《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)計應(yīng)用 > 分布式數(shù)據(jù)流挖掘技術(shù)綜述
分布式數(shù)據(jù)流挖掘技術(shù)綜述
2016年微型機(jī)與應(yīng)用第21期
萬新貴
南京郵電大學(xué) 計算機(jī)學(xué)院,,江蘇 南京 210003
摘要: 網(wǎng)絡(luò)信息技術(shù)的高速發(fā)展產(chǎn)生了新的數(shù)據(jù)模型,,即數(shù)據(jù)流模型,并且越來越多的領(lǐng)域出現(xiàn)了對數(shù)據(jù)流實時處理的需求,,龐大且高速的數(shù)據(jù)以及應(yīng)用場景的實時性需求均推進(jìn)了數(shù)據(jù)流挖掘技術(shù)的發(fā)展,。首先介紹了常見的數(shù)據(jù)流模型,;然后根據(jù)數(shù)據(jù)流模型的特點(diǎn)總結(jié)數(shù)據(jù)流挖掘的支撐技術(shù),;最后,,分析了分布式數(shù)據(jù)流挖掘的重要性和有效性,給出了算法并行化的數(shù)學(xué)模型,,并介紹了幾種具有代表性的分布式數(shù)據(jù)流處理系統(tǒng),。
Abstract:
Key words :

  萬新貴

       (南京郵電大學(xué) 計算機(jī)學(xué)院,江蘇 南京 210003)

  摘要:網(wǎng)絡(luò)信息技術(shù)的高速發(fā)展產(chǎn)生了新的數(shù)據(jù)模型,,即數(shù)據(jù)流模型,,并且越來越多的領(lǐng)域出現(xiàn)了對數(shù)據(jù)流實時處理的需求,龐大且高速的數(shù)據(jù)以及應(yīng)用場景的實時性需求均推進(jìn)了數(shù)據(jù)流挖掘技術(shù)的發(fā)展,。首先介紹了常見的數(shù)據(jù)流模型,;然后根據(jù)數(shù)據(jù)流模型的特點(diǎn)總結(jié)數(shù)據(jù)流挖掘的支撐技術(shù);最后,,分析了分布式數(shù)據(jù)流挖掘的重要性和有效性,,給出了算法并行化的數(shù)學(xué)模型,并介紹了幾種具有代表性的分布式數(shù)據(jù)流處理系統(tǒng),。

  關(guān)鍵詞:數(shù)據(jù)流模型,;數(shù)據(jù)流挖掘;分布式,;并行化,;數(shù)據(jù)流處理系統(tǒng)

0引言

  數(shù)據(jù)流(Data Stream)常常產(chǎn)生于Web上的用戶點(diǎn)擊、網(wǎng)絡(luò)入侵檢測,、實時監(jiān)控系統(tǒng)或無線傳感器網(wǎng)絡(luò)等動態(tài)環(huán)境中,。與傳統(tǒng)數(shù)據(jù)集相比較,這些海量的數(shù)據(jù)流具有快速性,、連續(xù)性,、變化性、無限性等特點(diǎn),。海量的數(shù)據(jù)流,、復(fù)雜的數(shù)學(xué)模型和高要求的時效性使得傳統(tǒng)的數(shù)據(jù)挖掘面臨巨大的挑戰(zhàn),數(shù)據(jù)流挖掘技術(shù)得到了迅猛的發(fā)展,。

  20世紀(jì)初,,出現(xiàn)了諸如STREAM[1]、Aurora[2]等數(shù)據(jù)流管理系統(tǒng)(Data Stream Management System),。早期的數(shù)據(jù)流管理系統(tǒng)應(yīng)用領(lǐng)域較為單一,,并且大多采用集中式架構(gòu),雖然提供了基本算子,,但是算子與底層模塊的耦合度較高,,難以實現(xiàn)擴(kuò)展開發(fā)。隨著技術(shù)的發(fā)展和需求的提升,,分布式技術(shù)對數(shù)據(jù)流處理的重要性顯現(xiàn)出來,。

  21世紀(jì)初,,隨著各類開放式計算平臺的興起,S4[3],、Storm[4],、Spark Streaming [5]以及Samza[6]等數(shù)據(jù)流處理平臺相繼被提出,分布式數(shù)據(jù)流處理技術(shù)已經(jīng)成為熱點(diǎn),。

