CN113806034A - 任务执行方法及装置、计算机可读存储介质和电子设备 - Google Patents
任务执行方法及装置、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN113806034A CN113806034A CN202110011919.0A CN202110011919A CN113806034A CN 113806034 A CN113806034 A CN 113806034A CN 202110011919 A CN202110011919 A CN 202110011919A CN 113806034 A CN113806034 A CN 113806034A
- Authority
- CN
- China
- Prior art keywords
- task
- execution
- tasks
- completed
- uncompleted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/482—Application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5017—Task decomposition
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种任务执行方法及任务执行装置、存储介质和电子设备,涉及数据处理技术领域。该任务执行方法包括:获取多个任务中各任务对应的任务信息,多个任务包括已完成任务集合和未完成任务集合;利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率;利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率;利用参考执行效率和各未完成任务的执行效率,从未完成任务集合中确定目标任务,将目标任务分配给除当前执行目标任务的执行器之外的执行器。本公开通过对比已完成任务的执行效率与未完成任务的执行效率,准确推测出执行效率低下的任务,为执行效率低下的任务重新分配执行器,降低了任务的执行时间。
Description
技术领域
本公开涉及数据处理技术领域,具体而言,涉及一种任务执行方法及任务执行装置、计算机可读存储介质和电子设备。
背景技术
在大数据平台下,为确保平台内任务的有效执行,平台通常搭建任务调度平台对任务进行管理。
任务调度平台通常将平台内的任务分割成多个阶段来完成,当一个阶段的任务全部完成后,执行下一阶段的任务,直至所有任务执行完成。每个阶段中又可以包含多个子任务,任务调度平台将这多个子任务分配给多个执行器来共同完成,不同执行器上的不同子任务可以并行执行。
由于各个执行器的配置性能不同、网络波动等原因,不同执行器上的子任务的执行时间参差不齐,有些子任务可能很快就可以完成,有些子任务可能执行很长一段时间也未能完成,而未完成的子任务会影响整个阶段的完成时间,进而影响整个平台内任务的完成时间。
发明内容
本公开的目的在于提供一种任务执行方法及任务执行装置、计算机可读存储介质和电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的任务执行时间较长的问题。
根据本公开的第一方面,提供一种任务执行方法,包括:获取多个任务中各任务对应的任务信息,多个任务包括已完成任务集合和未完成任务集合;利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率;利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率;利用参考执行效率和各未完成任务的执行效率,从未完成任务集合中确定目标任务,将目标任务分配给除当前执行目标任务的执行器之外的执行器。
可选的,利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率,包括:当已完成任务的数量满足预设条件时,利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率。
可选的,利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率,包括:当已完成任务的数量满足预设条件时,利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率。
可选的,获取多个任务中各任务对应的任务信息,包括:获取一任务开始执行的时间点,计算当前时间点与开始执行的时间点之间的时间间隔,作为执行时间;确定执行时间内任务对应的输入数据量和输出数据量;计算输入数据量与输出数据量之和,作为任务的执行数据量;其中,任务的任务信息被配置为包括执行时间和执行数据量。
