摘  要： 針對已有增量分類算法只是作用于小規(guī)模數(shù)據(jù)集或者在集中式環(huán)境下進(jìn)行的缺點(diǎn)，提出一種基于Hadoop云計算平臺的增量分類模型，以解決大規(guī)模數(shù)據(jù)集的增量分類。為了使云計算平臺可以自動地對增量的訓(xùn)練樣本進(jìn)行處理，基于模塊化集成學(xué)習(xí)思想，設(shè)計相應(yīng)Map函數(shù)對不同時刻的增量樣本塊進(jìn)行訓(xùn)練，Reduce函數(shù)對不同時刻訓(xùn)練得到的分類器進(jìn)行集成，以實(shí)現(xiàn)云計算平臺上的增量學(xué)習(xí)。仿真實(shí)驗證明了該方法的正確性和可行性。
關(guān)鍵詞： 增量分類；Hadoop；云計算

    隨著信息技術(shù)和生物技術(shù)突飛猛進(jìn)的發(fā)展，科學(xué)研究和實(shí)際應(yīng)用中產(chǎn)生了海量數(shù)據(jù)，并且這些數(shù)據(jù)每天都在增加，為了將每天產(chǎn)生的新數(shù)據(jù)納入到新的學(xué)習(xí)系統(tǒng)，需要利用增量學(xué)習(xí)。增量學(xué)習(xí)比較接近人類自身的學(xué)習(xí)方式，可以漸進(jìn)地進(jìn)行知識的更新，修正和加強(qiáng)以前的知識，使得更新后的知識能適應(yīng)更新后的數(shù)據(jù)，而不必重新學(xué)習(xí)全部數(shù)據(jù)，從而降低了對時間和空間的需求。模塊化是擴(kuò)展現(xiàn)有增量學(xué)習(xí)能力的有效方法之一[1]，而集成學(xué)習(xí)（Ensemble Learning）一直是機(jī)器學(xué)習(xí)領(lǐng)域的一個研究熱點(diǎn)[2-6]，許多模塊化增量分類算法[7-9]正是基于二者提出的。
    云計算(Cloud Computing)這一新名詞從2007年第3季度誕生起就在學(xué)術(shù)界和產(chǎn)業(yè)界引起了轟動，Google、IBM、百度、Yahoo等公司都開始進(jìn)行“云計算”的部署工作。云計算是分布式計算(Distributed Computing)、并行計算(Parallel Computing)和網(wǎng)格計算(Grid Computing)的發(fā)展與延伸。在云計算環(huán)境下，互聯(lián)網(wǎng)用戶只需要一個終端就可以享用非本地或遠(yuǎn)程服務(wù)集群提供的各種服務(wù)（包括計算、存儲等），真正實(shí)現(xiàn)了按需計算，有效地提高了云端各種軟硬件資源的利用效率。隨著云計算技術(shù)的日益成熟，云計算也為解決海量數(shù)據(jù)挖掘所面臨的問題提供了很好的基礎(chǔ)[10]。雖然在機(jī)器學(xué)習(xí)領(lǐng)域，對增量學(xué)習(xí)進(jìn)行了較深入的研究，但是在云計算環(huán)境下，還沒有相關(guān)文獻(xiàn)討論利用增量分類提高云計算環(huán)境下海量數(shù)據(jù)挖掘的效率問題。本文基于模塊化的集成學(xué)習(xí)思想，研究在開源云計算平臺Hadoop[11]上的增量分類方法。
1 Hadoop云平臺的體系結(jié)構(gòu)
    在現(xiàn)有的云計算技術(shù)中， Apache軟件基金會(Apache Software Foundation) 組織下的開源項目Hadoop是一個很容易支持開發(fā)和并行處理大規(guī)模數(shù)據(jù)的分布式云計算平臺，具有可擴(kuò)展、低成本、高效和可靠性等優(yōu)點(diǎn)。程序員可以使用Hadoop中的Streaming工具(Hadoop為簡化Map/Reduce的編寫，為讓不熟悉Java的程序員更容易在Hadoop上開發(fā)而提供的一個接口)使用任何語言編寫并運(yùn)行一個Map/Reduce作業(yè)。Hadoop項目包括多個子項目，但主要是由Hadoop分布式文件系統(tǒng)HDFS（Hadoop Distributed File System）和映射/化簡引擎（Map/Reduce Engine）兩個主要的子項目構(gòu)成。
1.1 分布式文件系統(tǒng)HDFS
    Hadoop實(shí)現(xiàn)了一個分布式文件系統(tǒng)(Hadoop Distribu-
tedFile System)，簡稱HDFS。HDFS采用Master/Slave架構(gòu)，一個HDFS集群由一個NameNode節(jié)點(diǎn)和若干DataNode節(jié)點(diǎn)組成。NameNode節(jié)點(diǎn)存儲著文件系統(tǒng)的元數(shù)據(jù)，這些元數(shù)據(jù)包括文件系統(tǒng)的名字空間等，并負(fù)責(zé)管理文件的存儲等服務(wù)，程序使用的實(shí)際數(shù)據(jù)并存放在DataNode中，Client是獲取分布式文件系統(tǒng)HDFS文件的應(yīng)用程序。圖1是HDFS結(jié)構(gòu)圖。
    圖1中，Master主要負(fù)責(zé)NameNode及JobTracker的工作，JobTracker的主要職責(zé)是啟動、跟蹤和調(diào)度各個Slave任務(wù)的執(zhí)行。還會有多臺Slave，每一臺Slave通常具有DataNode的功能并負(fù)責(zé)TaskTracker的工作。TaskTracker根據(jù)應(yīng)用要求來結(jié)合本地數(shù)據(jù)執(zhí)行Map任務(wù)以及Reduce任務(wù)。

