实验室中搭建Spark集群和PyCUDA开发环境

1、安装CUDA

1.1安装前工作

1.1.1选取实验器材

实验中的每台计算机均装有双系统。选择其中一台计算机作为master节点，配置有GeForce GTX 650显卡，拥有384个CUDA核心。另外两台计算机作为worker节点，一个配置有GeForce GTX 650显卡，另外一个配置有GeForce GTX 750 Ti显卡，拥有640个CUDA核心。

 在每台计算机均创建hadoop用户并赋予root权限，本文所有的操作都将在hadoop用户下进行。

1.1.2安装前准备

用以下命令来验证计算机有一个支持CUDA的GPU，只要型号存在于NVIDIA官网（https://developer.nvidia.com/cuda-gpus）就没问题：

$ lspci | grep -i nvidia

用以下命令验证有一个支持CUDA的Linux版本，主要是“x86_64”一项，需要是x86架构，64bit系统：

$ uname -m && cat /etc/*release

 用以下命令验证系统中是否安装有gcc，Ubuntu14.04默认安装，没有的话手动安装，这个用来编译CUDA Toolkit：

$ gcc --version

 系统中的内核头文件和开发包需要与系统内核版本保持一致，系统内核版本用以下命令确认：

$ uname –r

Ubuntu下安装对应内核版本的内核头文件和开发包的命令如下：

$ sudo apt-get install linux-headers-$(uname -r)

以下命令安装必要的库文件：

$ sudo apt-get update

$ sudo apt-get install build-essential

去NVIDIA官网（https://developer.nvidia.com/cuda-downloads）下载最新版本的RUN包，本实验用到的是cuda_7.5.18_linux.run，在Ubuntu系统环境下解压到/home/hadoop/文件路径下，解压命令如下：

$ sudo ./ cuda_7.5.18_linux.run –extract=/home/hadoop/

解压后在目的文件夹下生成三个文件，分别为驱动文件（NVIDIA-Linux-x86_64-352.39.run），CUDA安装包（cuda-linux64-rel-7.5.18-19867135.run），Samples包（cuda-samples-linux-7.5.18-19867135.run）。

1.2安装NVIDIA显卡驱动

1.2.1删除原有显卡驱动

可以通过以下命令删除Ubuntu自带的NVIDIA显卡驱动：

$ sudo apt-get remove nvidia*

$ sudo apt-get autoremove

1.2.2禁止其它显卡驱动运行

需要将Ubuntu集成的NVIDIA驱动加入黑名单，防止驱动冲突导致后期黑屏。具体地，通过修改/etc/modprobe.d/blacklist.conf文件：

$ sudo gedit /etc/modprobe.d/blacklist-nouveau.conf

在blacklist-nouveau.conf中写入：

blacklist nouveau

blacklist lbm-nouveau

options nouveau modeset=0

alias nouveau off

alias lbm-nouveau off

保存并退出，这样就已经禁止了其它显卡驱动。

或者，也可以通过以下两个命令来禁止显卡驱动：

$ echo options nouveau modeset=0 | sudo tee -a /etc/modprobe.d/nouveau-kms.conf

$ sudo update-initramfs -u

1.2.3重启计算机

重启计算机之后，通过Ctrl+Alt+F1(或者 F2 ~ F6) 切换到命令控制台，按照命令行提示输入计算机的用户名和密码，进入之后，用以下命令关闭桌面服务：

$ sudo stop lightdm

1.2.4安装驱动

在/home/hadoop/文件路径下，对已经解压好的驱动文件NVIDIA-Linux-x86_64-352.39.run，设置为可执行权限，并执行。

$ cd /home/hadoop/

$ sudo chmod +x NVIDIA-Linux-x86_64-352.39.run

$ sudo sh NVIDIA-Linux-*-346.35.run

按照屏幕上的提示执行下去即可，直到显示安装成功界面。

1.2.4重启计算机

运行以下命令保存新的NVIDIA配置：

$ sudo nvidia-xconfig 

1.2.5驱动重装

如果安装失败，或者更换驱动版本，则需要卸载先前驱动，具体地：

重启计算机，按下Ctrl+Alt+F1(或者 F2 ~ F6) 切换到命令控制台，关闭桌面服务，将驱动文件所在目录定位到当前目录，通过以下命令卸载即可：

$ cd /home/hadoop/

$ sudo sh NVIDIA-Linux-x86_64-352.39.run --uninstall

通过以下操作删除先前配置的文件：

$ cd /etc/modprobe.d/

$ sudo rm blacklist-nouveau.conf nouveau-kms.conf

$ sudo update-initramfs –u

这样就成功卸载了安装的NVIDIA驱动，如果希望重装，按照上面的步骤再操作即可。可以通过重启计算机或者以下命令开启桌面服务：

$ sudo start lightdm

1.3安装CUDA

1.3.1 安装操作

在/home/hadoop/文件路径下有解压后的CUDA安装包cuda-linux64-rel-7.5.18-19867135.run，对它设置为可执行权限，并执行。