可选的,利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率,包括:计算已完成任务集合中各已完成任务的执行数据量的总和,作为已完成任务的执行数据量总和;计算已完成任务集合中各已完成任务的执行时间的总和,作为已完成任务的执行时间总和;计算已完成任务的执行数据量总和与已完成任务的执行时间总和的比值,确定参考执行效率。
可选的,利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率,包括:分别计算未完成任务集合中各未完成任务的执行数据量与执行时间的比值,确定各未完成任务的执行效率。
可选的,利用参考执行效率和各未完成任务的执行效率,从未完成任务集合中确定目标任务,包括:利用各未完成任务的执行效率分别与参考执行效率进行比较;将执行效率低于参考执行效率的未完成任务确定为目标任务。
根据本公开的第二方面,提供一种任务执行装置,包括:信息获取模块、已完成效率计算模块、未完成效率计算模块、任务确定模块。
具体的,信息获取模块可以用于获取获取多个任务中各任务对应的任务信息,多个任务包括已完成任务集合和未完成任务集合;已完成效率计算模块可以用于利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率;未完成效率计算模块可以用于利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率;任务确定模块可以利用参考执行效率和各未完成任务的执行效率,从未完成任务集合中确定目标任务,将目标任务分配给除当前执行目标任务的执行器之外的执行器。
可选的,已完成效率计算模块可以被配置为执行:当已完成任务的数量满足预设条件时,利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率。
可选的,未完成效率计算模块可以被配置为执行:当已完成任务的数量满足预设条件时,利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率。
可选的,信息获取模块可以被配置为执行:获取一任务开始执行的时间点,计算当前时间点与开始执行的时间点之间的时间间隔,作为执行时间;确定执行时间内任务对应的输入数据量和输出数据量;计算输入数据量与输出数据量之和,作为任务的执行数据量;其中,任务的任务信息被配置为包括执行时间和执行数据量。
可选的,已完成效率计算模块可以被配置为执行:计算已完成任务集合中各已完成任务的执行数据量的总和,作为已完成任务的执行数据量总和;计算已完成任务集合中各已完成任务的执行时间的总和,作为已完成任务的执行时间总和;计算已完成任务的执行数据量总和与已完成任务的执行时间总和的比值,确定参考执行效率。
可选的,未完成效率计算模块可以被配置为执行:分别计算未完成任务集合中各未完成任务的执行数据量与执行时间的比值,确定各未完成任务的执行效率。
可选的,任务确定模块可以被配置为执行:利用各未完成任务的执行效率分别与参考执行效率进行比较;将执行效率低于参考执行效率的未完成任务确定为目标任务。
根据本公开的第三方面,提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任意一种的任务执行方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述任意一种的任务执行方法。
在本公开的一些实施例所提供的技术方案中,获取多个任务中各任务对应的任务信息,多个任务包括已完成任务集合和未完成任务集合;利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率;利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率;利用参考执行效率和各未完成任务的执行效率,从未完成任务集合中确定目标任务,将目标任务分配给除当前执行目标任务的执行器之外的执行器。本公开提出的任务执行方法,一方面,可以降低推测出的执行效率低下的任务的数量,进而减少需要重新执行的任务的数量,避免了资源浪费;另一方面,通过对比已完成任务的执行效率与未完成任务的执行效率,可以准确推测出执行效率低下的任务,提高推测出的执行效率较低的任务的准确率,为执行效率低下的任务重新分配执行器,使运行效率低下的任务能够较快的完成,降低了任务的执行时间。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示意性示出了根据本公开的示例性实施方式的任务执行方法的流程图;
图2示意性示出了根据本公开的示例性实施方式的基于Spark计算引擎实现任务执行方法的架构图;
图3示意性示出了根据本公开的示例性实施方式的优化前后推测任务数量的对比图;
图4示意性示出了根据本公开的示例性实施方式的优化前后判断低效任务成功率的对比图;