1.2 Map/Reduce分布式并行編程模型
    Hadoop框架中采用了Google提出的云計算核心計算模式Map/Reduce，它是一種分布式計算模型，也是簡化的分布式編程模式[12]。Map/Reduce把運(yùn)行在大規(guī)模集群上的并行計算過程抽象成兩個函數(shù)：Map和Reduce，其中，Map把任務(wù)分解成多個任務(wù)，Reduce把分解后的多個任務(wù)處理結(jié)果匯總起來，得到最終結(jié)果。圖2介紹了用Map/Reduce處理數(shù)據(jù)的過程。一個Map/Reduce操作分為兩個階段：映射和化簡。

    在映射階段（Map階段），Map/Reduce框架將用戶輸入的數(shù)據(jù)分割為N個片段，對應(yīng)N個Map任務(wù)。每一個Map的輸入是數(shù)據(jù)片段中的鍵值對<K1，V1>集合，Map操作會調(diào)用用戶定義的Map函數(shù)，輸出一個中間態(tài)的鍵值對<K2，V2>。然后，按照中間態(tài)K2將輸出的數(shù)據(jù)進(jìn)行排序，形成<K2，list(V2)>元組，這樣可以使對應(yīng)于同一個鍵的所有值的數(shù)據(jù)都集合在一起。最后，按照K2的范圍將這些元組分割成M個片段，從而形成M個Rdeuce任務(wù)。
    在化簡階段(Reduce階段)，每一個Reduce操作的輸入是Map階段的輸出，即<K2，list(V2)>片段，Reduce操作調(diào)用用戶定義的Reduce函數(shù)，生成用戶需要的結(jié)果<K3，V3>進(jìn)行輸出。
2 基于Map/Reduce的模塊化增量分類模型
    基于Map/Reduce的增量分類模型，主要思想是Map函數(shù)對訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到基于不同時刻增量塊的分類器，Reduce函數(shù)利用Map訓(xùn)練好的分類器對測試樣本進(jìn)行預(yù)測，并且將不同時刻訓(xùn)練得到的分類器進(jìn)行集成，得到最終的分類結(jié)果。基于Map/Reduce的增量分類模型如圖3所示。當(dāng)t1時刻有海量的訓(xùn)練樣本到達(dá)時，通過設(shè)置Map任務(wù)的個數(shù)使得云平臺自動地對到達(dá)的海量樣本進(jìn)行劃分，每個Map的任務(wù)就是對基于劃分所得的樣本子集進(jìn)行訓(xùn)練得到一個基分類器。同一時刻的不同Map之間可以并行訓(xùn)練，從而得到t1時刻的增量分類系統(tǒng)。當(dāng)tT時刻的訓(xùn)練樣本到達(dá)以后，采取相同的步驟，得到tT時刻的不同基分類器，然后將這些分類器加入到tT-1時刻的增量分類系統(tǒng)以構(gòu)成tT時刻的增量分類系統(tǒng)。再采用Reduce函數(shù)將當(dāng)前增量分類系統(tǒng)里所有分類器進(jìn)行集成，集成方法可以采用投票法Majority Voting(MV)進(jìn)行。
