摘 要： 移動互聯(lián)網(wǎng)時代，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，也為運營商提供了海量的可供挖掘數(shù)據(jù)來源。運用大數(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)進行數(shù)據(jù)挖掘，可以有效提高挖掘效率，幫助運營商找到潛在商機、提升用戶體驗、進行精確營銷。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，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，移動運營商業(yè)務和數(shù)據(jù)規(guī)模的擴張呈幾何級增長[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。再計算通過機器設(shè)備、服務器、軟件自動產(chǎn)生的各類非人機會話數(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)遠遠超過了傳統(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)，其缺點是系統(tǒng)孤立、處理數(shù)據(jù)量小，面對移動互聯(lián)網(wǎng)時代數(shù)據(jù)暴增的特點，IT系統(tǒng)的可擴展性、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”能力來推進業(yè)務進展。
池化資源指通過運用虛擬化技術(shù)，將單個物理機器資源進行分割或者將多臺物理機器資源進行整合，充分利用物理機的處理能力，實現(xiàn)物理機的高效分配和利用[2]。大數(shù)據(jù)挖掘則針對具有4 V特點的海量數(shù)據(jù)進行壓縮、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)，如果以處理的實時性來分類，可以將大數(shù)據(jù)挖掘處理技術(shù)分為兩類：實時類處理技術(shù)和批處理技術(shù)。實時類大數(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。對于移動運營商來講，實時處理能力固然重要，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、提升用戶體驗、實施決策分析、精準營銷推薦、運營效能提升、創(chuàng)新商業(yè)模式等對于運營商來說更為重要。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SMP服務器橫向擴展組成的分布式服務器集群[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)，集群中的每個節(jié)點均可訪問本地資源，采用Share Nothing結(jié)構(gòu)，集群節(jié)點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)點負載和并行處理過程。其架構(gòu)如圖1所示。
1.2 大數(shù)據(jù)一體機
大數(shù)據(jù)一體機是商業(yè)公司專門為處理大數(shù)據(jù)而設(shè)計的軟硬件一體機，由集成服務器、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)一封裝在機箱內(nèi)，經(jīng)過運營商對數(shù)據(jù)處理流程進行優(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x86進行冗余備份；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，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擴展能力有限，目前最多可以橫向擴展至500個節(jié)點，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)一體機環(huán)境封閉，例如Oracle的ExtData，技術(shù)實現(xiàn)細節(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，橫向擴展能力達到 1 000個節(jié)點以上，并且支持廠家和社區(qū)龐大，成本低廉，是一項較好的大數(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操作即可進行程序編寫；基于HDFS和MapReduce的分布式特點，數(shù)據(jù)挖掘任務可以在多臺機器、不限地域的情況下實施，縮短了挖掘時間，提高了挖掘效率。但是，Hadoop對分布式任務進行推測調(diào)度的算法上存在效率問題[7]，下面對該調(diào)度進行概要分析。
?。?）為防止任務因機器故障、程序意外中斷引起的任務執(zhí)行時間過長，Hadoop啟用了推測調(diào)度，即啟用新節(jié)點對卡殼任務進行重新執(zhí)行；
（2）對于每一個運行在節(jié)點上的Task，其執(zhí)行剩余時間=（1-當前進度）/任務平均計算速度，其中任務平均計算速度=當前進度/執(zhí)行時間；