图5示意性示出了根据本公开的示例性实施方式的优化前后Spark应用平均运行时间的对比图;
图6示意性示出了根据本公开的示例性实施方式的任务执行装置的方框图;
图7示意性示出了根据本公开的示例性实施方式的电子设备的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
Spark是一种大规模数据处理计算引擎。在执行Spark任务时,首先将该任务拆分成不同阶段的具有依赖关系的多批任务,每批任务都包含多个子任务,只有当一个阶段内的所有子任务都执行完成时,该阶段才算结束,才会执行下一个阶段相应的任务,当所有阶段的任务都完成时,一个完整的Spark任务才结束。
由于集群内机器的性能配置不同、网络波动等原因,导致每个阶段中各个子任务的执行时间参差不齐,有的子任务很快就执行完成了,而有的子任务可能执行很长一段时间也未能完成,而未完成的子任务会影响整个阶段的完成时间,进而影响整个Spark任务的完成时间。因此需要对执行时间较长的子任务进行推测执行,在不同的执行器上再启动一个相同的子任务,当有一个子任务执行完成时,停止另一个子任务。
但是,现有技术的推测执行算法较为简单,无法及时发现运行效率较低的任务,导致整个阶段的运行时间变长,进而影响Spark任务的执行时间;并且,现有技术的推测执行算法存在没有必要的任务推测执行,导致资源浪费,在Spark集群资源有限的情况下,会影响其他Spark任务的调度执行,影响Spark任务的执行时间。
鉴于此,本公开提出了一种任务执行方法。
需要说明的是,在上述背景技术部分公开的信息仅用于方便实施例中的描述,本公开中的方法也可以应用于除Spark数据处理计算引擎之外的其他计算引擎。
图1示意性示出了本公开的示例性实施方式的任务执行方法的流程图。参考图1,所述任务执行方法方法可以包括以下步骤:
S12.获取多个任务中各任务对应的任务信息,所述多个任务包括已完成任务集合和未完成任务集合。
在本公开的示例性实施方式中,获取任务信息的操作由任务驱动器完成,任务驱动器负责把用户输入的程序转换为任务,负责跟踪执行器的运行情况,负责执行器中任务的调度等。多个任务指的是数据处理任务,可以为Spark数据处理计算引擎中执行的任务,也可以为其他数据处理计算引擎中执行的任务,本公开对此不做限制。任务信息可以包括数据处理过程中每个任务的输入数据量、输出数据量与执行时间等,其中,输入数据即各任务在执行过程中接收到的数据,输出数据即各任务在执行过程中输出的数据,执行时间即各任务从开始执行的时间点到当前时间点的时间间隔,已完成任务指的是已经将所要处理的数据处理完成的任务,已完成任务集合即为所有已完成任务所组成的任务集合,未完成任务指的是还未将所要处理的数据处理完成的任务,未完成任务集合即为所有未完成任务所组成的任务集合。
在本公开的示例性实施方式中,任务驱动器获取多个数据处理任务中各个任务对应的输入数据量、输出数据量和执行时间等,多个数据处理任务包括所有已完成任务所组成的任务集合和所有未完成任务所组成的任务集合。
在本公开的示例性实施方式中,获取一任务开始执行的时间点,计算当前时间点与开始执行的时间点之间的时间间隔,作为执行时间;确定执行时间内任务对应的输入数据量和输出数据量;计算输入数据量与输出数据量之和,作为任务的执行数据量;其中,任务的任务信息被配置为包括执行时间和执行数据量。
在本公开的示例性实施方式中,在一个任务的开始执行的时候,记录开始执行的时间点,并获取当前时间的时间点,通过计算当前时间点与开始执行任务的时间点之间的时间间隔,即可得到任务的执行时间。任务对应的输入数据量和输出数据量,可以通过驱动器来获取并记录,得到输入数据量和输出数据量之后,计算输入数据量和输出数据量之和,即可得到这个任务在执行时间内总共处理的数据量总和,即执行数据量。所有任务的执行时间和执行数据量都可通过上述方法获得,任务的任务信息此时可以配置为包括执行时间和执行数据量。
S14.利用所述已完成任务集合中各已完成任务的任务信息,确定参考执行效率。
在本公开的示例性实施方式中,参考执行效率指的是能够较为合理的反应出所有已完成任务的执行效率的一个值,这个值用来与每个未完成任务的执行效率进行比较,进而确定出执行效率较低的未完成任务。利用所有已完成任务所组成的任务集合中各个已完成任务的执行时间和执行数据量,确定参考执行效率。
在本公开的示例性实施方式中,当已完成任务的数量满足预设条件时,利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率。在任务执行过程中,只有当已完成任务的数量满足预设条件时,才会进行参考执行效率的计算,例如,预设条件可以为当已完成任务的数量与任务总数量的比值高于60%时,进行参考执行效率的计算,具体的比值可以根据实际情况由用户自由设定。
在本公开的示例性实施方式中,计算已完成任务集合中各已完成任务的执行数据量的总和,作为已完成任务的执行数据量总和;计算已完成任务集合中各已完成任务的执行时间的总和,作为已完成任务的执行时间总和;计算已完成任务的执行数据量总和与已完成任务的执行时间总和的比值,确定参考执行效率。