2.1 Map過程
    Map函數(shù)的主要功能就是建立不同時刻的增量分類系統(tǒng)。當(dāng)某一時刻有新的訓(xùn)練樣本到達(dá)時，Map便從HDFS將其讀取。通過設(shè)置Map任務(wù)的個數(shù)使得云平臺自動地對大規(guī)模的訓(xùn)練樣本進(jìn)行劃分，每一個Map任務(wù)完成基于一個劃分塊的分類訓(xùn)練，劃分后的不同塊可以并行訓(xùn)練，從而得到基于該時刻增量樣本集的不同分類器，然后將這些分類器加入上一時刻的增量分類系統(tǒng)以構(gòu)成當(dāng)前時刻的增量分類系統(tǒng)。Map函數(shù)偽代碼如下：

 
3 仿真實(shí)驗

    本文用三臺PC搭建了Hadoop云計算平臺，三臺PC的硬件配置均為2GRAM和AMD雙核CPU，各節(jié)點(diǎn)的操作系統(tǒng)為Linux Centos 5.4，Hadoop版本為0.19.2，JDK版本為1.6.0_12。實(shí)驗中一臺PC既部署NameNode和JobTrack，也部署DataNode和TaskTrack，另兩臺PC均部署DataNode和TaskTrack。
    實(shí)驗對兩個數(shù)據(jù)集進(jìn)行了仿真，第一個數(shù)據(jù)集是來自UCI的Adult[13]數(shù)據(jù)集,第二個是來自UCI的Mushrooms(每個實(shí)名屬性都被分解成若干個二進(jìn)制屬性，初始的12號屬性由于丟失未使用)數(shù)據(jù)集。分類器采用SVM[14]。為了證明該方法的正確性，每個實(shí)驗分別在集中式和云平臺兩種環(huán)境下進(jìn)行。兩種環(huán)境都將訓(xùn)練樣本集隨機(jī)劃分為五等份以構(gòu)成5個增量訓(xùn)練子集，也就是按照時間順序進(jìn)行了5次增量訓(xùn)練。由于現(xiàn)實(shí)中采集的增量訓(xùn)練樣本的規(guī)?？赡芎艽螅栽谠破脚_環(huán)境中，通過設(shè)置Map的個數(shù)對樣本進(jìn)行分解。本次實(shí)驗中Map的個數(shù)設(shè)為2，這樣每個增量訓(xùn)練子集都會被云平臺自動劃分成兩塊，各塊之間可以進(jìn)行并行訓(xùn)練。為了與云平臺環(huán)境進(jìn)行對比，在集中式環(huán)境中將每個子集手動均分成兩塊，每塊用來訓(xùn)練一個分類器。每個實(shí)驗均采用了式（1）和式（2）兩種核函數(shù)。
 
其中，相關(guān)參數(shù)γ=0.008，β0=0.009，β1=0，懲罰因子C=1。實(shí)驗所用的兩個數(shù)據(jù)集的數(shù)據(jù)分布如表1所示。
    兩個增量分類系統(tǒng)在不同數(shù)據(jù)集上的分類性能如圖4所示。通過比較可知，集中式增量分類的準(zhǔn)確率和Hadoop云平臺上增量分類準(zhǔn)確率較為接近，證明了本文所提出的在Hadoop云平臺上實(shí)現(xiàn)增量分類方法的可行性和正確性。由于MV方法本身具有較大的波動性，故集中式和Hadoop云平臺環(huán)境中隨著訓(xùn)練樣本的增加，增量分類系統(tǒng)的學(xué)習(xí)能力是曲折上升的。

    本文提出了一種基于Hadoop云平臺的增量分類方法，仿真實(shí)驗表明，基于Hadoop云平臺的增量分類是可行的。與其他增量分類方法相比，該模型簡單，易于實(shí)現(xiàn)。通過設(shè)置平臺中Map任務(wù)的個數(shù)讓云平臺自動地對海量訓(xùn)練樣本進(jìn)行劃分，劃分后的各個任務(wù)相互獨(dú)立，可以進(jìn)行并行訓(xùn)練。這提高了海量數(shù)據(jù)的處理速度，基本實(shí)現(xiàn)了實(shí)時的增量分類。
參考文獻(xiàn)
[1] 羅四維，溫津偉.神經(jīng)場整體性和增殖性研究與分析[J].計算機(jī)研究與發(fā)展，2003，40(5)：668-674.
[2] 周志華，陳世福.神經(jīng)網(wǎng)絡(luò)集成[J].計算機(jī)學(xué)報，2002，25(1)：1-8.
[3] 王玨，石純一.機(jī)器學(xué)習(xí)研究[J].廣西師范大學(xué)學(xué)報，2003，21(2)：1-15.
[4] LU B L，ITO M.Task decomposition and module combination based on class relations:a modular neural networks for  pattern classification[J].IEEE Trans.Neural Networks，1999，10(5)：1244-1256.
[5] HUANG Y S，SUEN C Y.A method of combining multiple  experts for the recognition of unconstrained handwritten numerals[J]. IEEE Trans. Pattern Analysis and Machine Intelligence,1995,17(1):90-94.
[6] WOODS K, KEGELMEYER W P，BOWYER K.Combination of multiple classifiers using local accuracy estimates[J].  IEEE Trans. Pattern Analysis and Machine Intelligence, 1997, 19(4)：405-410.
[7] POLIKAR R，UDPA L，UDPA S S，et al. Learn++:an incremental learning algorithm for supervised neural networks [J]. IEEE Trans. System, Man, and Cybernetic, 2001,31(4)：497-508.
[8] LU B L，ICHIKAWA M. Emergent online learning in minmax modular neural networks[J]. In:Proc. of Inter’l Conference on Neural Network(IJCNN’01), Washington, DC,USA, 2001：2650-2655.
[9] 文益民，楊旸，呂寶糧.集成學(xué)習(xí)算法在增量學(xué)習(xí)中的應(yīng)用研究[J].計算機(jī)研究與發(fā)展, 2005, 42(增刊):222-227.
[10] COPPOCK H W，F(xiàn)REUND J E.All-or-none versus incremental learning of errorless shock escapes by the rat[J]. Science, 1962, 135(3500)：318-319.
[11] Hadoop.[EB/OL].2008-12-16.http://hadoop.apache.org/core/.
[12] DEAN J，GHEMAWAT S.MapReduce:simplified data processingon large clusters[J]. Communications of the ACM, 2008, 51(1):107-113.
[13] PLATT J C. Fast training of support vector machines using sequential minimal optimization[D].SCHOLKOPF B, BURGES C J C, SMOLA A J, editors.Advances in kernel  methods-support vector learning.Cambridge, MA,MIT Press，1998.
[14] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法:支持向量機(jī)[D]. 北京：科學(xué)出版社, 2004.