並行計算框架中的Reduce端自適應負載均衡方法
2024-02-16 07:23:15 1
專利名稱：並行計算框架中的Reduce端自適應負載均衡方法
技術領域：
本發明屬於信息技術領域，涉及一種在分布式計算的環境下進行分布式節點負載均衡的方法，特別涉及一種並行計算框架中的Reduce端自適應負載均衡方法。
背景技術：
隨著數據量的增長以及對數據處理能力需求的增加，傳統的並行計算已經不能很好地應對大數據量下的分布式計算。目前Map-Reduce計算框架通過數據和任務的隨機分配以及硬體資源的並行利用，較好地解決大數據量下的分布式計算的任務分配以及調度的問題，但由於Map-Reduce的任務分配依賴於靜態哈希函數設定以及並行計算個數的設置，導致分布式計算不夠均勻，也不夠面對不同數據自適應。我們以Map-Reduce的實現Hadoop系統為例說明上述問題如圖I所示，為傳統Map-Reduce架構及流程示意圖。其中Hadoop文件系統(簡稱HDFS,Hadoop File System)負責數據的備份、分布式存取,而Map-Reduce計算框架則根據數據的分布，首先把數據進行Map階段的處理，每一個Hadoop文件交給一個Map進行處理，輸出的記錄為key-value對,經過劃分之後，同一個key下的所有value都將會進入同一個Reduce中進行處理。Reduce階段的輸出結果會重新被存放到HDFS中。具體流程為I、開始運行Job。用戶書寫Map和Reduce程序，並且把程序作為Job提交運行。2、Job客戶端從Job Tracker獲取分配的ID，獲得ID才能夠獲得計算資源。3、把Job需要的資源複製到HDFS，需要的資源包括程序中可能使用到的代碼包或者其他數據。4、提交Job給Job Tracker, Job Tracker將開始跟蹤Job的運行情況。5、Job的初始化，環境參數設置，計算資源獲取等。6、從HDFS上獲取Job需要的所有輸入分片(split)。每一個輸入文件從邏輯上由多個split構成。7、任務(Task)開始返回心跳信息。為了跟蹤每一個Map或者Reduce任務的運行情況，所有這些任務需要按照一定的周期向Task Tracker和Job Tracker匯報運行狀態。8、Task Tracker開始從HDFS中獲取運行資源,開始讀取輸入。9、開始運行Map或者Reduce任務。10、運行 Map 任務。IUMap輸出數據開始進行劃分。12、運行Reduce任務並把結果寫入HDFS。在這個傳統的Map-Reduce運行架構圖中，Map輸出的數據經過Partition劃分函數被分配到Reduce。具體做法是在用戶開始運行Map-Reduce任務之前，必須設置好Reduce的個數,此時Partition將會根據key的哈希值對Reduce個數進行取餘運算得到
一個Reduce端的編號(kw&isksGf(RaduLtj)X並且把這個key對應的一條記錄(即一個key-value對)分配到該編號的Reduce。其中在Map對所有key-value對進行Partition之後首先按照塊為單位存放在本地內存或者磁碟中，最後再把這些塊通過網絡傳輸或者直接磁碟複製(當Reduce和Map在同一個節點上的時候)的方式發送到對應Reduce所在的節點上，Reduce階段將會對來自不同Map的數據進行排序(sort)、合併(merge),使得具有相同的key的所有記錄能作為Reduc e —次計算的輸入。Reduce處理結束之後再把所有結果輸出到HDFS中。在這個過程中，Map Task Tracker和Reduce Task Tracker分別需要定期到每一個Map和Reduce中收集相關的運行情況反饋信息。正是由於這種簡單的劃分方式，當不同的key對應的記錄個數分布不均勻或者key對應的value大小也不同的時候，導致了有一些Reduce獲得的數據過大，有一些獲得的數據過小，導致了偏斜。此外，由於在現實任務中Map輸出的數據量和Map輸入的數據量不盡相同，用戶無法估計Reduce所要處理的數據量而設置合適的Reduce個數，無法自動適應分布不同的數據。
發明內容