在本公开的示例性实施方式中,计算参考执行效率的方法可以为计算所有已完成任务执行效率的平均值,当计算量过大时,为了提高计算速度,降低资源占用,还可以通过随机抽取部分已完成任务,计算抽取到的已完成任务执行效率的平均值的方法,得到参考执行效率,另外,还可以通过其他方式来获得一个表示所有已完成任务执行效率的值,本公开对此不做限制。
在本公开的示例性实施方式中,以计算所有已完成任务执行效率的平均值为例,可以将所有已完成任务的执行数据量进行相加求和,得到已完成任务的执行数据量总和;然后将所有已完成任务的执行时间进行相加求和,得到已完成任务的执行时间总和,最后通过计算执行数据量总和与执行时间总和的比值,得到参考执行效率。
S16.利用所述未完成任务集合中各未完成任务的任务信息,确定各所述未完成任务的执行效率。
在本公开的示例性实施方式中,各所述未完成任务的执行效率指的是每一个未完成任务的执行效率。利用所有未完成任务所组成的任务集合中各个未完成任务的执行时间和执行数据量,计算各个未完成任务的执行效率。
在本公开的示例性实施方式中,当已完成任务的数量满足预设条件时,利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率。在任务执行过程中,只有当已完成任务的数量满足预设条件时,才会进行参考执行效率的计算,例如,预设条件可以为当已完成任务的数量与任务总数量的比值高于60%时,进行参考执行效率的计算,具体的比值可以根据实际情况由用户自由设定。
在本公开的示例性实施方式中,分别计算未完成任务集合中各未完成任务的执行数据量与执行时间的比值,确定各未完成任务的执行效率。其中,每个未完成任务都对应有一个计算出的未完成任务的执行效率,参考执行效率只有一个,通过所有已完成任务的执行数据量总和与执行时间总和计算得到。
S18.利用所述参考执行效率和各所述未完成任务的执行效率,从所述未完成任务集合中确定目标任务,将所述目标任务分配给除当前执行所述目标任务的执行器之外的执行器。
在本公开的示例性实施方式中,目标任务即为执行效率低于参考执行效率的未完成任务,在确定出目标任务后,将目标任务分配给其他执行器,执行器负责任务的执行,并且负责将数据存储在内存或者磁盘上,每个阶段中可以有一个或多个各自独立的执行器,各个执行器可以配置于一台设备上,也可以配置于多台设备上,当某一阶段中的执行器数量不足时,可以通过驱动器申请计算资源,再建立一个执行器。
在本公开的示例性实施方式中,可以将一个目标任务分配给除当前执行所述目标任务的执行器之外的一个执行器,具体分配给哪个执行器视执行器的执行能力而定;在计算资源足够的情况下,也可以将一个目标任务分配给多个执行器,当这多个执行器中有一个执行器将目标任务执行完成,这多个执行器中其他执行目标任务的执行器停止执行目标任务,可以进一步降低任务的执行时间。
在本公开的示例性实施方式中,利用各未完成任务的执行效率分别与参考执行效率进行比较;将执行效率低于参考执行效率的未完成任务确定为目标任务。
在本公开的示例性实施方式中,还可以通过设置执行效率系数的方式,从未完成任务中确定目标任务。具体的,将各个未完成任务的执行效率与执行效率系数相乘,得到计算结果,将各个未完成任务对应的计算结果分别与参考执行效率进行比较,将计算结果低于参考执行效率的未完成任务确定为目标任务。其中,执行效率系数的默认值通常设置为1,也可以设置为1.2、0.8等,具体取值可以根据实际情况而定。
在本公开的示例性实施方式中,将目标任务分配给除当前执行所述目标任务的执行器之外的执行器,在该执行器上执行目标任务,当一个阶段内的未完成任务都执行完成后,开始执行下一阶段的任务。
在本公开的示例性实施方式中,以Spark作业中各个任务的执行为例,对本公开中的方法进行进一步说明。
在一个Spark集群中,有一个节点负责中央协调,调度各个分布式从节点。这个中央协调节点被称为驱动器(Driver)节点,与之对应的从节点被称为执行器(Executor)节点。驱动器节点可以和大量的执行器节点进行通信,它们都作为独立的进程运行。驱动器节点和所有的执行器节点一起被称为一个Spark应用(Application)。驱动器将对弹性分布式数据集的操作转化成一个由操作组成的逻辑上的有向无环图,并将有向无环图中的弹性分布式数据集划分到多个不同的阶段进行处理,每个阶段由多个任务组成,即多个阶段构成了一个完整的Spark作业。
参考图2,图2示意性示出了本公开的示例性实施方式的基于Spark计算引擎实现任务执行方法的架构图。如图2所示,一个Spark作业中的某一阶段包含10个任务,当任务划分后,驱动器会根据当前的执行器节点集合,把所有任务基于数据所在位置分配给合适的执行器进程,其中,任务1至任务3分配给执行器1,任务4至任务6分配给执行器2,任务7至任务9分配给执行器3,任务10分配给执行器4。在各个任务的执行过程中,驱动器对所有的执行器节点有完整的记录,任务1至任务10在执行过程中,可以记录其对应的输入数据量和输出数据量的大小,然后通过网络上报给驱动器,如图2中过程1所表示的过程。
