摘 要： 移動互聯(lián)網(wǎng)時(shí)代,，各類移動網(wǎng)絡(luò)終端的使用在為移動用戶帶來便利的同時(shí),，也為運(yùn)營商提供了海量的可供挖掘數(shù)據(jù)來源。運(yùn)用大數(shù)據(jù)技術(shù)對非結(jié)構(gòu),、半結(jié)構(gòu),、結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，可以有效提高挖掘效率,，幫助運(yùn)營商找到潛在商機(jī),、提升用戶體驗(yàn)、進(jìn)行精確營銷,。針對大數(shù)據(jù)挖掘中存在的效率問題,，提出了基于改進(jìn)SALS算法的Hadoop推測調(diào)度，從而減少異構(gòu)環(huán)境下的資源浪費(fèi),，提高大數(shù)據(jù)挖掘效率,。
關(guān)鍵詞： 大數(shù)據(jù)挖掘；Hadoop,；推測調(diào)度,；SALS
0 引言
移動互聯(lián)網(wǎng)時(shí)代，隨著3G/4G的普及,，網(wǎng)絡(luò)建設(shè)速度的加快,，以及大規(guī)模的數(shù)碼設(shè)備的使用，移動運(yùn)營商業(yè)務(wù)和數(shù)據(jù)規(guī)模的擴(kuò)張呈幾何級增長[1],。以某省的基本數(shù)據(jù)量為例,，其語音通話記錄每天入庫2.5 TB，SMS話單記錄每天入庫800 GB以上,，MC口信令數(shù)據(jù)每天20 TB,，GN口信令數(shù)據(jù)每天8 TB，警告,、性能等數(shù)據(jù)每天約3 TB,。再計(jì)算通過機(jī)器設(shè)備,、服務(wù)器、軟件自動產(chǎn)生的各類非人機(jī)會話數(shù)據(jù),，以非結(jié)構(gòu)和半結(jié)構(gòu)化形式呈現(xiàn)的數(shù)據(jù)已經(jīng)遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)關(guān)系型數(shù)據(jù)處理的能力范疇,。
傳統(tǒng)的RDBMS可以處理結(jié)構(gòu)化數(shù)據(jù)，其缺點(diǎn)是系統(tǒng)孤立,、處理數(shù)據(jù)量小，面對移動互聯(lián)網(wǎng)時(shí)代數(shù)據(jù)暴增的特點(diǎn),，IT系統(tǒng)的可擴(kuò)展性,、成本控制、數(shù)據(jù)有效性挖掘均需要通過低成本的通用設(shè)備,，通過構(gòu)建“池化資源”并結(jié)合“大數(shù)據(jù)挖掘”能力來推進(jìn)業(yè)務(wù)進(jìn)展,。
池化資源指通過運(yùn)用虛擬化技術(shù)，將單個(gè)物理機(jī)器資源進(jìn)行分割或者將多臺物理機(jī)器資源進(jìn)行整合,，充分利用物理機(jī)的處理能力,，實(shí)現(xiàn)物理機(jī)的高效分配和利用[2]。大數(shù)據(jù)挖掘則針對具有4 V特點(diǎn)的海量數(shù)據(jù)進(jìn)行壓縮,、去重,、整理、交叉分析和對比,，并結(jié)合關(guān)聯(lián),、聚合等傳統(tǒng)數(shù)據(jù)挖掘技術(shù)對非結(jié)構(gòu)化和半結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行分析[3]。本文通過對現(xiàn)有大數(shù)據(jù)挖掘技術(shù)的分析比對,，就其中涉及的數(shù)據(jù)查詢的可優(yōu)化部分進(jìn)行深入討論,。
1 現(xiàn)行的大數(shù)據(jù)挖掘技術(shù)