本發明的目的在於提供一種並行計算框架中自適應的Reduce端負載均衡方法，解決上述偏斜問題，自動適應分布不同的數據。本發明的並行計算框架中的Reduce端自適應負載均衡方法，其步驟包括I、各Map接收相應Hadoop文件,進行Map處理；2、將各Map輸出的數據採用動態哈希函數劃分方法進行分桶保存，其中Map輸出的數據中，同一 key對應的記錄保存在同一桶內；當一桶包含不同key時,其記錄個數或佔用的存儲空間不得超過預先設定的閾值；3、當各Map的輸出達到設定比例後，根據所有Map輸出的所有桶的分布情況產生一個靜態哈希函數，該靜態哈希函數根據桶的個數和桶內的記錄個數或佔用的存儲空間將上述桶劃分為若干互不相交的集合，且各個集合之間的均勻程度不得低於一定的閾值；4、將新的Map輸出根據靜態哈希函數分配到上述某一集合內，直至所有Map輸出的數據均分配至某一集合之中，且每個集合的大小不得超過一定的閾值；5、將同一集合的數據分配到同一 Reduce節點進行Reduce處理。進一步地,存入某一 key對應的Map輸出數據的桶的桶號表不為二進位桶號,至少與根據該key的二進位哈希值前幾位相同。進一步地,新的Map輸出根據其key的二進位哈希值尋找最接近的桶號，以劃分到該桶號所屬的集合中。進一步地，，如果當一桶包含不同key而且其記錄個數或佔用的存儲空間超過預先設定的閾值時，增加一個二進位位以分裂該桶。所述各Map端的輸出達到所有Map輸出的預先設置的閾值百分比。所述動態哈希劃分方法為PAL動態哈希劃分方法。所述的各個集合之間均勻程度不得低於一定的閾值為至少70%以上集合的大小之間的差不超過所有集合平均值的20%。所述的靜態哈希函數為針對本次任務所有數據的分布特點的一種靜態的劃分方法，而且劃分成的集合的個數等於所需要Reduce的個數。
所述的新的Map輸出根據靜態哈希函數分配到上述某一集合的過程為，各個Map隨後輸出的每條記錄，根據該記錄的key，在靜態哈希函數中尋找與該key 二進位最接近的桶號所在的集合，並且把該記錄分配到對應的集合上去。對於每一個集合的大小不得超過一定的閾值，如果其中包含不同的key，則該集合中數據的大小不超過Reduce處理單位的設定大小。集合大小不超過Reduce處理單位的預先設置的閾值百分比。Reduce處理單位的大小為系統自身設置數據塊的大小。對於預先設置的閾值百分比設置為75%。
本發明的特點在於I、本發明通過預先考察部分Map輸出的數據的分布情況來獲得整個任務中Reduce所需要的數據的合理劃分方法，使得儘可能保證每一個Reduce所得到的數據量大小儘可能的接近(比如使得每一個Reduce獲得的數據集合能夠保證至少70%以上集合的大小之間的差不超過所有集合平均值的20% )。2、本發明對已有的Map-Reduce計算框架進行優化,在優化了之後的Map-Reduce計算框架不再需要用戶手動去設置Reduce的個數，而且同時解決了原先Map-Reduce框架下的負載均衡的問題。3、本發明通過考察一定比例(比如70% )的輸入數據，使用動態哈希方法來對全局數據的分布情況進行簡要的預測，最終產生一個靜態的哈希函數，使得在該靜態哈希函數的作用下，所有輸入的數據儘可能能均勻地被劃分到不同的集合(在Reduce中也稱為劃分)中。4、代替原先從Map輸出開始就採用靜態哈希函數劃分數據的方法，本發明從Map端首先開始使用動態哈希函數進行處理，直到處理了特定比例的數據之後生成一個全局上能夠均勻劃分數據的靜態哈希函數，並且此後使用該靜態哈希函數來處理已經處理過的數據和剩下未處理的數據。5、對於生成最終靜態哈希函數的方法，每一個Map的輸出數據在經過動態哈希函數處理之後將得到一個由桶(每個桶至少存放著一條記錄)作為元素構成的集合。然而將所有Map經過動態哈希函數處理之後得到所有桶進行劃分成大小相近的若干個互不相交的子集是NP難的，因此本專利將根據桶的分布情況產生一個靜態的哈希函數，使得當所有的數據經過Map處理之後，該靜態哈希函數接著能夠把所有數據劃分成近似均勻的特定個劃分，每一個劃分被分配到一個Reduce中。因此，本發明通過採用動態哈希函數劃分方法來預測任務所輸入數據的分布，並且根據所預測數據的分布特點產生一個靜態哈希函數，使得在該靜態哈希函數的作用下，所有數據的分發儘可能均勻地分配到各個計算節點中，進而任務調度能夠根據數據分布的情況動態自適應地調整數據和計算資源的分配，減少了運算中出現的偏斜。
圖I傳統Map-Reduce架構及流程示意2本發明Map-Reduce架構及流程示意3本發明劃分方法流程圖具體實施 方式下面說明本發明的具體實現步驟和詳細方法。本實施方式是在Hadoop平臺上進行的，主要對Map-Reduce目前計算框架中存在的問題進行優化。這裡首先給出整個負載均衡器的設計架構圖，並且說明每一個主要模塊負責的內容，接著詳細說明每一個模塊的設計以及實現方式。本發明的方法要求在Map完成所有數據的一定比例(比如75%，後面所提到的75%也出自於此處；這個比例儘可能使得在不影響整體效率的情況下，儘可能地讓產生的靜態哈希函數能夠充分體現整體數據的分布)的處理任務之後，根據Map的輸出的數據分布情況決定Reduce端的數量和一個針對於Reduce端的數據劃分方法,使得Map所有數據都能夠儘可能均勻地分配給不同的Reduce當中。本發明同時還需要保證改進之後的均衡方法能夠在效率上不低於原始的Map-Reduce計算模型，因此當Map不能重複處理這用於預測數據分布情況的數據(上述所說的75%部分)，這要求本負載均衡方法在產生最終的劃分方法之後，不能重新對已經處理過的那部分75%的數據進行再一次劃分。針對上述的要求，本發明對已有的Map-Reduce框架做針對性的修改。本發明的工作利用基於Hadoop進行說明，本專利的主要思想也涵蓋其他實現Map-Reduce架構的系統，主要的改動是對Map-Reduce的Map結果輸出之後採用PartitionBalancer代替原先的Partition,而新的 PartitionBalancer 涉及到原來 Map-Reduce 框架中的的 Job Tracker,Task Tracker, MapTask, ReduceTask, OutputCollector 的修改。為了體現主要的修改，本發明在傳統Map-Reduce運行框架的基礎上繪製了經過修改之後的本發明的框架圖，如圖
2,其中圖中的虛線邊框的Partition是舊的,本發明將其改成新的PartitionBalancer。原始的Job Tracker是需要匯總所有Task(包括MapTask和ReduceTask)的運行狀態情況(主要包含完成的比率，用戶增加的counter等)反饋給用戶。本發明對JobTracker增加統計Task Tracker反饋回來的分桶情況，同時修改Job Tracker以便支持Task Tracker啟動或者暫停Map Task和Reduce Task的控制。原始Task Tracker只負責Map Task和Reduce Task的進度跟蹤和按照一定的周期不斷地向Job Tracker匯報當前Task的運行情況。如果發現Task失敗，則需要重啟Task,保證Map-Reduce的容錯性,此外還負責統計輸入輸出的記錄個數。本發明需要對TaskTracker進行修改,修改對統計信息(counter)的管理,並且向Job Tracker匯報當前分桶情況和每個Map使用的Hash函數。原始的Map Task負責不斷地向Task Tracker匯報當前進度的情況,包括輸入完成的比例、完成的比例。本發明需要對MapTask增加對輸出結果劃分的情況匯報(分桶情況)的功能。原始的OutputCollector 主要有 MapOutputCol lector 和 ReduceOutputCol lector兩個部分，其中MapOutputCol lector負責把Map的輸出都按照一定的劃分方式把數據分配到各個Reduce中。由於當前簡單的直接對key模Reduce個數的方法容易導致Reduce端數據的偏斜，因此本發明需要把劃分改成動態哈希函數的劃分方法首先進行預測，比如PAL動態哈希劃分方法(請參見Per-Ake Larson, Dynamic Hash Tables, 1988),進而獲得能夠針對當前處理數據的自適應的靜態哈希函數劃分方式，使得最後分配給每一個Reduce的數據量都大致相等。
原始的Reduce Task負責向Task Tracker獲取Map Task的完成情況,然後根據Map完成的情況開始進行Copy和Sort等階段，其中Copy階段是由Reduce向Map進行RPC調用實現。由於MapOutputCol lector採用了動態哈希的劃分方法,如果進入同一個Reduce的數據量比較少(能夠在系統允許使用的內存中存放)的情況下,可以在PartitionBalancer分桶過程中保留哈希表(key對應value的數組)，這樣Reduce階段就不再需要Sort階段，因此在數據量較少的情況下，本發明只需要按照桶進行哈希連接操作來代替原先Reduce相對低效的Sort與Merge階段。本發明增加了 PartitionBalancer模塊,它負責根據每一個MapTask反饋的分桶情況和完成比例產生一個只自適應當前Job數據的靜態哈希函數，並採用該靜態哈希函數用於數據劃分。該模塊的運行由Job Tracker控制。下面對本發明框架涉及模塊的詳細說明I、PartitionBalancer 模塊PartitionBalancer是本發明整個負載均分分配的關鍵所在。PartitionBalancer根據Job Tracker中提供的當前Job下的所有Map輸出數據的桶的分布情況(〈桶號,記錄大小 > 集合)，產生一個靜態的哈希函數和特定的Reduce設置的個數，並且把這個哈希函數發送給所有Map端。這個靜態的哈希函數劃分方法將儘可能保證所有數據經過Map操作之後能夠自適應地均勻把數據分配給各個Reduce中。PartitionBalancer主要需要完成的內容就是根據給定〈桶號，記錄大小 > 的集合，產生需要的Reducer端的數量，以及一個合適的靜態哈希函數，使得所有記錄採用這個靜態哈希函數進行劃分之後，能夠被劃分到不同的分區中去，而且每一個分區中的數據儘可能地均勻，也就是分區中的均勻程度不得低於一定的閾值。由於求出該劃分方法是NP難的(若NP中所有問題到某一個問題是圖靈可歸約的，則該問題為NP困難問題。而NP是指非確定性多項式(non-deterministic polynomial,縮寫NP)。所謂的非確定性是指,可用一定數量的運算去解決多項式時間內可解決的問題。請參見http://baike. baidu. com/view/3408158, htm ；http://en. wikipedia. org/wiki/NP-hard),因此這裡米用一種近似的方法。此外由於Reduce處理數據是按照塊為單位來處理的，而塊的大小由用戶在安裝計算框架的時候決定，一般是64MB(也有設為128MB的情況)的大小，這裡假設給定的塊大小為B,而且PartitionBalancer用於預測數據分進而產生靜態哈希函數的數據是總數據的75% (這個畢業是預先設置的閾值百分比)，則PartitionBalancer將儘可能使得最後形成靜態哈希函數的時候得到的每一個劃分的大小都小於BX75%，這樣假設輸入的是所有的數據的情況下，數據才將都儘可能小於塊大小B，有利於Reduce進行數據調度的效率。此外考慮PartitionBalancer自身的效率問題,在ParitionBalancer中不進行分桶操作(分桶將會涉及桶號修改和所改動的桶中所有記錄的重新分配)，而只進行桶的合併進而產生靜態哈希函數。而為了保證來到ParitionBalancer的每一個桶的大小都儘可能小於BX75%，Map端在使用動態哈希函進行分桶操作的時候就需要把這種限制考慮進去，這點在Map Task部分進行說明。下面說明如何進行靜態哈希函數的產生。假設每一個Map提交給PartitionBalancer的是〈桶號,桶大小 > 的集合。那麼要求經過處理獲得靜態哈希函數之後，產生以每一個由桶構成的集合大小都儘可能不超過BX75%00第一步，收集所有Map提交過來的〈桶號，桶大小 >，並且按照桶號進行合併成更大的桶。只要桶號完全相同則合併。
第二步，把桶號之間具有相互包含關係的桶進行合併。首先根據桶號進行字典序列排序，採用的排序方法是快速排序；然後根據桶號的包含關係不斷地合併，如果桶號A和桶號B相交的部分是A(比如A(OOl)包含001**，則把001**加入至IJ 001桶當中)，則把桶號為B的桶加入A桶中。這一步的作用在最後生成的靜態劃分函數了之後，對於一個新輸入的記錄可以很明確地找到對應的桶，而如果A桶和B桶不進行合併，那麼如果一個二進位編號是001*的記錄過來，就不知道應該加入A桶還是加入B桶才合適。第三步，劃分所有桶。首先對已經經過第二步處理得到的桶按照桶大小進行排序，對於大小大約或者等於BX75%的桶，每個桶各自進入單獨的劃分(每一個劃分是由〈桶號，桶大小〉構成的集合)；對大小小於BX75%的桶中最大的桶取出作為一個單獨的新的劃分，然後不斷地從剩下的桶中取出最小的桶不斷地加入這個該大桶所在的新劃分中，直到該劃分中所有桶的記錄大小總和達到BX75%的大小；然後接著取出次大的桶作為新的劃分，以此類推。這樣對所有小於BX75%的桶都被分配到不同的劃分中。第四步，輸出這些靜態哈希函數的劃分方式。經過第三步，我們可以得到一個由劃分構成的集合R，而每一個劃分中都包含一個或者多個桶號。那麼這個R就是PartitionBalancer進行數據劃分的依據，也就是這裡所說的靜態哈希函數,處於相同劃分中的桶號對應的記錄，將會進入相同的Reduce ;而R中的劃分的個數就是Reduce個數。經過劃分之後，已經可以確定那些處於相同劃分的桶中的記錄將會進入相同的Reduce中，因此最終劃分的個數也就已經確定，也確定了 Reduce的個數。Map輸出新的Key-Value進來的時候，首先也按照Key的哈希之後的二進位尋找跟它接近的桶號，並且進入桶號所在的劃分中，進而進入對應的Reduce中。顯然，對於那部分參與靜態哈希函數產生的那75%數據，它們也已經在產生靜態哈希函數的過程中找到了對應的Reduce，避免了對它們進行重新劃分。2、Job Tracker 模塊Job Tracker是整個Job的運行的控制中樞,本發明對Job Tracker進行擴展,使得根據當前Map的運行完成的情況和Map輸出的分桶情況作出決策，是否開始生成靜態哈希函數，如果確認已經可以開始生成靜態哈希函數，則Job Tracker將告知所有Map暫停，並且開始匯總所有Map採用各自的動態哈希函數對數據進行預測而產生的分桶情況，再由PartitionBalancer根據這些分桶情況,開始生成靜態哈希函數；當PartitionBalancer完成了靜態哈希函數的生成之後，PartitionBalancer需要把最終的靜態哈希函數通過JobTracker交給每一個Map端的MapOutputBufTer,並且Job Tracker告知每一個Map開始米用這個全局的靜態函數處理餘下的數據。MapOutputBuffer採用該靜態哈希函數把已經生成的記錄和即將生成的數據映射給對應的Reduce中。3、Map TaskMap端的操作主要由Map Task的對象來實現。本發明修改Map端,使得Map使用PAL動態哈希函數來生成桶，在這裡需要對每一個桶的大小進行限制，並且不斷地向JobTracker報告當前進度，如果進度達到一定的比例(比如75%)，則需要暫停，並且向JobTracker匯報分桶情況，等待獲得一個靜態的哈希函數之後才開始繼續處理剩餘的部分數據(根據前面假設，這裡是25%)。在進行動態哈希產生分桶的過程中，需要對分桶進行如下限制假設Map Task使
用了 M個Map,那麼這些Map產生的所有桶將在PartitionBalancer端合併，假設每個桶平
均大小是R』，那麼最壞情況M個Map輸出的桶都與其他Map輸出的某一個桶進行合併，貝1J合
並得到的新桶中的記錄大小將是MR』。為了保證最終進行劃分的數據中每一個桶不超過塊
的大小B，假設設置的完成比率是p(—般是75% )的時候暫停Map，則假設輸入全部的數據 情況下，在Map端每一個桶的數據量大小必須滿足
I .< W