驱动器接收到各个任务上报的输入数据量和输出数据量的大小,当有一半(参数可设置)的任务执行完成示,即有5个任务执行完成时,计算所有已完成任务的输入数据量之和,记为sumInputRecords,计算所有已完成任务的输出数据量之和,记为sumOutputRecords,计算已完成任务的总耗时,记为sumExecutorRunTime,已完成任务的运行效率,即参考执行效率为:
successTaskProgress=(sumInputRecords+sumOutputRecords)/sumRunTime。
驱动器针对未完成任务,根据当前时间与未完成任务对应的开始执行时间,计算出未完成任务的执行时间,记为runTime,根据未完成任务上报给驱动器的输入数据量和输出数据量的大小,计算出各个未完成任务对应的执行效率,记为TaskProgress,其中,
TaskProgress=(inputRecords+outputRecords)/runTime。
驱动器将各个未完成任务的执行效率TaskProgress分别与参考执行效率successTaskProgress进行比较,比较方法可以为:
当TaskProgress≤Multiplier*successTaskProgress时,判定该执行效率TaskProgress对应的未完成任务为低效任务,即目标任务。其中,Multiplier为执行效率系数,默认值为1,如图2所示,任务1与任务4为目标任务。
如图2所示,因为执行器4上只执行了一个任务10,因此执行器4的执行压力相比于其他执行器要小,所以将任务1和任务4分配到执行器4进行执行,图2执行器4中的任务1+、任务4+即表示将任务1和任务4分配到执行器4中执行,图2中的过程2即为将任务1+和任务4+对应的输入数据量和输出数据量的大小通过网络上报给驱动器的过程。至此一轮任务执行方法完成,接下来继续对各个未完成任务使用本公开中提出的任务执行方法进行判断,并继续将执行效率较低的任务分配给其他执行器进行执行,直至这个阶段的所以任务都执行完成。
本公开提出的任务执行方法,是对现有的Spark任务推测执行算法的一种优化,为了更直观的体现出本公开中任务执行方法的效果,分别使用本公开中提出的任务执行方法与现有的Spark任务推测执行方法,基于60万个Spark应用程序,运行在2万7千个数据节点上,进行了优化前后的对比分析。
参考图3,图3示意性示出了本公开的示例性实施方式的优化前后推测任务数量的对比图。如图3所示,a为优化前判断出的低效任务的数量,数值为8510110,b为优化后判断出的低效任务的数量,数值为2211013。可以发现,优化后判断出的低效任务数量明显降低,即通过本公开提出的任务执行方法,避免了重新运行效率较高的任务,节省了计算资源。
参考图4,图4示意性示出了本公开的示例性实施方式的优化前后判断低效任务成功率的对比图。如图4所示,a为优化前判断出低效任务的成功率,数值为0.55,b为优化后判断出低效任务的成功率,数值为0.44,可以发现,优化后判断出低效任务的成功率有所提升,即通过本公开中的任务执行方法,可以更加准确的判断出执行效率较低的任务,提升了判断低效任务的成功率。
参考图5,图5示意性示出了本公开的示例性实施方式的优化前后Spark应用平均运行时间的对比图。如图5所示,a为优化前Spark应用的平均运行时间,数值为1810秒,b为优化后Spark应用的平均运行时间,数值为1537秒,可以发现,优化后Spark应用平均运行时间有所降低,即通过本公开中的任务执行方法,可以提前发现执行效率较低的任务,并分配到其他执行器进行执行,降低了Spark应用的运行时间。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中还提供了一种任务执行装置。
图6示意性示出了本公开的示例性实施方式的任务执行装置的方框图。参考图6根据本公开的示例性实施方式的任务执行装置6可以包括信息获取模块61、已完成效率计算模块63、未完成效率计算模块65、任务确定模块67。
具体的,信息获取模块61可以用于获取获取多个任务中各任务对应的任务信息,多个任务包括已完成任务集合和未完成任务集合;已完成效率计算模块63可以用于利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率;未完成效率计算模块65可以用于利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率;任务确定模块67可以利用参考执行效率和各未完成任务的执行效率,从未完成任务集合中确定目标任务,将目标任务分配给除当前执行目标任务的执行器之外的执行器。
