数据倾斜情况下基于MapReduce模型的连接算法研究

摘要

基于MapReduce的连接算法的研究是海量数据研究领域的一个重要内容,但都集中在数据分布均匀的情况下进行算法优化,而在实际应用中数据分布往往是不均匀的.本文基于此背景,提出一种适合在数据严重倾斜时使用基于Ma-pReduce编程模型的连接算法Skew Control Join,算法通过采样获取数据集的整体分布,通过全局分区将数据集进行分割,使倾斜数据的处理平均分配到所有的Reduce任务上.实验表明在数据倾斜时,本文提出的算法具有良好的性能,达到研究目标.