P否則該桶就需要分裂。也就是除了動態哈希自身設置的比例需要分桶之外，在此條件下仍然需要進行分桶操作。4、Reduce Task本發明修改Reduce Task,使得 Reduce Task 可以從 PartitionBalancer 提供的靜態哈希函數的劃分之後，可以直接獲得預先經過處理的75%的數據，而不需要重新計算；剩餘25 %的數據則通過Map採用靜態哈希函數之後獲得。此外，如果數據量不大，本發明的Reduce Task在運行過程中可以在內存中使用哈希表來存儲記錄，並且進行相同key下所有value的合併,從而可以代替原始Map-Reduce計算框架中Reduce之前包含的sort和merge的過程(該過程用於獲得同一個key的所有value的列表)。可以看出，對於一個Reduce來說，如果處理的數據量較少的情況下，內存中只需要保存桶一個桶下的key和保存與該key對應的所有記錄的地址。因此減少了之前的sort的情況，從而也提高了效率。
權利要求
1.一種並行計算框架中的Reduce端自適應負載均衡方法，其步驟包括 1)各Map接收相應Hadoop文件,進行Map處理； 2)將各Map輸出的數據採用動態哈希函數劃分方法進行分桶保存，其中Map輸出的數據中，同一 key對應的記錄保存在同一桶內；當一桶包含不同key時,其記錄個數或佔用的存儲空間不得超過預先設定的閾值； 3)當各Map的輸出達到設定比例後，根據所有Map輸出的所有桶的分布情況產生ー個靜態哈希函數，該靜態哈希函數根據桶的個數和桶內的記錄個數或佔用的存儲空間將上述桶劃分為若干互不相交的集合，且各個集合之間的均勻程度不得低於一定的閾值； 4)將新的Map輸出根據靜態哈希函數分配到上述某一集合內，直至所有Map輸出的數據均分配至某一集合之中，且每個集合的大小不得超過一定的閾值； 5)將同一集合的數據分配到同一Reduce節點進行Reduce處理。
2.如權利要求I所述的方法，其特徵在於，存入某一key對應的Map輸出數據的桶的桶號表示為ニ進位桶號，至少與根據該key的ニ進位哈希值前幾位相同。
3.如權利要求2所述的方法,其特徵在於,新的Map輸出根據其key的ニ進位哈希值寺找最接近的桶號，以劃分到該桶號所屬的集合中。
4.如權利要求I或2或3所述的方法，其特徵在幹，如果當ー桶包含不同key而且其記錄個數或佔用的存儲空間超過預先設定的閾值時，増加一個ニ進位位以分裂該桶。
5.如權利要求I所述的方法，其特徵在於，所述各Map端的輸出達到所有Map輸出的預先設置的閾值百分比。
6.如權利要求4所述的方法，其特徵在於，所述動態哈希劃分方法為PAL動態哈希劃分方法。
7.如權利要求I所述的方法，其特徵在於，所述的各個集合之間均勻程度不得低於ー定的閾值為至少70%以上集合的大小之間的差不超過所有集合平均值的20%。
8.如權利要求I所屬的方法，其特徵在於，所述的新的Map輸出根據靜態哈希函數分配到上述某一集合的過程為，各個Map隨後輸出的每條記錄，根據該記錄的key，在靜態哈希函數中尋找與該key ニ進位最接近的桶號所在的集合，並且把該記錄分配到對應的集合上去。
9.如權利要求I所述的方法，其特徵在於，所述的靜態哈希函數為針對本次任務所有數據的分布特點的一種靜態的劃分方法，而且劃分成的集合的個數等於所需要Reduce的個數。
10.如權利要求I所述的方法，其特徵在於，對於姆ー個集合的大小不得超過一定的閾值，如果其中包含不同的key,則該集合中數據的大小不超過Reduce處理單位的設定大小。
11.如權利要求10所述的方法,其特徵在於,集合大小不超過Reduce處理單位的預先設置的閾值百分比。
12.如權利要求11所述的方法，其特徵在幹，Reduce處理單位的大小為系統自身設置數據塊的大小。
13.如權利要求5或11所述的方法，其特徵在幹，預先設置的閾值百分比的大小為75%。
全文摘要
本發明涉及一種並行計算框架中的Reduce端自適應負載均衡方法，通過採用動態哈希函數劃分方法來預測任務所輸入數據的分布，並且根據所預測數據的分布特點產生一個靜態哈希函數，使得在該靜態哈希函數的作用下，所有數據的分發儘可能均勻地分配到各個計算節點中，進而任務調度能夠根據數據分布的情況動態自適應地調整數據和計算資源的分配，減少了運算中出現的偏斜，提高了效率。
文檔編號G06F9/50GK102629219SQ201210047028
公開日2012年8月8日 申請日期2012年2月27日 優先權日2012年2月27日
發明者周家帥, 李紅燕, 王林青, 王騰蛟, 高軍 申請人:北京大學