1數(shù)據(jù)流模型

  數(shù)據(jù)流是一個帶有數(shù)據(jù)時間戳(Time Stamp)的多維數(shù)據(jù)點(diǎn)集合x1,…,,xk,每個數(shù)據(jù)點(diǎn)xi是一個d維的數(shù)據(jù)記錄,。數(shù)據(jù)流不被控制且潛在體積無限大,,數(shù)據(jù)流處理系統(tǒng)無法保存龐大的數(shù)據(jù)流。

  目前的數(shù)據(jù)流研究領(lǐng)域存在多種數(shù)據(jù)流模型,,根據(jù)數(shù)據(jù)流模型自身的特點(diǎn),,可以從兩個方面對數(shù)據(jù)流模型進(jìn)行分類[7],分別是按照數(shù)據(jù)流中數(shù)據(jù)描述現(xiàn)象的方式和算法處理數(shù)據(jù)流時所采用的時序范圍,。

  1.1按照描述現(xiàn)象的方式分類

  按照數(shù)據(jù)流中數(shù)據(jù)描述現(xiàn)象的方式,,數(shù)據(jù)流模型可以分為時序(Time Seriel)模型、現(xiàn)金登記(Cash Register)模型和十字轉(zhuǎn)門(Turnstile)模型,,其中十字轉(zhuǎn)門模型的適用范圍最廣,,但也是最難處理的。

  (1)時序模型:將數(shù)據(jù)流中的每個數(shù)據(jù)看作獨(dú)立的對象,。

  (2)現(xiàn)金登記(Cash Register)模型:數(shù)據(jù)流中的多個數(shù)據(jù)項增量式地表達(dá)某一現(xiàn)象,。

  (3)十字轉(zhuǎn)門(Turnstile)模型:數(shù)據(jù)流中的多個數(shù)據(jù)項表達(dá)某一現(xiàn)象,隨著時間的流逝,,該現(xiàn)象可增可減,。

  1.2按照算法所采用的時序范圍分類

  部分算法并不將數(shù)據(jù)流的數(shù)據(jù)作為處理對象,而是選取某個時間范圍的數(shù)據(jù)進(jìn)行處理,,按照算法處理數(shù)據(jù)流時所采用的時序范圍,,可以將數(shù)據(jù)流模型分為:快照(Snapshot)模型、界標(biāo)(Landmark)模型和滑動窗口(Sliding Window)模型,,其中界標(biāo)模型與滑動窗口模型使用得比較普遍,。

  (1)快照模型:處理數(shù)據(jù)的范圍限定在兩個預(yù)定義的時間戳之間。

  (2)界標(biāo)模型:處理數(shù)據(jù)的范圍從某一已知時間到當(dāng)前時間,。

  (3)滑動窗口模型:處理數(shù)據(jù)的范圍由固定窗口的大小決定,,窗口的終點(diǎn)永遠(yuǎn)是當(dāng)前時間,。

2支撐技術(shù)

  根據(jù)數(shù)據(jù)流的特點(diǎn),數(shù)據(jù)流處理技術(shù)需要滿足單遍掃描,、低時空復(fù)雜度等要求,。為了有效地處理數(shù)據(jù)流,,新的數(shù)據(jù)結(jié)構(gòu)、技術(shù)和算法是必須的。參考文獻(xiàn)[8]將數(shù)據(jù)流挖掘的支撐技術(shù)分為兩類,,分別是基于數(shù)據(jù)(Databased)的技術(shù),旨在以小范圍的數(shù)據(jù)代替所有數(shù)據(jù),,達(dá)到數(shù)據(jù)流處理方法的高性能;另一種是基于任務(wù)(Taskbased)的技術(shù),,力圖在時間和空間上得到更有效的解決方法,。

  2.1基于數(shù)據(jù)的技術(shù)

  數(shù)據(jù)挖掘與查詢需要讀取掃描過的數(shù)據(jù)[9],但是由于數(shù)據(jù)流的數(shù)據(jù)量遠(yuǎn)大于數(shù)據(jù)流處理系統(tǒng)的可用內(nèi)存,,不能保證所有數(shù)據(jù)都能被存儲,。因此數(shù)據(jù)流處理系統(tǒng)需要維持一個概要數(shù)據(jù)結(jié)構(gòu),用于保留掃描過的信息,。生成數(shù)據(jù)流概要信息的主要方法有:抽樣,、梗概和大綱數(shù)據(jù)結(jié)構(gòu)等。

  (1)抽樣:屬于傳統(tǒng)的統(tǒng)計學(xué)方法,,通過一定概率決定數(shù)據(jù)是否被處理,。抽樣技術(shù)的弊端是,數(shù)據(jù)流的長度無法預(yù)測,,并且數(shù)據(jù)流的流速不穩(wěn)定,。

  (2)梗概:是將數(shù)據(jù)流中的數(shù)據(jù)做隨機(jī)投影,從而建立小空間的匯總,,其主要缺陷是精度問題,。

  (3)大綱數(shù)據(jù)結(jié)構(gòu):通過應(yīng)用概要技術(shù)生成比原始數(shù)據(jù)流小得多的數(shù)據(jù)概要,是當(dāng)前數(shù)據(jù)流的概要描述,。直方圖,、小波變換分析和哈希方法都屬于大綱數(shù)據(jù)結(jié)構(gòu)。

  2.2基于任務(wù)的技術(shù)

  在算法與應(yīng)用方面,,基于任務(wù)的技術(shù)可以在時間和空間上更好地進(jìn)行數(shù)據(jù)流的處理,,目前主要的基于任務(wù)的技術(shù)包括:滑動窗口、傾斜時間框架,、衰減因子,。

  (1)滑動窗口:用戶往往對最近的數(shù)據(jù)更感興趣,因此只需要保留少量最近的數(shù)據(jù)并對其進(jìn)行分析,,而對于大量的歷史數(shù)據(jù),,只需要保留概要結(jié)構(gòu)。這樣,,既滿足了用戶需求,,又減少了內(nèi)存開銷?;瑒哟翱诘拇笮⌒枰脩糇远x,,但在大多數(shù)應(yīng)用中,,該窗口的大小是無法預(yù)知的,因此,,這是滑動窗口的一個較大的缺陷,。

  (2)衰減因子:衰減因子是另一種強(qiáng)調(diào)近期數(shù)據(jù)重要性的方式,它衰減了歷史數(shù)據(jù)對計算結(jié)果的影響,。數(shù)據(jù)在計算之前,,先經(jīng)過衰減函數(shù)的作用,這樣數(shù)據(jù)對計算結(jié)果的影響會隨著時間的推進(jìn)而減少,。

  (3)傾斜時間框架:也稱為多窗口技術(shù),,滑動窗口與衰減因子只能在一個粒度的窗口上操作。但是,,多數(shù)應(yīng)用會需要在不同粒度的窗口上進(jìn)行挖掘與分析,,為此,可以構(gòu)建不同層次的時間窗口,。最近的數(shù)據(jù)記錄在細(xì)粒度窗口上,,較遠(yuǎn)的歷史數(shù)據(jù)記錄在粗粒度窗口上,這樣既滿足了需求,,又不需要太多內(nèi)存消耗,。

  除了上述支撐技術(shù),參考文獻(xiàn)[7]還提到了基于算法的自適應(yīng)技術(shù)和近似技術(shù),,這些技術(shù)本質(zhì)上都是為了算法能夠有更好的效果,,在精度與時間折中的狀態(tài)下,對數(shù)據(jù)流進(jìn)行有效的處理,。

3分布式數(shù)據(jù)流挖掘

  隨著計算機(jī)技術(shù)的迅速發(fā)展,,眾多領(lǐng)域內(nèi)海量、高速的數(shù)據(jù)飛速增漲,,并且需求也趨于多樣化與實時性,。例如在移動通信領(lǐng)域,電信數(shù)據(jù)種類繁多,,數(shù)量巨大,,網(wǎng)絡(luò)承載流量巨大,如果能夠?qū)@些數(shù)據(jù)進(jìn)行實時挖掘與分析,,就可以有效地避免通信詐騙事件的發(fā)生,。又如在交通領(lǐng)域,路線規(guī)劃一直是該領(lǐng)域研究的熱點(diǎn),,通過對車流量進(jìn)行實時監(jiān)測與分析,,作出合理的路線規(guī)劃,可以有效減緩交通壓力。這些應(yīng)用場景的主要特點(diǎn)就是數(shù)據(jù)量龐大,、實時性要求高以及涉及的數(shù)學(xué)模型復(fù)雜,。傳統(tǒng)的集中式數(shù)據(jù)流挖掘不能很好地滿足上述應(yīng)用場景的特點(diǎn),而分布式數(shù)據(jù)流挖掘卻顯示出它的優(yōu)勢,。

  分布式數(shù)據(jù)流挖掘是指基于分布式流處理系統(tǒng),,實現(xiàn)算法的分布式并行化,達(dá)到算法的有效性和時效性,。分布式流處理系統(tǒng)采用分布式架構(gòu),,區(qū)別于Hadoop[10]之類的處理平臺,其處理能力隨著節(jié)點(diǎn)數(shù)目的增長而擴(kuò)展,,具備良好的伸縮性,。并且,,大多分布式數(shù)據(jù)流處理系統(tǒng)分離了計算邏輯和基礎(chǔ)模塊,,系統(tǒng)只負(fù)責(zé)數(shù)據(jù)的傳輸與任務(wù)的分配,具體的處理流程和計算單元則由用戶自己定義,。

  在分布式數(shù)據(jù)流處理系統(tǒng)上實現(xiàn)算法,,首先需要根據(jù)系統(tǒng)的編程模型設(shè)計算法的分布式架構(gòu),其次要實現(xiàn)算法的并行化,。并行化后的算法能夠在分布式平臺上取得更好的效果,。

  3.1并行化數(shù)學(xué)模型

  算法的并行化指使用多臺計算機(jī)資源實現(xiàn)算法,節(jié)省大量計算時間,,能極大地提高算法效率,。算法并行化是分布式數(shù)據(jù)流挖掘順利進(jìn)行的一個重要前提。

  一般直接編寫并行程序是相當(dāng)困難的,,而且各領(lǐng)域使用的串行算法已經(jīng)相當(dāng)成熟,,所以如何將串行算法轉(zhuǎn)換為并行算法成為研究的重點(diǎn)。參考文獻(xiàn)[11]分析了串行算法并行化的可行性并總結(jié)了有向帶權(quán)圖模型,、集合劃分模型和標(biāo)記AVL樹模型三種將串行算法并行化的數(shù)學(xué)模型,。

  (1)有向帶權(quán)圖模型

  一個串行程序可以抽象為一個有向帶權(quán)圖,程序中的所有函數(shù)為構(gòu)成圖的節(jié)點(diǎn),,節(jié)點(diǎn)的相關(guān)程度作為權(quán)值,,函數(shù)之間的調(diào)用關(guān)系構(gòu)成圖的邊,這樣的圖稱為函數(shù)調(diào)用圖,。同理,,一個函數(shù)也可以這樣被拆分。

  有向帶權(quán)圖分為連通圖與非連通圖,,在函數(shù)調(diào)用圖中,,連通圖表示各函數(shù)之間均存在調(diào)用關(guān)系,這樣的圖代表的串行程序是不易并行化的;而非連通圖代表的串行程序是較易并行化的,。需要對每個連通分支進(jìn)行不斷劃分,,直到劃分至最小原子為止。

  (2)集合劃分模型

  集合劃分模型是為了解決如何搜索權(quán)值最小的邊以及如何基于連通圖進(jìn)行并行劃分,。運(yùn)用二元關(guān)系的相關(guān)知識建立模型,,基于有向帶權(quán)圖進(jìn)行劃分。

  (3)標(biāo)記AVL樹模型

  AVL樹,,即平衡二叉樹,,在AVL樹中任何節(jié)點(diǎn)的兩個子樹的高度最大差別為一,所以它也被稱為高度平衡樹,。當(dāng)AVL樹增加或者刪除節(jié)點(diǎn)導(dǎo)致樹失去平衡時,,AVL樹通過旋轉(zhuǎn)使樹重新達(dá)到平衡。

  使用AVL樹模型并行化串行算法的前提是,,AVL旋轉(zhuǎn)不會影響函數(shù)之間的調(diào)用關(guān)系,。在此前提下,基于有向帶權(quán)圖模型,,將圖中的一個連通分支作為根節(jié)點(diǎn),,分解該圖。每進(jìn)行一次分解,,AVL樹就增加兩個子節(jié)點(diǎn),,若影響到樹的平衡向性,則旋轉(zhuǎn)樹,,否則繼續(xù)分解圖,,最終生成一棵平衡二叉樹。樹的左子樹與右子樹代表并行的兩部分函數(shù),。