根据本公开的示例性实施例,已完成效率计算模块63可以被配置为执行:当已完成任务的数量满足预设条件时,利用已完成任务集合中各已完成任务的任务信息,确定参考执行效率。
根据本公开的示例性实施例,未完成效率计算模块65可以被配置为执行:当已完成任务的数量满足预设条件时,利用未完成任务集合中各未完成任务的任务信息,确定各未完成任务的执行效率。
根据本公开的示例性实施例,信息获取模块61可以被配置为执行:获取一任务开始执行的时间点,计算当前时间点与开始执行的时间点之间的时间间隔,作为执行时间;确定执行时间内任务对应的输入数据量和输出数据量;计算输入数据量与输出数据量之和,作为任务的执行数据量;其中,任务的任务信息被配置为包括执行时间和执行数据量。
根据本公开的示例性实施例,已完成效率计算模块63可以被配置为执行:计算已完成任务集合中各已完成任务的执行数据量的总和,作为已完成任务的执行数据量总和;计算已完成任务集合中各已完成任务的执行时间的总和,作为已完成任务的执行时间总和;计算已完成任务的执行数据量总和与已完成任务的执行时间总和的比值,确定参考执行效率。
根据本公开的示例性实施例,未完成效率计算模块65可以被配置为执行:分别计算未完成任务集合中各未完成任务的执行数据量与执行时间的比值,确定各未完成任务的执行效率。
根据本公开的示例性实施例,任务确定模块67可以被配置为执行:利用各未完成任务的执行效率分别与参考执行效率进行比较;将执行效率低于参考执行效率的未完成任务确定为目标任务。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光盘、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种任务执行方法,其特征在于,包括:
获取多个任务中各任务对应的任务信息,所述多个任务包括已完成任务集合和未完成任务集合;
利用所述已完成任务集合中各已完成任务的任务信息,确定参考执行效率;
利用所述未完成任务集合中各未完成任务的任务信息,确定各所述未完成任务的执行效率;
利用所述参考执行效率和各所述未完成任务的执行效率,从所述未完成任务集合中确定目标任务,将所述目标任务分配给除当前执行所述目标任务的执行器之外的执行器。
2.根据权利要求1所述的任务执行方法,其特征在于,利用所述已完成任务集合中各已完成任务的任务信息,确定参考执行效率,包括:
当所述已完成任务的数量满足预设条件时,利用所述已完成任务集合中各已完成任务的任务信息,确定参考执行效率。
3.根据权利要求1所述的任务执行方法,其特征在于,利用所述未完成任务集合中各未完成任务的任务信息,确定各所述未完成任务的执行效率,包括:
当所述已完成任务的数量满足预设条件时,利用所述未完成任务集合中各未完成任务的任务信息,确定各所述未完成任务的执行效率。
4.根据权利要求1所述的任务执行方法,其特征在于,获取多个任务中各任务对应的任务信息,包括:
获取一任务开始执行的时间点,计算当前时间点与所述开始执行的时间点之间的时间间隔,作为执行时间;
确定所述执行时间内所述任务对应的输入数据量和输出数据量;
计算所述输入数据量与所述输出数据量之和,作为所述任务的执行数据量;
其中,所述任务的任务信息被配置为包括所述执行时间和所述执行数据量。
5.根据权利要求4所述的任务执行方法,其特征在于,利用所述已完成任务集合中各已完成任务的任务信息,确定参考执行效率,包括:
计算所述已完成任务集合中各已完成任务的所述执行数据量的总和,作为所述已完成任务的执行数据量总和;
计算所述已完成任务集合中各已完成任务的所述执行时间的总和,作为所述已完成任务的执行时间总和;
计算所述已完成任务的执行数据量总和与所述已完成任务的执行时间总和的比值,确定所述参考执行效率。
6.根据权利要求4所述的任务执行方法,其特征在于,利用所述未完成任务集合中各未完成任务的任务信息,确定各所述未完成任务的执行效率,包括:
分别计算所述未完成任务集合中各未完成任务的所述执行数据量与所述执行时间的比值,确定各所述未完成任务的执行效率。
7.根据权利要求1所述的任务执行方法,其特征在于,利用所述参考执行效率和各所述未完成任务的执行效率,从所述未完成任务集合中确定目标任务,包括:
利用各所述未完成任务的执行效率分别与所述参考执行效率进行比较;
将所述执行效率低于所述参考执行效率的未完成任务确定为所述目标任务。
8.一种任务执行装置,其特征在于,包括:
信息获取模块,用于获取获取多个任务中各任务对应的任务信息,所述多个任务包括已完成任务集合和未完成任务集合;
已完成效率计算模块,用于利用所述已完成任务集合中各已完成任务的任务信息,确定参考执行效率;
未完成效率计算模块,用于利用所述未完成任务集合中各未完成任务的任务信息,确定各所述未完成任务的执行效率;
