerStateInit = 0WorkerStateDone = 1WorkerStateFail = 2
)

（TODO）WorkerState 出现 fail 的原因主要是在文件无法打开或读取上，如果是在处理 map 任务时出现 fail，那只有可能是原文件丢失了；如果是 reduce 任务时出现 fail，表示中间文件丢失，需要运行某个特定的 map 任务重新生成，然后再重新开始该 reduce 任务。当然，不实现这个也不会影响 test。

主要流程

创建 Coordinator

创建 Coordinator 并且初始化，将需要处理的数据片段放入 MapTaskChan 信道。这里将单个文件视作一个数据片段进行处理，也就是说有 len(files) 个 map 任务。

func MakeCoordinator(files []string, nReduce int) *Coordinator {c := Coordinator{}// Your code here.c.NumMap = len(files)c.NumReduce = nReducec.MapTaskChan = make(chan *Task, len(files))c.ReduceTaskChan = make(chan *Task, nReduce)c.MapTasks = make(map[int]*Task)c.ReduceTasks = make(map[int]*Task)c.NumDoneMap = 0c.NumDoneReduce = 0c.State = StateMapc.Timeout = time.Duration(time.Second * 10)for i, file := range files {input := []string{file}task := Task{TaskId:    i,TaskType:  TaskTypeMap,TaskState: TaskStateInit,Input:     input,NReduce:   nReduce,StartTime: time.Now(),}c.MapTaskChan <- &taskc.MapTasks[i] = &task}c.server()return &c
}

运行 Worker

Worker 主要处理两类任务：map 和 reduce。这两类任务通过 rpc 与 Coordinator 通信获取。
map 任务处理：

if task.TaskType == TaskTypeMap {filename := task.Input[0]intermediate := []KeyValue{}file, err := os.Open(filename)if err != nil {log.Fatalf("cannot open %v", filename)continue}content, err := ioutil.ReadAll(file)if err != nil {log.Fatalf("cannot read %v", filename)continue}file.Close()// log.Println("mapf")// log.Println(task.TaskId)kva := mapf(filename, string(content))intermediate = append(intermediate, kva...)// sort.Sort(ByKey(intermediate))ReduceSplit := make(map[int][]KeyValue)for _, kv := range intermediate {ReduceSplit[ihash(kv.Key)%task.NReduce] = append(ReduceSplit[ihash(kv.Key)%task.NReduce], kv)}for i := 0; i < task.NReduce; i++ {oname := fmt.Sprintf("mr-%d-%d.tmp", task.TaskId, i)ofile, _ := os.Create(oname)enc := json.NewEncoder(ofile)for _, kv := range ReduceSplit[i] {err := enc.Encode(&kv)if err != nil {log.Fatalf("cannot encode %v", kv)break}}ofile.Close()}// Task Doneargs.Task = taskTaskDone(&args)
}

reduce 任务处理：

if task.TaskType == TaskTypeReduce {var kva ByKeyfor _, filename := range task.Input {file, err := os.Open(filename)if err != nil {log.Fatalf("cannot open %v", filename)file.Close()continue}dec := json.NewDecoder(file)for {var kv KeyValueif err := dec.Decode(&kv); err != nil {break}kva = append(kva, kv)}file.Close()}sort.Sort(kva)i := 0oname := fmt.Sprintf("mr-out-%d", task.TaskId)ofile, _ := os.Create(oname)for i < len(kva) {j := i + 1for j < len(kva) && kva[j].Key == kva[i].Key {j++}values := []string{}for k := i; k < j; k++ {values = append(values, kva[k].Value)}output := reducef(kva[i].Key, values)fmt.Fprintf(ofile, "%v %v\n", kva[i].Key, output)i = j}// Task Doneargs.Task = taskTaskDone(&args)
}

WorkerHandler

给 worker 分配 map/reduce 任务，取决于阶段任务是否全部完成，当阶段任务全部完成，coordinator 的状态也需要更新。这个过程全局加锁。
处理 map 阶段：

if c.State == StateMap {select {case reply.Task = <-c.MapTaskChan:reply.Task.StartTime = time.Now()reply.Task.TaskState = TaskStateRundefault:for _, mapTask := range c.MapTasks {if mapTask.TaskState == TaskStateRun && time.Since(mapTask.StartTime) > c.Timeout {mapTask.StartTime = time.Now()reply.Task = mapTaskreturn nil}}}
}

处理 reduce 阶段：

if c.State == StateReduce {select {case reply.Task = <-c.ReduceTaskChan:reply.Task.StartTime = time.Now()reply.Task.TaskState = TaskStateRundefault:for _, reduceTask := range c.ReduceTasks {if reduceTask.TaskState == TaskStateRun && time.Since(reduceTask.StartTime) > c.Timeout {reduceTask.StartTime = time.Now()reply.Task = reduceTaskreturn nil}}}
}

需要注意的是，除了这两个阶段外还有 StateDone 阶段，即 reduce 任务都执行完毕了，coordinator 还没完全回收，此时 worker 还在请求分配任务，这时候就应该通知 worker 停止。

DoneHandler

coordinator 处理任务完成的通知。全程加锁。在这里更新 task/coordinator 状态。

func (c *Coordinator) DoneHandler(args *WorkerArgs, reply *WorkerReply) error {c.mu.Lock()defer c.mu.Unlock()task := args.Taskif task.TaskType == TaskTypeMap {if task.TaskState == TaskStateRun {task.TaskState = TaskStateDonec.MapTasks[task.TaskId].TaskState = TaskStateDonec.NumDoneMap++}} else if task.TaskType == TaskTypeReduce {if task.TaskState == TaskStateRun {task.TaskState = TaskStateDonec.ReduceTasks[task.TaskId].TaskState = TaskStateDonec.NumDoneReduce++}}if c.State == StateMap {if c.NumDoneMap == c.NumMap {c.State = StateReducefor i := 0; i < c.NumReduce; i++ {input := []string{}for j := 0; j < c.NumMap; j++ {input = append(input, fmt.Sprintf("mr-%d-%d.tmp", j, i))}task := Task{TaskId:    i,TaskType:  TaskTypeReduce,TaskState: TaskStateInit,NReduce:   c.NumReduce,StartTime: time.Now(),Input:     input,}c.ReduceTaskChan <- &taskc.ReduceTasks[i] = &task}}} else if c.State == StateReduce {if c.NumDoneReduce == c.NumReduce {c.State = StateDone}}return nil
}

实验结果

bash test-mr-many.sh 10