该工具在业界引起巨大反响。总结该成果的发表论文The HiBench benchmark suite: Characterization of the MapReduce-based data analysis[]被广泛引用，仅国际权威学术期刊">IEEE上发表的引用它的论文就有7篇之多。Intel已将该工具的源代码提交给Apache，社区反映相当热烈。
IEEE论文链接
http://ieeexplore.ieee.org/xpl/articleDetails.jsp?reload=true&arnumber=5452747
下载地址
https://github.com/intel-hadoop/HiBench
测试准备：
1. 从https://github.com/intel-hadoop/HiBench上下载HiBench到主节点上。
2. 打开hibench-master/bin/hibench-config.sh，在第27-30行中补上Hadoop目录位置：
HADOOP_EXECUTABLE= /usr/lib/hadoop/conf/bin/hadoop
HADOOP_CONF_DIR = /usr/lib/hadoop/conf
HADOOP_EXAMPLES_JAR=/usr/lib/hadoop/hadoop-examples-1.0.3-Intel.jar
在/usr/lib/hadoop/conf目录下，打开hadoop-env.sh，27行去掉#号，改为
exportJAVA_HOME=/usr/java/latest
3. 打开hive和hbase功能；参数都在各个测试目录下的conf目录中设置，之后在bin目录中执行。
Hibench-dfsioe
测试目的：
通过同时执行大量读写任务来测试集群的吞吐量，包括每个map任务的I/O速率和吞吐量，以及HDFS的综合吞吐量。
参数设置：
RD_NUM_OF_FILES=256
RD_FILE_SIZE=200
WT_NUM_OF_FILES=256
WT_FILE_SIZE=100
测试命令：
在dfsioe/bin下依次执行 prepare-read.sh，run-read.sh，run-write.sh。
测试通过准则：
在hibench.report中输出：
Hibench-nutchindexing
MapReduce最重要的用途之一就是大规模搜索索引。该测试会自行产生大量的web数据，然后通过nutch搜索引擎来搜索以及索引这些数据。
参数设置：
PAGES=100000
NUM_MAPS=96
NUM_REDS=48
测试命令：
在nutchindexing/bin下依次执行 prepare.sh，run.sh。
测试通过准则：
在hibench.report中输出：
Hibench-bayes
测试目的：
MapReduce的另一个功能就是大规模机器学习，该测试同样会自行产生大量数据以供Mahout机器学习库处理。
参数设置：
PAGES=40000
CLASSES=100
NUM_MAPS=96
NUM_REDS=48
NGRAMS=3
测试命令：
在bayes/bin下依次执行 prepare.sh，run.sh。
测试通过准则：
在hibench.report中输出：
Hibench-hivebench
测试目的：
这个负载的开发基于SIGMOD 09的一篇论文“A Comparison of Approaches to Large-Scale Data Analysis”和HIVE-396，包含执行典型OLAP查询的Hive查询（Aggregation and Join），使用自动生成的Web数据，Web数据中的链接符合Zipfian分布。
参数设置：
NUM_MAPS=96
NUM_REDS=48
测试命令：
在hivebench/bin下依次执行 prepare.sh，run-aggregation.sh，run-jion.sh。
测试通过准则：
在hibench.report中输出：
测试结果：
测试结果：