任务确定模块,利用所述参考执行效率和各所述未完成任务的执行效率,从所述未完成任务集合中确定目标任务,将所述目标任务分配给除当前执行所述目标任务的执行器之外的执行器。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的任务执行方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的任务执行方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011919.0A CN113806034A (zh) | 2021-01-06 | 2021-01-06 | 任务执行方法及装置、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011919.0A CN113806034A (zh) | 2021-01-06 | 2021-01-06 | 任务执行方法及装置、计算机可读存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113806034A true CN113806034A (zh) | 2021-12-17 |
Family
ID=78892858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011919.0A Pending CN113806034A (zh) | 2021-01-06 | 2021-01-06 | 任务执行方法及装置、计算机可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806034A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120110047A1 (en) * | 2010-11-15 | 2012-05-03 | International Business Machines Corporation | Reducing the Response Time of Flexible Highly Data Parallel Tasks |
CN104331520A (zh) * | 2014-11-28 | 2015-02-04 | 北京奇艺世纪科技有限公司 | Hadoop集群性能优化方法及装置和节点状态识别方法及装置 |
CN109815011A (zh) * | 2018-12-29 | 2019-05-28 | 东软集团股份有限公司 | 一种数据处理的方法和装置 |
CN109995824A (zh) * | 2017-12-29 | 2019-07-09 | 阿里巴巴集团控股有限公司 | 一种对等网络中的任务调度方法及装置 |
CN110716796A (zh) * | 2019-09-02 | 2020-01-21 | 中国平安财产保险股份有限公司 | 智能任务调度方法及装置、存储介质、电子设备 |
CN111221698A (zh) * | 2018-11-26 | 2020-06-02 | 北京京东金融科技控股有限公司 | 任务数据采集方法与装置 |
CN111641678A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 任务调度方法、装置、电子设备及介质 |
-
2021
- 2021-01-06 CN CN202110011919.0A patent/CN113806034A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120110047A1 (en) * | 2010-11-15 | 2012-05-03 | International Business Machines Corporation | Reducing the Response Time of Flexible Highly Data Parallel Tasks |
CN104331520A (zh) * | 2014-11-28 | 2015-02-04 | 北京奇艺世纪科技有限公司 | Hadoop集群性能优化方法及装置和节点状态识别方法及装置 |
CN109995824A (zh) * | 2017-12-29 | 2019-07-09 | 阿里巴巴集团控股有限公司 | 一种对等网络中的任务调度方法及装置 |
CN111221698A (zh) * | 2018-11-26 | 2020-06-02 | 北京京东金融科技控股有限公司 | 任务数据采集方法与装置 |
CN109815011A (zh) * | 2018-12-29 | 2019-05-28 | 东软集团股份有限公司 | 一种数据处理的方法和装置 |
CN110716796A (zh) * | 2019-09-02 | 2020-01-21 | 中国平安财产保险股份有限公司 | 智能任务调度方法及装置、存储介质、电子设备 |
