r - 使用降雪进行并行计算时为什么不进行负载平衡？

Question

很长一段时间以来，我一直将 sfLapply 用于我的许多并行 r 脚本。但是，最近随着我对并行计算的深入研究，我一直在使用 sfClusterApplyLB，如果单个实例的运行时间不同，它可以节省大量时间。如果 sfLapply 将在加载新批次之前等待批次的每个实例完成(这可能导致空闲实例)，完成其任务的 sfClusterApplyLB 实例将立即分配给列表中的剩余元素，因此可能会节省很多实例花费的时间不完全相同。这让我质疑为什么在使用降雪时我们不想负载平衡我们的运行？
到目前为止我发现的唯一一件事是，当并行脚本中出现错误时，sfClusterApplyLB 仍会在给出错误之前循环遍历整个列表，而 sfLapply 将在尝试第一批后停止。
我还缺少什么？负载平衡还有其他成本/缺点吗？
下面是一个示例代码，显示了两者之间的区别

rm(list = ls()) #remove all past worksheet variables
working_dir="D:/temp/"
setwd(working_dir)
n_spp=16
spp_nmS=paste0("sp_",c(1:n_spp))
spp_nm=spp_nmS[1]
sp_parallel_run=function(sp_nm){
  sink(file(paste0(working_dir,sp_nm,"_log.txt"), open="wt"))#######NEW
  cat('\n', 'Started on ', date(), '\n') 
  ptm0 <- proc.time()
  jnk=round(runif(1)*8000000) #this is just a redundant script that takes an arbitrary amount of time to run
  jnk1=runif(jnk)
  for (i in 1:length(jnk1)){
    jnk1[i]=jnk[i]*runif(1)
  }
  ptm1=proc.time() - ptm0
  jnk=as.numeric(ptm1[3])
  cat('\n','It took ', jnk, "seconds to model", sp_nm)

  #stop sinks
  sink.reset <- function(){
    for(i in seq_len(sink.number())){
      sink(NULL)
    }
  }
  sink.reset()
}
require(snowfall)
cpucores=as.integer(Sys.getenv('NUMBER_OF_PROCESSORS'))

sfInit( parallel=T, cpus=cpucores) # 
sfExportAll() 
system.time((sfLapply(spp_nmS,fun=sp_parallel_run)))
sfRemoveAll()
sfStop()

sfInit( parallel=T, cpus=cpucores) # 
sfExportAll() 
system.time(sfClusterApplyLB(spp_nmS,fun=sp_parallel_run)) 
sfRemoveAll()
sfStop()

Answer 1

sfLapply函数很有用，因为它将输入值拆分为每个可用 worker 的一组任务，这就是 mclapply函数调用预调度。这可以提供比 sfClusterApplyLB 更好的性能当任务不需要很长时间时。

这是一个极端的例子，展示了预调度的优点:

> system.time(sfLapply(1:100000, sqrt))
   user  system elapsed
  0.148   0.004   0.170
> system.time(sfClusterApplyLB(1:100000, sqrt))
   user  system elapsed
 19.317   1.852  21.222