阿里妹導讀：打開一篇篇 IT 技術文章，你總能夠看到“大規模”、“海量請求”這些字眼。這些功能強大的互聯網應用，都運行在大規模數據中心上。數據中心每個機器的運行情況如何？運行著什么樣的應用？應用有什么特點？除了少數資深從業者之外，普通學生和企業的研究者很難了解其中細節。

今天，阿里巴巴再度開放一份計算機集群的真實數據集（Alibaba Cluster Data V2018）。該數據集中記錄了某個生產集群中服務器以及運行任務的詳細情況。我們希望這波數據的發布可以拉近我們與學術研究、業界同行之間的距離，推動產業的進一步發展。

下面，阿里系統軟件事業部的技術專家臨石，為大家深入介紹這份獨特的數據集。

2015 年，我們嘗試在阿里巴巴的數據中心，將延遲不敏感的批量離線計算任務和延遲敏感的在線服務部署到同一批機器上運行，讓在線服務用不完的資源充分被離線使用以提高機器的整體利用率。

經過 3 年多的試驗論證、架構調整和資源隔離優化，目前這個方案已經走向大規模生產。我們通過混部技術將集群平均資源利用率從 10% 大幅度提高到 45%。另外，通過各種優化手段，可以讓更多任務運行在數據中心，將“雙11”平均每萬筆交易成本下降了 17%。

那么，實施了一系列優化手段之后的計算機集群究竟是什么樣子？混部的情況究竟如何？

為了讓有興趣的學生以及相關研究人員，可以從數據上更加深入地理解大規模數據中心，我們特別發布了這份數據集（Alibaba Cluster Data V2018）。數據集中記錄了某個生產集群中服務器以及運行任務的詳細情況。我們希望這波數據的發布可以拉近我們與學術研究、業界同行之間的距離。

在數據集中，你可以詳細了解到我們是如何通過混部把資源利用率提高到 45%；我們每天到底運行了多少任務；以及業務的資源需求有什么特點。如何使用這份數據集，完全取決于你的需要。

這個數據可以做什么？

這份 Alibaba Cluster Data V2018 包含 6 個文件，壓縮后大小近 50GB（壓縮前270+GB），里面包含了 4000 臺服務器、相應的在線應用容器和離線計算任務長達 8 天的運行情況。

通過這份數據，你可以：

了解當代先進數據中心的服務器以及任務運行特點；

試驗你的調度、運籌等各種任務管理和集群優化方面的各種算法并撰寫論文；

利用這份數據學習如何進行數據分析，揭示更多我們自己都未曾發現的規律。

上面這幾點，沒有接觸過類似數據的朋友，可能對于這份數據的用處并沒有直觀的印象，下面我舉幾個簡單的例子：

電商業務在白天和晚上面臨的壓力不同，我們如何在業務存在波峰波谷的情況下提高整體資源利用率？

你知道我們最長的 DAG 有多少依賴嗎？

一個典型的容器存在時間是多久？

一個計算型任務的典型存在時間是多少？一個 Task 的多個 Instance 理論上彼此很相似，但是它們運行的時間都一樣嗎？

實際上，學者們甚至可以用這些數據作出更加精彩的分析。2017年，我們開放的第一波數據（Alibaba Cluster Data V2017），已經產生了多篇優秀的學術成果。

以下是學者們在論文中引用數據（Alibaba Cluster Data V2017）的例子，其中不乏被 OSDI 這樣頂級學術會議收錄的優秀文章。我們期待，未來你也能與我們共同分享你用這份數據產生的成果！

"LegoOS: A Disseminated, Distributed OS for Hardware Resource Disaggregation, Yizhou Shan, Yutong Huang, Yilun Chen, and Yiying Zhang, Purdue University. OSDI'18"(Best paper award!)

"Imbalance in the Cloud: an Analysis on Alibaba Cluster Trace, Chengzhi Lu et al. BIGDATA 2017"

"CharacterizingCo-located Datacenter Workloads: An Alibaba Case Study, Yue Cheng, Zheng Chai,Ali Anwar. APSys2018"

"The Elasticity and Plasticity in Semi-Containerized Co-locating Cloud Workload: aView from Alibaba Trace, Qixiao Liu and Zhibin Yu. SoCC2018"

Cluster Data V2018 更出色

新版本 V2018 與 V2017 存在兩個最大的區別：

DAG 信息加入

我們加入了離線任務的 DAG 任務信息，據了解，這是目前來自實際生產環境最大的 DAG 數據。

究竟什么是 DAG？離線計算任務，例如 Map Reduce、Hadoop、Spark、Flink 中常用的任務，都是以有向無環圖（Directed Acyclic Graph，DAG）的形式進行編排的，其中涉及到任務之間的并行、依賴等方面。下面是一個 DAG 的例子。

規模更大

上一版數據包含了約 1300 臺機器在約 24 小時的內容數據，而新版 Cluster Data V2018 中包括了 4000 臺機器 8 天的數據。

我們建立了一個關于Cluster Data V2018的交流釘釘群。使用釘釘搜索群號：23112775，即可加入。點擊文末“閱讀原文”，可填寫調查問卷。

想看到更多數據？我們長期招收研究型實習生，與我們一起發現問題、解決問題，挑戰世界級技術問題，歡迎投遞簡歷：haiyang.dhy@alibaba-inc.com