我在这里看到许多答案，它们基本上是在说：“不，您不应该将Hadoop用于仿真，因为它不是为仿真而构建的。”
我认为这是一个短视的观点，类似于1985年有人说过：“您不能使用PC进行文字处理，PC可以用于电子表格！”

Hadoop是构建模拟引擎的理想框架。我已经为此目的使用了几个月，并且在处理小数据/大计算问题方面取得了巨大的成功。这是我迁移到Hadoop进行仿真的5个主要原因（使用R作为仿真语言，顺便说一句）：

1. 访问： 我可以通过Amazon Elastic Map Reduce租用Hadoop集群，而不必花任何时间和精力在集群的管理上。这意味着我实际上可以开始在分布式框架上进行仿真，而无需在组织中获得管理批准！
2. 管理： Hadoop隐式处理作业控制问题，例如节点故障。我不必为这些条件编写代码。如果一个节点发生故障，Hadoop会确保为该节点安排的模拟人生在另一个节点上运行。
3. 可升级： 如果您以后习惯使用Hadoop而遇到涉及大数据的问题，则不必再迁移到新的解决方案，这是一个通用的Map精简引擎，具有强大的分布式文件系统。因此，Hadoop为您提供了一个仿真平台，该平台也可以免费（几乎）扩展到大型数据平台！
4. 支持 ：开源并且被许多公司使用，Hadoop的在线和离线资源数量众多。这些资源中的许多都是在假设“大数据”的情况下编写的，但它们对于学习以地图简化的方式思考仍然有用。
5. 可移植性： 我使用专有工具在专有引擎之上进行了分析，这需要大量的知识才能开始工作。后来当我换工作并发现自己没有一家专有堆栈的公司时，我不得不学习一套新的工具和一套新的模拟堆栈。再也不。我将SAS换成R，将旧的网格架构换成了Hadoop。两者都是开源的，我知道我将来可以从事任何工作，并且立即拥有触手可及的工具来开始踢屁股。