自大數(shù)據(jù)概念誕生以來，陸續(xù)出現(xiàn)了多種大數(shù)據(jù)挖掘處理技術(shù),，如果以處理的實(shí)時(shí)性來分類,，可以將大數(shù)據(jù)挖掘處理技術(shù)分為兩類：實(shí)時(shí)類處理技術(shù)和批處理技術(shù)。實(shí)時(shí)類大數(shù)據(jù)挖掘處理技術(shù)有Storm,、S4[4]等,，而批處理技術(shù)或者稱為線下處理技術(shù)的典型代表則是MapReduce。對于移動運(yùn)營商來講,，實(shí)時(shí)處理能力固然重要,，但是通過大批量的線下數(shù)據(jù)處理找到潛在的商業(yè)契機(jī)、提升用戶體驗(yàn),、實(shí)施決策分析,、精準(zhǔn)營銷推薦、運(yùn)營效能提升,、創(chuàng)新商業(yè)模式等對于運(yùn)營商來說更為重要,。本文關(guān)注大數(shù)據(jù)批處理中現(xiàn)有技術(shù)的性能提升,。
1.1 MPP架構(gòu)新型數(shù)據(jù)庫技術(shù)
MPP（Massive Parallel Processing）從構(gòu)成上來講，是由多個(gè)SMP服務(wù)器橫向擴(kuò)展組成的分布式服務(wù)器集群[5],。但MPP架構(gòu)并不是一種池化資源的大數(shù)據(jù)處理架構(gòu),，集群中的每個(gè)節(jié)點(diǎn)均可訪問本地資源，采用Share Nothing結(jié)構(gòu),，集群節(jié)點(diǎn)之間并不存在共享及互訪問的問題,，而是通過統(tǒng)一的互聯(lián)模塊來調(diào)度、平衡節(jié)點(diǎn)負(fù)載和并行處理過程,。其架構(gòu)如圖1所示,。
1.2 大數(shù)據(jù)一體機(jī)
大數(shù)據(jù)一體機(jī)是商業(yè)公司專門為處理大數(shù)據(jù)而設(shè)計(jì)的軟硬件一體機(jī)，由集成服務(wù)器,、存儲,、操作系統(tǒng)、數(shù)據(jù)庫軟件,、其他數(shù)據(jù)分析軟件等統(tǒng)一封裝在機(jī)箱內(nèi),，經(jīng)過運(yùn)營商對數(shù)據(jù)處理流程進(jìn)行優(yōu)化，從而形成高性能的大數(shù)據(jù)處理能力,。
1.3 Hadoop開源大數(shù)據(jù)技術(shù)
Hadoop技術(shù)框架是以MapReduce為核心的一個(gè)開源大數(shù)據(jù)處理框架,，其架構(gòu)如圖2所示。其中,，最底層的HDFS為分布式文件系統(tǒng),，底層使用廉價(jià)x86進(jìn)行冗余備份；MapReduce分為map,、shuffle和reduce階段[6],，map階段對處理數(shù)據(jù)進(jìn)行分解映射，分開處理,，shuffle階段拽取map階段數(shù)據(jù)到reduce端,，reduce階段對處理子集進(jìn)行歸約合并，得到處理結(jié)果,；HBase不同于傳統(tǒng)的關(guān)系型數(shù)據(jù)庫,，是一種基于列的分布式數(shù)據(jù)庫。
1.4 小結(jié)
三種大數(shù)據(jù)挖掘處理技術(shù)各有特點(diǎn),，綜合比較如下：根據(jù)CAP理論,，在兼顧分區(qū)性、一致性和分區(qū)可容忍性的情況下,，MPP擴(kuò)展能力有限,，目前最多可以橫向擴(kuò)展至500個(gè)節(jié)點(diǎn)，并且MPP成本較高,，以處理結(jié)構(gòu)性重要數(shù)據(jù)為主,。大數(shù)據(jù)一體機(jī)環(huán)境封閉,，例如Oracle的ExtData，技術(shù)實(shí)現(xiàn)細(xì)節(jié)不清晰,，在處理性能上難以做出橫向?qū)Ρ?，且成本高，這里暫不做討論,。Hadoop以處理非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)為主,，橫向擴(kuò)展能力達(dá)到 1 000個(gè)節(jié)點(diǎn)以上，并且支持廠家和社區(qū)龐大,，成本低廉,，是一項(xiàng)較好的大數(shù)據(jù)挖掘框架技術(shù)。
2 現(xiàn)行的Hadoop推測調(diào)度對大數(shù)據(jù)挖掘的影響
采用Hadoop開源框架進(jìn)行大數(shù)據(jù)挖掘,，具有較多的便利條件：Hive的使用可以簡化數(shù)據(jù)挖掘程序的編寫，只需要掌握普通SQL操作即可進(jìn)行程序編寫,；基于HDFS和MapReduce的分布式特點(diǎn),，數(shù)據(jù)挖掘任務(wù)可以在多臺機(jī)器、不限地域的情況下實(shí)施,，縮短了挖掘時(shí)間,，提高了挖掘效率。但是,，Hadoop對分布式任務(wù)進(jìn)行推測調(diào)度的算法上存在效率問題[7],，下面對該調(diào)度進(jìn)行概要分析。
?。?）為防止任務(wù)因機(jī)器故障,、程序意外中斷引起的任務(wù)執(zhí)行時(shí)間過長，Hadoop啟用了推測調(diào)度,，即啟用新節(jié)點(diǎn)對卡殼任務(wù)進(jìn)行重新執(zhí)行,；
（2）對于每一個(gè)運(yùn)行在節(jié)點(diǎn)上的Task,，其執(zhí)行剩余時(shí)間=（1-當(dāng)前進(jìn)度）/任務(wù)平均計(jì)算速度,，其中任務(wù)平均計(jì)算速度=當(dāng)前進(jìn)度/執(zhí)行時(shí)間；
?。?）根據(jù)（2）對所有Task執(zhí)行剩余時(shí)間進(jìn)行排序,，選出最大的Task，若其平均計(jì)算速度<其他任務(wù)平均速度,，則對該任務(wù)進(jìn)行推測,，啟用新節(jié)點(diǎn)執(zhí)行該節(jié)點(diǎn)的任務(wù)；
?。?）當(dāng)推測節(jié)點(diǎn)任務(wù)執(zhí)行完畢后,，強(qiáng)制結(jié)束執(zhí)行同任務(wù)節(jié)點(diǎn)進(jìn)程,。
上述過程在同構(gòu)環(huán)境且多任務(wù)運(yùn)行的情況下，可以一定程度地避免硬件故障及程序bug對整個(gè)MapReduce的影響,。但其存在如下可能的推測調(diào)度缺陷：（1）由于啟動新節(jié)點(diǎn)重復(fù)執(zhí)行某任務(wù),，會造成同時(shí)存在兩個(gè)以上節(jié)點(diǎn)執(zhí)行同樣任務(wù)，造成資源浪費(fèi),；（2）當(dāng)在異構(gòu)環(huán)境下（硬件機(jī)器廠商不同,、運(yùn)行操作系統(tǒng)差異、機(jī)器性能差異等）,，任務(wù)節(jié)點(diǎn)的資源性能并不等同,，以上述標(biāo)準(zhǔn)判斷是否需要啟動推測調(diào)度，會出現(xiàn)較大誤差,，形成無效的調(diào)度,，從而使新任務(wù)得不到節(jié)點(diǎn)來執(zhí)行任務(wù)；（3）Hadoop針對Reduce階段任務(wù)劃分為復(fù)制,、排序,、歸并，并規(guī)定每一階段占據(jù)1/3進(jìn)度,；然而,，統(tǒng)計(jì)表明，復(fù)制階段最消耗時(shí)間和資源,，明顯存在不合理調(diào)度,。
針對這些問題，本文在SALS算法基礎(chǔ)上進(jìn)行改進(jìn),，從而提高Hadoop的推測調(diào)度效率,，減少重復(fù)任務(wù)，加快MapReduce的執(zhí)行,。
3 采用改進(jìn)SALS算法對Hadoop推測調(diào)度調(diào)優(yōu)
SALS算法原本用于鄰近節(jié)點(diǎn)搜索,，首先確定節(jié)點(diǎn)集合，然后根據(jù)權(quán)重與節(jié)點(diǎn)間舉例建立聯(lián)系圖,。這里,，選取節(jié)點(diǎn)集合節(jié)點(diǎn)的判定，在第二階段根據(jù)Hadoop的推測調(diào)度進(jìn)行修改,。
?。?）對所有運(yùn)行Task節(jié)點(diǎn)進(jìn)行排隊(duì)，形成TaskQueue,，該隊(duì)列保存Slave節(jié)點(diǎn)任務(wù)的索引,，以節(jié)省空間；
?。?）根據(jù)歷史平均速率,，對空閑節(jié)點(diǎn)進(jìn)行排隊(duì),，速率高節(jié)點(diǎn)在隊(duì)列頭部，從未運(yùn)行過節(jié)點(diǎn)速率為所有空閑節(jié)點(diǎn)平均速率,，插入到隊(duì)列中,，形成FreeQueue；
?。?）對TaskQueue進(jìn)行動態(tài)排隊(duì),，每1分鐘1次，并對隊(duì)尾節(jié)點(diǎn)進(jìn)行判定：
?。╝）運(yùn)行時(shí)間超過其他節(jié)點(diǎn)運(yùn)行時(shí)間的1.5倍,；
（b）若為非Reduce任務(wù),，任務(wù)進(jìn)度與上次更新差別在10%以內(nèi),；
（c）若為Reduce任務(wù),，根據(jù)shuffle數(shù)據(jù)量更新進(jìn)度,，任務(wù)進(jìn)度與上次更新差別在10%以內(nèi)。
?。?）符合（3）-（a）且符合（3）-（b）或（3）-（c）時(shí),，對隊(duì)尾任務(wù)啟動新節(jié)點(diǎn)進(jìn)行執(zhí)行,，立即結(jié)束當(dāng)前節(jié)點(diǎn)并做標(biāo)記,，形成BugQueue以備檢查節(jié)點(diǎn)狀態(tài)。
4 實(shí)驗(yàn)驗(yàn)證
為檢驗(yàn)上述算法的有效性,，啟用1臺機(jī)器作為主節(jié)點(diǎn)（2 GB內(nèi)存,，80 GB存儲，Ubuntu OS）,，4臺機(jī)器作為從屬節(jié)點(diǎn)（分別為1 GB,、256 MB、256 MB,、512 MB內(nèi)存,，兩個(gè)Ubuntu OS，兩個(gè)Red Hat OS）進(jìn)行試驗(yàn),。先后部署Hadoop環(huán)境和改進(jìn)推測調(diào)度的Hadoop環(huán)境進(jìn)行驗(yàn)證,，結(jié)果如圖3所示。
實(shí)驗(yàn)表明,，基于改進(jìn)的SALS推測調(diào)度相較于基礎(chǔ)Hadoop推測調(diào)度能提高40%左右的時(shí)間,，達(dá)到了改進(jìn)目的。采用該改進(jìn)的SALS算法后,，可以減少重復(fù)任務(wù)的執(zhí)行數(shù)量并及時(shí)釋放可能存在問題的節(jié)點(diǎn)以備檢查,。合理更新Reduce任務(wù)進(jìn)度,，減少出現(xiàn)活躍任務(wù)節(jié)點(diǎn)被關(guān)閉現(xiàn)象。加強(qiáng)推測調(diào)度的準(zhǔn)確性,，對節(jié)點(diǎn)資源進(jìn)行高效利用,，提高了大數(shù)據(jù)挖掘的效率。
5 結(jié)論
移動互聯(lián)網(wǎng)時(shí)代,，大數(shù)據(jù)技術(shù)在數(shù)據(jù)挖掘方面所起的作用越來越重要,。針對其中可以優(yōu)化改進(jìn)的流程和技術(shù)環(huán)節(jié)還有許多可以深究之處?；诟倪M(jìn)的SALS算法優(yōu)化的推測調(diào)度,，在流程方面優(yōu)化了大數(shù)據(jù)挖掘，提高了Hadoop推測調(diào)度的準(zhǔn)確性和有效性,。除此之外,，大數(shù)據(jù)查詢優(yōu)化、大數(shù)據(jù)不同架構(gòu)之間的融合使用等均值得進(jìn)一步研究,。
參考文獻(xiàn)
[1] 馬建光,，姜巍.大數(shù)據(jù)的概念、特征及其應(yīng)用[J].國防科技,，2013,，34（2）：10-17.
[2] 葛中澤，夏小翔.基于資源池的數(shù)據(jù)訪問模式的探討[J].科學(xué)技術(shù)與工程,，2012,，12（33）：9066-9060.
[3] 吉根林，趙斌.面向大數(shù)據(jù)的時(shí)空數(shù)據(jù)挖掘綜述[J].南京師大學(xué)報(bào),，2014,，37（1）：1-7.
[4] 孫朝華.基于Storm的數(shù)據(jù)分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2014.
[5] 辛晃,，易興輝,，陳震宇.基于Hadoop+MPP架構(gòu)的電信運(yùn)營商網(wǎng)絡(luò)數(shù)據(jù)共享平臺研究[J].電信科學(xué)，2014（4）：135-145.
[6] 張常淳.基于MapReduce的大數(shù)據(jù)連接算法的設(shè)計(jì)與優(yōu)化[D].合肥：中國科學(xué)技術(shù)大學(xué),，2014.
[7] 周揚(yáng).Hadoop平臺下調(diào)度算法和下載機(jī)制的優(yōu)化[D].長沙：中南大學(xué),，2012.