《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于MapReduce的增量數(shù)據(jù)挖掘研究
基于MapReduce的增量數(shù)據(jù)挖掘研究
來源:微型機(jī)與應(yīng)用2014年第1期
廖寶魁1,,孫雋楓2
(1.貴州大學(xué) 計(jì)算機(jī)科學(xué)與信息學(xué)院,,貴州 貴陽 550025; 2.貴州大學(xué) 管理學(xué)院,,貴州 貴陽
摘要: 頻繁項(xiàng)集挖掘是數(shù)據(jù)挖掘過程中的重要部分,傳統(tǒng)數(shù)據(jù)挖掘算法中常用Apriori算法和FP增長(zhǎng)算法來挖掘頻繁項(xiàng)集,。在實(shí)際應(yīng)用中,,傳統(tǒng)算法往往不能用于頻繁更新的數(shù)據(jù)庫(kù),采用IMBT數(shù)據(jù)結(jié)構(gòu)能從不斷更新的數(shù)據(jù)庫(kù)中挖掘頻繁項(xiàng)集,,但是這將導(dǎo)致存儲(chǔ)空間不足和運(yùn)行效率低下的問題,。基于MapReduce的增量數(shù)據(jù)挖掘能夠有效解決這些問題,,通過對(duì)比基于MapReduce的增量數(shù)據(jù)挖掘和傳統(tǒng)增量數(shù)據(jù)挖掘的運(yùn)行時(shí)間可以證明,,基于Mapeduce的增量數(shù)據(jù)挖掘更高效。
Abstract:
Key words :

摘  要: 頻繁項(xiàng)集挖掘是數(shù)據(jù)挖掘過程中的重要部分,,傳統(tǒng)數(shù)據(jù)挖掘算法中常用Apriori算法和FP增長(zhǎng)算法來挖掘頻繁項(xiàng)集,。在實(shí)際應(yīng)用中,傳統(tǒng)算法往往不能用于頻繁更新的數(shù)據(jù)庫(kù),,采用IMBT數(shù)據(jù)結(jié)構(gòu)能從不斷更新的數(shù)據(jù)庫(kù)中挖掘頻繁項(xiàng)集,,但是這將導(dǎo)致存儲(chǔ)空間不足和運(yùn)行效率低下的問題?;?a class="innerlink" href="http://forexkbc.com/tags/MapReduce" title="MapReduce" target="_blank">MapReduce的增量數(shù)據(jù)挖掘能夠有效解決這些問題,,通過對(duì)比基于MapReduce的增量數(shù)據(jù)挖掘和傳統(tǒng)增量數(shù)據(jù)挖掘的運(yùn)行時(shí)間可以證明,基于Mapeduce的增量數(shù)據(jù)挖掘更高效,。
關(guān)鍵詞: 增量數(shù)據(jù)挖掘,;MapReduce;增量挖掘二叉樹,;頻繁項(xiàng)集

 目前,,數(shù)據(jù)挖掘[1]在計(jì)算機(jī)領(lǐng)域正飛速發(fā)展。數(shù)據(jù)庫(kù)系統(tǒng)領(lǐng)域的發(fā)展主要在數(shù)據(jù)收集,、數(shù)據(jù)庫(kù)創(chuàng)建,、數(shù)據(jù)管理、數(shù)據(jù)分析,、數(shù)據(jù)挖掘,、數(shù)據(jù)倉(cāng)庫(kù)等方面。在數(shù)據(jù)挖掘中,,挖掘關(guān)聯(lián)規(guī)則是相當(dāng)重要的部分,。該部分的主要研究集中在挖掘算法上,。國(guó)內(nèi)外對(duì)頻繁項(xiàng)集挖掘算法一直都有著很深的研究,例如:Apriori算法[1],,F(xiàn)P增長(zhǎng)算法[1-2],。
 但是,現(xiàn)實(shí)應(yīng)用中新的事務(wù)會(huì)不斷地錄入數(shù)據(jù)庫(kù),,這使得許多挖掘算法不能處理動(dòng)態(tài)的數(shù)據(jù),。數(shù)據(jù)庫(kù)隨機(jī)變動(dòng),這些算法不能有效應(yīng)對(duì)數(shù)據(jù)的增添,、刪除等操作,,這使得增量數(shù)據(jù)挖掘[3-5]變得尤為重要。
1 增量數(shù)據(jù)挖掘的必要性
 在現(xiàn)實(shí)應(yīng)用中,,事務(wù)數(shù)據(jù)庫(kù)常處于動(dòng)態(tài)更新狀態(tài),,這需要對(duì)傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘算法做進(jìn)一步改進(jìn),因此出現(xiàn)了一些新的關(guān)聯(lián)規(guī)則,。一些傳統(tǒng)的批量挖掘算法通過反復(fù)掃描數(shù)據(jù)庫(kù)來發(fā)現(xiàn)是否有新的事物添加到數(shù)據(jù)庫(kù)中,,但是這樣做需要大量的運(yùn)算時(shí)間。
 實(shí)際應(yīng)用中,,由于新的事務(wù)不停地添加到數(shù)據(jù)庫(kù)中,,原先產(chǎn)生的頻繁項(xiàng)集將被淘汰掉,基于新的數(shù)據(jù)庫(kù)會(huì)產(chǎn)生新的頻繁項(xiàng)集,。增量挖掘算法能有效避免這樣的問題,。增量數(shù)據(jù)挖掘以之前挖掘的結(jié)果為基礎(chǔ),利用新增的事務(wù)來進(jìn)行增量挖掘,。
2 增量挖掘發(fā)展現(xiàn)狀
2.1 基于IMBT的增量挖掘

 為了能更好地利用現(xiàn)成的挖掘結(jié)果,,采用了一種新的樹形結(jié)構(gòu)來代替FP樹。該結(jié)構(gòu)叫做增量挖掘二叉樹(IMBT)[2],,在事務(wù)添加到數(shù)據(jù)庫(kù)中或從數(shù)據(jù)庫(kù)中刪除后,,它能給出每個(gè)項(xiàng)集的支持度計(jì)數(shù)。與之前的在數(shù)據(jù)庫(kù)更新后通過反復(fù)掃描數(shù)據(jù)庫(kù)得出的頻繁項(xiàng)集支持度計(jì)數(shù)相比,,該算法一次只處理一條事務(wù)并且記錄數(shù)據(jù)集結(jié)構(gòu)中可能的頻繁項(xiàng)集,,節(jié)約了大量的時(shí)間。

2.4 在數(shù)據(jù)庫(kù)更新后挖掘頻繁項(xiàng)集
 給定一個(gè)項(xiàng)集X,,如果X在事務(wù)數(shù)據(jù)庫(kù)中出現(xiàn)的頻率大于或等于預(yù)設(shè)的最小支持度,,X則稱為頻繁項(xiàng)集。如果項(xiàng)集X不是頻繁項(xiàng)集,,它的左半部分的子項(xiàng)集也不是頻繁的,,該算法會(huì)停止處理左半部分的子項(xiàng)集,這樣可以提高挖掘效率,。構(gòu)建好IMBT樹后,,需要遍歷該樹來找出滿足最小支持度閾值的頻繁項(xiàng)集,,挖掘結(jié)果被保存在一張表中以便將來使用。由于IMBT樹的構(gòu)建不需要支持度閾值,,所以可以在數(shù)據(jù)庫(kù)更新后以任何支持度閾值挖掘頻繁項(xiàng)集,。
 該方法采用IMBT樹結(jié)構(gòu),重用從源數(shù)據(jù)庫(kù)中挖掘出來的結(jié)果挖掘新增事務(wù),,使得性能有大幅度提升,。但是該方法仍面臨內(nèi)存空間不夠的問題。隨著程序運(yùn)行,,IMBT樹將會(huì)逐漸擴(kuò)大,這使得內(nèi)存空間容納不下IMBT樹,,運(yùn)行效率也將大大降低,。采用并行機(jī)制來改進(jìn)現(xiàn)有的串行挖掘算法將在性能上有很大地飛躍。
3 問題解決方案
3.1 并行算法

 在并行計(jì)算[6-7]中,,數(shù)據(jù)會(huì)被分發(fā)到不同的計(jì)算機(jī)節(jié)點(diǎn)中去,,并行過程中每臺(tái)計(jì)算機(jī)對(duì)不同的數(shù)據(jù)塊執(zhí)行相同的任務(wù)。
 由于真實(shí)環(huán)境中的數(shù)據(jù)庫(kù)通常非常大,,把整個(gè)數(shù)據(jù)庫(kù)保存在每個(gè)節(jié)點(diǎn)計(jì)算機(jī)上將造成存儲(chǔ)空間過多的浪費(fèi),。將數(shù)據(jù)庫(kù)拆分則能成功地將子數(shù)據(jù)庫(kù)分發(fā)在不同的計(jì)算機(jī)節(jié)點(diǎn)上。由于每臺(tái)計(jì)算機(jī)都保存子數(shù)據(jù)庫(kù),,節(jié)約了大量的存儲(chǔ)空間,。
3.2 并行算法的優(yōu)勢(shì)
 隨著數(shù)據(jù)的增加,當(dāng)數(shù)據(jù)量超過了GB的時(shí)候,,串行數(shù)據(jù)挖掘算法將很難在短時(shí)間內(nèi)給出挖掘結(jié)果,。而且單臺(tái)電腦沒有足夠的內(nèi)存來容納全部的數(shù)據(jù)。在并行條件下,,由于聚集了多臺(tái)計(jì)算機(jī)的存儲(chǔ)空間和處理能力,,因此并行算法能很好地解決運(yùn)行效率低下,存儲(chǔ)空間不足的問題,。
3.3 MapReduce工作流程
 要順利實(shí)現(xiàn)并行算法需用MapReduce框架[8],。MapReduce是由谷歌開發(fā)的標(biāo)準(zhǔn)軟件架構(gòu),主要用于處理大數(shù)據(jù)操作任務(wù),。該架構(gòu)由Map和Reduce組成,。
 當(dāng)有數(shù)據(jù)輸入時(shí),輸入數(shù)據(jù)被分割成塊發(fā)送到各個(gè)節(jié)點(diǎn)計(jì)算機(jī)上,,被分配了任務(wù)的節(jié)點(diǎn)計(jì)算機(jī)讀取并處理收到的輸入數(shù)據(jù)塊,。Map函數(shù)處理完數(shù)據(jù)后輸出中間數(shù)據(jù):鍵值對(duì),輸出的中間鍵值對(duì)暫時(shí)緩沖到內(nèi)存,,這些內(nèi)存中的的鍵值對(duì)將會(huì)寫入到本地硬盤,,然后將中間鍵值對(duì)在本地硬盤的位置信息發(fā)送給主節(jié)點(diǎn)計(jì)算機(jī),,主節(jié)點(diǎn)計(jì)算機(jī)負(fù)責(zé)向執(zhí)行Reduce函數(shù)的計(jì)算機(jī)發(fā)送位置信息,這些計(jì)算機(jī)通過位置信息遠(yuǎn)程從運(yùn)行Map函數(shù)的計(jì)算機(jī)硬盤上讀取中間鍵值對(duì),,并將中間鍵值對(duì)按鍵分類,,擁有相同鍵的值都分在一起,由Reduce函數(shù)處理后輸出最終結(jié)果[8],。圖4給出了其工作流程圖,。

4 提出系統(tǒng)
4.1 系統(tǒng)思路

 針對(duì)上述內(nèi)存空間和運(yùn)行效率的問題,提出了一種并行構(gòu)建IMBT樹挖掘頻繁項(xiàng)集的方法,。該方法主要完成兩項(xiàng)工作:并行構(gòu)建IMBT樹及頻繁項(xiàng)集計(jì)數(shù),。由于單臺(tái)計(jì)算機(jī)內(nèi)存和處理器能力有限,該算法不適用于單臺(tái)電腦上運(yùn)行,。為了讓算法的性能更高,,就需要盡量減少計(jì)算機(jī)之間數(shù)據(jù)的傳輸并且避免過多的處理過程。
4.2 系統(tǒng)設(shè)計(jì)
 首先將輸入文件分為若干獨(dú)立文件塊,。然后并行處理輸入的每一個(gè)文件塊,。由于該方法需要用到基本數(shù)據(jù)結(jié)構(gòu)IMBT進(jìn)行增量挖掘,不需要為IMBT樹定義最小支持度閾值,。當(dāng)本地IMBT樹在各個(gè)節(jié)點(diǎn)計(jì)算機(jī)中生成后,,每個(gè)項(xiàng)集將會(huì)在獨(dú)立的節(jié)點(diǎn)計(jì)算機(jī)中進(jìn)行支持度計(jì)數(shù)。然后將生成的局部頻繁項(xiàng)集結(jié)合起來,,在全局?jǐn)?shù)據(jù)庫(kù)中生成一個(gè)全局的頻繁項(xiàng)集,。最后,由用戶定義一個(gè)最小支持度閾值,,并將其用于全局頻繁項(xiàng)集從而計(jì)算出真正的頻繁項(xiàng)集,。MapReduce框架的工作模式能很好地實(shí)現(xiàn)該方法,該方法的設(shè)計(jì)流程圖如圖5所示,。

5 性能仿真與結(jié)果分析
 為了對(duì)比基于MapReduce的增量數(shù)據(jù)挖掘和傳統(tǒng)增量數(shù)據(jù)挖掘的運(yùn)行效率,,實(shí)驗(yàn)選取一個(gè)擁有85 643條事務(wù)的數(shù)據(jù)庫(kù),數(shù)據(jù)庫(kù)中每條事務(wù)的項(xiàng)目數(shù)平均為7個(gè),,項(xiàng)目總共有1 300種,,實(shí)驗(yàn)用計(jì)算機(jī)總共3臺(tái),配置均為雙核CPU AMD Athlon(tm)64 X2 Dual Core Processor 4000+,,內(nèi)存為2 GB,,安裝Ubuntu10.10與Window XP雙系統(tǒng),其中傳統(tǒng)IMBT挖掘算法在單臺(tái)電腦上用XP系統(tǒng)運(yùn)行,,基于MapReduce的IMBT在3臺(tái)電腦上用Ubuntu10.10運(yùn)行,,其中1臺(tái)計(jì)算機(jī)配置為namenode,另外2臺(tái)配置為datanode。由于是實(shí)驗(yàn),,所以沒有配置second namenode,。
 在數(shù)據(jù)挖掘進(jìn)行之前,數(shù)據(jù)庫(kù)中預(yù)存有30 000條事務(wù),,在基于MapReduce的IMBT算法中,,這30 000條事務(wù)被平均分配到3臺(tái)電腦上,實(shí)驗(yàn)開始后不斷地向數(shù)據(jù)庫(kù)錄入事務(wù)數(shù),,兩種算法均取支持度閾值為800,。圖6給出在不斷向數(shù)據(jù)庫(kù)中添加事務(wù)時(shí),兩種算法的耗時(shí)對(duì)比,。
 從圖6中可以看出,,基于MapReduce的IMBT算法的運(yùn)行效率幾乎比傳統(tǒng)IMBT算法快一倍,圖中的運(yùn)行時(shí)間并非完全線性增長(zhǎng),,這是由于數(shù)據(jù)庫(kù)中每條事務(wù)的項(xiàng)目種類和項(xiàng)目數(shù)量不一致導(dǎo)致的,。理論上基于MapReduce的IMBT算法采用2臺(tái)計(jì)算機(jī)同時(shí)進(jìn)行挖掘任務(wù),效率應(yīng)該快一倍,,圖中結(jié)果并未達(dá)到一倍是因?yàn)檎麄€(gè)MapReduce過程需要頻繁傳遞信息,namenode需要一定的響應(yīng)時(shí)間,,導(dǎo)致實(shí)際效率與理論效率存在一定誤差,。但基于MapReduce的增量數(shù)據(jù)挖掘算法在運(yùn)行效率上比傳統(tǒng)數(shù)據(jù)挖掘算法仍然有了質(zhì)的提升。

 傳統(tǒng)數(shù)據(jù)挖掘技術(shù):Apriori,、FP樹等算法,,雖然都能有效地找出頻繁項(xiàng)集,但不能適用于真實(shí)環(huán)境下動(dòng)態(tài)的數(shù)據(jù),。所以出現(xiàn)了增量數(shù)據(jù)挖掘,,本文給出了一種基于IMBT結(jié)構(gòu)的增量數(shù)據(jù)挖掘算法,該算法能夠在新事務(wù)添加到數(shù)據(jù)庫(kù)或從數(shù)據(jù)庫(kù)中刪除后有效地列舉出每一個(gè)項(xiàng)集的支持度計(jì)數(shù),。由于在樹的構(gòu)建過程中不需要預(yù)設(shè)最小支持度閾值,,該算法允許用戶以任何支持度閾值挖掘頻繁項(xiàng)集。結(jié)合之前從數(shù)據(jù)庫(kù)中挖掘出來的結(jié)果,,該算法能夠挖掘更新后的數(shù)據(jù)庫(kù),,效率上有很大的提升。但是IMBT樹在單臺(tái)計(jì)算機(jī)中運(yùn)行時(shí),,該算法面臨存儲(chǔ)空間不足的問題,,隨著算法的進(jìn)行,IMBT樹逐漸擴(kuò)展,,會(huì)造成內(nèi)存溢出,,效率降低。
為此提出了一種新的方法,該方法采用MapReduce框架,,將數(shù)據(jù)庫(kù)分為若干子數(shù)據(jù)庫(kù)然后發(fā)向多個(gè)節(jié)點(diǎn)計(jì)算機(jī),,由于計(jì)算機(jī)集群聚集了多臺(tái)計(jì)算機(jī)的存儲(chǔ)能力和計(jì)算能力,在存儲(chǔ)空間上可以動(dòng)態(tài)的增加,,并且能夠并行處理數(shù)據(jù),,從而解決了運(yùn)行效率和存儲(chǔ)空間的問題,因此該方法比傳統(tǒng)的非并行增量算法更高效,。
參考文獻(xiàn)
[1] 范明,,孟小峰.數(shù)據(jù)挖掘概念與技術(shù)[M].北京:機(jī)械工業(yè)出版社,2012.
[2] 蔣翠清,,胡俊妍.基于FP-tree的最大頻繁項(xiàng)集挖掘算法[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),,2010,33(9):387-1391.
[3] HONG T P,, WANG C Y,, TAO Y H. A new incremental data mining algorithm using pre-large itemsets[J]. Intelligent Data Analysis, 2001,, 5(2): 111-129.
[4] HONG T P,, LIN C W, WU Y L. Incrementally fast updated frequent pattern trees[J]. Expert Systems With Applications,,2008,,34(4):2424- 2435.
[5] YANG C H, YANG D L. IMBT-a binary Tree for Efficient Support Counting of Incremental Data Mining[J]. 2009 International Conference on Computational Science & Engineering,, 2009,,1(1):324-329.
[6] 劉鵬.云計(jì)算[M].北京:電子工業(yè)出版社,2011.
[7] 高嵐嵐.云計(jì)算與網(wǎng)格計(jì)算的深入比較研究[J].海峽科學(xué),,2009(2):56-57.
[8] LAM C,, 韓冀中.Hadoop實(shí)戰(zhàn)[M].北京:人民郵電出版社,2012.

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。