$ cd /home/hadoop/

$ sudo chmod +x cuda-linux64-rel-7.5.18-19867135.run

$ sudo ./cuda-linux64-rel-7.5.18-19867135.run

然后按照提示安装即可，我们选择默认的安装路径/usr/local/cuda-7.5。

1.3.2修改环境变量

安装CUDA之后，必须配置正确的环境变量才可以使用。具体地通过编辑~/.bashrc文件完成。具体操作如下：

$ sudo gedit ~/.bashrc

在~/.bashrc文件中添加下面内容：

export CUDA_ROOT=$CUDA_ROOT:/usr/local/cuda-7.5

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-7.5/lib64/

export PATH=$PATH:/usr/local/cuda-7.5/bin/

通过下面的操作来使得我们修改的环境变量生效：

$ source ~/.bashrc

1.4 安装CUDA Samples

Samples包中含有许多CUDA示例，可用来验证CUDA安装是否已经成功，通过下面的操作来完成Samples的安装：

$ cd /home/hadoop/

$ sudo chmod +x cuda-samples-linux-7.5.18-19867135.run

$ sudo ./cuda-samples-linux-7.5.18-19867135.run

本实验中选择的安装路径为默认安装路径/usr/local/cuda-7.5/samples。完成后就可以开始编译Sample文件。编译命令如下：

$ cd /usr/local/cuda-7.5/samples

$ sudo make

等待全部编译工作完成之后，开始进行验证操作。具体地：

$ cd /usr/local/cuda-7.5/samples/bin/x86_64/linux/release

$ ./deviceQuery

如果出现对应的显卡信息，就说明CUDA安装成功。

在三台计算机上分别执行相同的操作步骤，三台计算机的CUDA安装路径统一为/usr/local/cuda-7.5/，samples安装路径统一为/usr/local/cuda-7.5/samples，成功安装CUDA之后，再开始接下来的步骤。

2、安装PyCUDA。

2.1确保CUDA已经正确安装，并可以通过测试。需要设置$CUDA_ROOT为CUDA的安装路径，将$CUDA_ROOT/bin设置在$PATH中。

2.2通过以下命令安装 Boost C++ 库。

$ sudo apt-get install libboost-all-dev

2.3通过以下操作安装numpy

$ sudo apt-get install python-numpy

2.4安装必要的库操作

$ sudo apt-get install python-dev python-setuptools libboost-python-dev libboost-thread-dev -y

2.5在pycuda官网（https://pypi.python.org/pypi/pycuda）下载最新版本的PyCUDA安装包pycuda-2015.1.3.tar.gz到/usr/local/目录下，并解压。

$ cd /usr/local/

$ sudo tar xzvf pycuda-2015.1.3.tar.gz

2.6修改PyCUDA的配置文件，操作命令如下：

$ cd /usr/local/pycuda-2015.1.3

$ sudo ./configure.py --cuda-root=/usr/local/cuda-7.5 --cudadrv-lib-dir=/usr/lib/x86_64-linux-gnu --boost-inc-dir=/usr/include --boost-lib-dir=/usr/lib --boost-python-libname=boost_python --boost-thread-libname=boost_thread

2.7为避免找不到nvcc的路径，可以通过下面的命令进行编译安装：

   $ sudo env PATH=$PATH make –j 4

   $ sudo env PATH=$PATH python setup.py install

2.8安装完成后，可以通过测试pycuda-2015.1里面的例子来验证安装：

   $ cd /usr/local/pycuda-2015.1.3/examples

   $ python demo.py

  如果出现正确的矩阵计算结果，则表示PyCUDA安装成功。

三台计算机均执行相同的操作，使得PyCUDA安装路径统一为/usr/local/pycuda-2015.1.3，确保PyCUDA安装成功之后，再开始接下来的操作。

3、搭建Hadoop和Spark集群

3.1搭建Hadoop

表一：搭建单机版Hadoop

关键步骤	操作命令	备注说明
创建hadoop用户组和用户,并给hadoop用户赋予root权限	$ sudo addgroup hadoop $ sudo adduser -ingroup hadoop hadoop $ sudo gedit /etc/sudoers	编辑sudoers文件，在root ALL=(ALL:ALL)下添加hadoop ALL=(ALL:ALL)
安装JDK	$ cd /usr/local $ sudo mkdir java $ sudo scp jdk-8u20-linux-x64.gz /usr/local/java/ $ sudo tar xzvf jdk-8u20-linux-x64.gz $ sudo gedit ~/.bashrc $ source ~/.bashrc $ java -version	编辑~/.bashrc文件，把JAVA_HOME、JRE_HOME路径加入其中，并将bin目录加入到PATH路径。 最后显示出正确的java版本表示安装成功。
安装ssh服务	$ sudo apt-get install openssh-server $ sudo apt-get update $ ssh-keygen -t rsa -P "" $ cd ~/.ssh $ cat id_rsa.pub >> authorized_keys $ ssh localhost	这里配置的是ssh免密码登陆本机，需要联网
搭建Hadoop	$ sudo scp hadoop-2.6.0.tar.gz /usr/local/ $ sudo tar xzvf hadoop-2.6.0.tar.gz $ sudo mv hadoop-2.6.0 hadoop $ sudo chown -R hadoop:hadoop hadoop $ cd /usr/local/hadoop/etc/hadoop/ $ sudo gedit hadoop-env.sh $ sudo gedit yarn-env.sh $ sudo gedit slaves $ sudo gedit core-site.xml $ sudo gedit hdfs-site.xml $ sudo gedit mapred-site.xml $ sudo gedit yarn-site.xml $ sudo gedit ~/.bashrc $ source ~/.bashrc	解压hadoop安装包到指定文件路径，并编辑hadoop配置文件，最后通过编辑 ~/.bashrc文件修改环境变量
启动Hadoop	$ cd /usr/local/hadoop $ bin/hadoop namenode –format $ sbin/start-all.sh $ jps	格式化hadoop，然后启动，jps检查启动进程，验证安装

表一详细的列出了搭建单机版Hadoop过程中需要用到的操作命令，环境配置可以根据实际的集群资源状况合理设置，本实验中我们在三台机器上执行相同的配置，jdk安装路径统一为/usr/local/java/jdk1.8.0_20,Hadoop安装路径统一为/usr/local/hadoop。确保三台机器成功安装Hadoop之后，开始搭建分布式集群，主要由以下两个步骤：

3.1.1、对应主机名与IP

将集群中的主机名与IP一一对应，主要通过编辑/etc/hosts文件完成：

$ ifconfig    #检查机器IP地址

$ sudo gedit /etc/hosts

编辑hosts文件，将主机名与IP一一对应,本实验中内容如下：

172.16.82.195    master

172.16.82.196    slave1

172.16.82.197    slave2

3.1.2、SSH集群免密码登录

搭建Hadoop集群时，需要集群间SSH免密码登录，这样集群工作过程中，互相访问就不用再输入密码，可以方便的互相传输数据进而处理数据。配置SSH免密码登录过程如下，这里以master免密码登录slave1为例进行详细说明，其他情况基本与此相同。

在master节点：先前配置单机版本时，已经在~/.ssh目录下生成了公钥和私钥，将生成的公钥复制到slave1节点上

$ cd ~/.ssh

$ scp id_rsa.pub hadoop@slave1:~/

在slave1节点：将拷贝过来的公钥追加到authorized_keys

$ cat id_rsa.pub >> ~/.ssh/authorized_keys

由于authorized_keys的权限需要是600。所以我们再执行以下操作：

$ sudo chmod 600 authorized_keys

在master节点首次登录slave1时要输入yes确认，这样就实现了master免密码登录slave1。

搭建完分布式集群之后，需要启动并测试，启动方法与单机版Hadoop一样，验证方法也类似，按照上述操作即可。

3.2搭建Spark集群

表二：搭建Spark集群

关键步骤	操作命令	备注说明
安装scala	$ cd /usr/local/ $ sudo mkdir scala $ sudo cp scala-2.10.4.tgz /usr/local/scala $ sudo tar -zxf scala-2.10.4.tgz $ sudo gedit ~/.bashrc $ source ~/.bashrc $ scala -version	解压scala安装包到指定路径下，编辑~/.bashrc文件，将SCALA_HOME路径加入其中，并将bin目录加入到PATH路径，显示出正确的scala版本说明安装成功。
安装Spark	$ cd /usr/local/ $ sudo mkdir spark $ sudo cp spark-1.6.0-bin-hadoop2.6.tgz /usr/local/spark/ $ sudo tar -zxf spark-1.6.0-bin-hadoop2.6.tgz $ sudo gedit ~/.bashrc $ source ~/.bashrc	解压spark安装包到指定路径，编辑~/.bashrc文件，将SPARK_HOME路径加入其中，并将bin目录加入到PATH路径。
配置Spark	$ cd /usr/local/spark/spark-1.6.0-bin-hadoop2.6/conf/ $ sudo cp spark-env.sh.template spark-env.sh $ sudo gedit spark-env.sh $ sudo cp slaves.template slaves $ sudo gedit slaves	根据实际集群配置conf目录下的文件
赋予权限	$ sudo chmod -R 777 spark	给Spark赋予权限

在三台机器上执行相同的操作，待全部安装成功，开始启动测试。先启动Hadoop，之后，通过Spark安装目录下的sbin中的start-all.sh脚本来启动Spark集群，通过jps检查启动的进程。也可以通过Spark自带的wordcount程序示例验证安装。

以上技术流程，为本人在实验室环境下亲测，希望能够给各位童鞋朋友带来一些help，可能有许多不足之处还请海涵。有什么学术问题欢迎与我交流！注：禁止抄袭。