CN111641678A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 任务调度方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
陈明丽;刘旭敏;: "Hadoop平台下改进的推测任务调度算法", 传感器与微系统, no. 02, 20 February 2017 (2017-02-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3285170B1 (en) | Application profiling job management system, program, and method | |
JP6447120B2 (ja) | ジョブスケジューリング方法、データアナライザ、データ解析装置、コンピュータシステム及びコンピュータ可読媒体 | |
US9513967B2 (en) | Data-aware workload scheduling and execution in heterogeneous environments | |
US9563470B2 (en) | Backfill scheduling for embarrassingly parallel jobs | |
CN112948079B (zh) | 任务调度方法、装置、设备和计算机存储介质 | |
US10509683B2 (en) | Modeling resource usage for a job | |
CN108205469B (zh) | 一种基于MapReduce的资源分配方法及服务器 | |
US9250886B2 (en) | Optimizing provisioning workflows in cloud computing | |
JP2002342097A (ja) | タスク割当可能時間決定装置及びタスク割当可能時間決定方法 | |
US10402300B2 (en) | System, controller, method, and program for executing simulation jobs | |
US20130268941A1 (en) | Determining an allocation of resources to assign to jobs of a program | |
CN114090537A (zh) | 卫星在轨状态的实时分析方法、装置、系统、设备及介质 | |
CN111625331A (zh) | 任务调度方法、装置、平台、服务器及存储介质 | |
CN111459754A (zh) | 异常任务的处理方法、装置、介质及电子设备 | |
US8028291B2 (en) | Method and computer program product for job selection and resource allocation of a massively parallel processor | |
KR20140097815A (ko) | 자원 할당 방법 및 그 장치 | |
US20220255989A1 (en) | Systems and methods for hybrid burst optimized regulated workload orchestration for infrastructure as a service | |
CN116467061A (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
CN117370065B (zh) | 一种异常任务确定方法、电子设备及存储介质 | |
CN113806034A (zh) | 任务执行方法及装置、计算机可读存储介质和电子设备 | |
CN109739649B (zh) | 资源管理方法、装置、设备及计算机可读存储介质 | |
KR101694307B1 (ko) | 디스크 캐쉬 효과를 극대화하는 워크플로우 작업 스케줄링 장치 및 방법 | |
Janardhanan et al. | Analysis and modeling of resource management overhead in Hadoop YARN Clusters | |
US20230127920A1 (en) | Systems and methods for information management system transaction scheduling as wait-for-input or pseudo-wait-for-input | |
KR102512704B1 (ko) | 매트릭스 연산 방법 및 그 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |