在Hibench的测试中，实际在导入数据时性能的优化就开始了，在conf/hibench.conf文件中，hibench.default.map.parallelism和hibench.default.shuffle.parallelism会对数据的分片以及Mapper、Reducer的Partition数量进行限定；后续需要调优这个分片数，需要重新导入数据。
现象：
采用不同的parallelism数量进行数据导入，采用的是Hadoop Mapreduce进行，在HDFS NameNode界面的Utils – Filesystem Explorer界面上查看Hibench对应数据目录下的文件，能够看到导入成功后实际数据文件的总数与parallelism设置的值相同；另外文件的大小也会随partition的数量而不同，partition越多，单文件越小。
参数初始值设置推荐：
在Spark2x官网上的描述如下所示。
对于Yarn作为集群管理器的Spark2x集群，官方推荐设置为执行节点核数总数的2~3倍，使得每个CPU物理核上运行2~3个Tasks，因此在Hibench的测试中该参数初始值设置为300。
- 场景上：Hibench场景Wordcount、Terasort、Bayesian、K-Means是鲲鹏集群的优势场景，相比SQL场景，该场景在IO数据量上虽然处于基本接近的数量级，但是由于CPU运算的Stage更加复杂，鲲鹏计算密集型更容易发挥优势。
- 硬件配置上：建议保证硬件环境的配置和搭建合理（RAID控制卡Cache策略、网卡配置、块设备配置等）。
- 软件配置上：在客户端及Web按照基础固定值配置的基础上，按照理论计算公式得到较合理的一组Executor执行参数，使能在鲲鹏上效果明显的亲和性配置调优，进行hibench测试能跑出较优的一组性能结果。
- 数据分布上：在测试时根据集群总核数，采用2~3倍总核数作为数据分片的Partitions和Parallelism进行数据分片；在Terasort场景由于有更多的中间数据，推荐可采用3~5倍总核数的分片数，减小单Task文件大小，对性能有正面提升。
- 当前性能结果原因：在HiBench场景，针对相同Task数量的Stage任务，在同样是压满CPU的情况下，由于鲲鹏多核优势，在执行时并发度更高，处理任务时速度相对更快，优势明显。