?。?）根據(jù)（2）對所有Task執(zhí)行剩余時間進行排序，選出最大的Task，若其平均計算速度<其他任務平均速度，則對該任務進行推測，啟用新節(jié)點執(zhí)行該節(jié)點的任務；
?。?）當推測節(jié)點任務執(zhí)行完畢后，強制結(jié)束執(zhí)行同任務節(jié)點進程。
上述過程在同構(gòu)環(huán)境且多任務運行的情況下，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)點重復執(zhí)行某任務，會造成同時存在兩個以上節(jié)點執(zhí)行同樣任務，造成資源浪費；（2）當在異構(gòu)環(huán)境下（硬件機器廠商不同、運行操作系統(tǒng)差異、機器性能差異等），任務節(jié)點的資源性能并不等同，以上述標準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，從而使新任務得不到節(jié)點來執(zhí)行任務；（3）Hadoop針對Reduce階段任務劃分為復制、排序、歸并，并規(guī)定每一階段占據(jù)1/3進度；然而，統(tǒng)計表明，復制階段最消耗時間和資源，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)上進行改進，從而提高Hadoop的推測調(diào)度效率，減少重復任務，加快MapReduce的執(zhí)行。
3 采用改進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)點搜索，首先確定節(jié)點集合，然后根據(jù)權(quán)重與節(jié)點間舉例建立聯(lián)系圖。這里，選取節(jié)點集合節(jié)點的判定，在第二階段根據(jù)Hadoop的推測調(diào)度進行修改。
?。?）對所有運行Task節(jié)點進行排隊，形成TaskQueue，該隊列保存Slave節(jié)點任務的索引，以節(jié)省空間；
（2）根據(jù)歷史平均速率，對空閑節(jié)點進行排隊，速率高節(jié)點在隊列頭部，從未運行過節(jié)點速率為所有空閑節(jié)點平均速率，插入到隊列中，形成FreeQueue；
?。?）對TaskQueue進行動態(tài)排隊，每1分鐘1次，并對隊尾節(jié)點進行判定：
?。╝）運行時間超過其他節(jié)點運行時間的1.5倍；
（b）若為非Reduce任務，任務進度與上次更新差別在10%以內(nèi)；
?。╟）若為Reduce任務，根據(jù)shuffle數(shù)據(jù)量更新進度，任務進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，對隊尾任務啟動新節(jié)點進行執(zhí)行，立即結(jié)束當前節(jié)點并做標記，形成BugQueue以備檢查節(jié)點狀態(tài)。
4 實驗驗證
為檢驗上述算法的有效性，啟用1臺機器作為主節(jié)點（2 GB內(nèi)存，80 GB存儲，Ubuntu OS），4臺機器作為從屬節(jié)點（分別為1 GB、256 MB、256 MB、512 MB內(nèi)存，兩個Ubuntu OS，兩個Red Hat OS）進行試驗。先后部署Hadoop環(huán)境和改進推測調(diào)度的Hadoop環(huán)境進行驗證，結(jié)果如圖3所示。
實驗表明，基于改進的SALS推測調(diào)度相較于基礎(chǔ)Hadoop推測調(diào)度能提高40%左右的時間，達到了改進目的。采用該改進的SALS算法后，可以減少重復任務的執(zhí)行數(shù)量并及時釋放可能存在問題的節(jié)點以備檢查。合理更新Reduce任務進度，減少出現(xiàn)活躍任務節(jié)點被關(guān)閉現(xiàn)象。加強推測調(diào)度的準確性，對節(jié)點資源進行高效利用，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)化改進的流程和技術(shù)環(huán)節(jié)還有許多可以深究之處?；诟倪M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一步研究。
參考文獻
[1] 馬建光，姜巍.大數(shù)據(jù)的概念、特征及其應用[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)的時空數(shù)據(jù)挖掘綜述[J].南京師大學報，2014，37（1）：1-7.
[4] 孫朝華.基于Storm的數(shù)據(jù)分析系統(tǒng)設(shè)計與實現(xiàn)[D].北京：北京郵電大學，2014.
[5] 辛晃，易興輝，陳震宇.基于Hadoop+MPP架構(gòu)的電信運營商網(wǎng)絡(luò)數(shù)據(jù)共享平臺研究[J].電信科學，2014（4）：135-145.
[6] 張常淳.基于MapReduce的大數(shù)據(jù)連接算法的設(shè)計與優(yōu)化[D].合肥：中國科學技術(shù)大學，2014.
[7] 周揚.Hadoop平臺下調(diào)度算法和下載機制的優(yōu)化[D].長沙：中南大學，2012.