  3.2分布式數(shù)據(jù)流處理系統(tǒng)

  本文選取4種具有代表性的分布式數(shù)據(jù)流處理系統(tǒng)進(jìn)行介紹,,表1對比了這4種分布式數(shù)據(jù)流處理系統(tǒng)的各項特點(diǎn)。

圖像 005.png  

  3.2.1S4

  S4于2010年由Yahoo,!公司開源,,是一個采用去中心化結(jié)構(gòu)的數(shù)據(jù)流處理系統(tǒng),各節(jié)點(diǎn)通過ZooKeeper[12]進(jìn)行協(xié)調(diào)工作,。S4遵循actor設(shè)計模式,,數(shù)據(jù)項在S4中被抽象為事件(event),計算單元會以PE的形式存在,,每個PE只能處理key值相同的事件,。雖然系統(tǒng)的伸縮性和擴(kuò)展性良好,但缺乏消息處理的反饋機(jī)制,,無法進(jìn)行有效的故障恢復(fù)等,。

  3.2.2Storm

  Storm于2011年由Twitter公司開源,,是一個分布式、高容錯的實時計算系統(tǒng),。Storm實現(xiàn)了實時處理數(shù)據(jù)流計算,,彌補(bǔ)了Hadoop、Spark等批處理系統(tǒng)所不能滿足的實時要求,。Storm主要分為Nimbus和Supervisor兩種組件,,這兩種組件都是無狀態(tài)且快速失敗的。與S4相同的是Storm通過Zookeeper進(jìn)行任務(wù)分配與心跳檢測,,不同的是Storm利用消息反饋機(jī)制保證數(shù)據(jù)記錄被完全處理,。Storm被廣泛應(yīng)用于實時分析、在線機(jī)器學(xué)習(xí),、持續(xù)計算,、分布式遠(yuǎn)程調(diào)用等領(lǐng)域。

  3.2.3Spark Streaming

  Spark Streaming于2012年被開源,,它是核心Spark API的一個擴(kuò)展,,Spark Streaming與Spark相同,均采用了RDD(彈性分布式數(shù)據(jù)集)機(jī)制,。在數(shù)據(jù)處理方面,,Spark Streaming引入微批次的概念,,它并不會像Storm那樣一次一個地處理數(shù)據(jù)流,,而是在處理前按時間間隔預(yù)先將其切分為一段一段的批處理作業(yè),把對數(shù)據(jù)流的處理看作是批處理操作,。但是由于基于RDD轉(zhuǎn)換的操作能力有限,,并且微批次處理增加了數(shù)據(jù)處理延遲,所以Spark Streaming還有很大的改進(jìn)空間,。

  3.2.4Samza

  Samza于2013年由LinkedIn公司開源,。與Storm和Spark Streaming不同的是,Samza以一條條消息作為數(shù)據(jù)流處理的單位,。在Samza中,,數(shù)據(jù)流被切分開來,每個部分都由一組只讀消息的有序數(shù)列構(gòu)成,,而這些消息每條都有一個特定的ID(offset),。該系統(tǒng)也支持批處理,即逐次處理同一個數(shù)據(jù)流分區(qū)的多條消息,。盡管Samza的數(shù)據(jù)傳輸依賴于Kafka,,并且需要依靠Yarn來完成資源調(diào)度,Samza的執(zhí)行與數(shù)據(jù)流模塊卻是可插拔式的,。

4結(jié)論

  本文系統(tǒng)地介紹了數(shù)據(jù)流挖掘中的數(shù)據(jù)流模型和支撐技術(shù),。結(jié)合數(shù)據(jù)流挖掘技術(shù)的發(fā)展,,對分布式數(shù)據(jù)流挖掘進(jìn)行了概述,并且詳細(xì)地介紹了分布式數(shù)據(jù)流挖掘所涉及的相關(guān)數(shù)學(xué)模型及數(shù)據(jù)流處理系統(tǒng),。這些內(nèi)容對于深入了解數(shù)據(jù)流挖掘并將其進(jìn)行實際應(yīng)用有著重要的意義,。

  參考文獻(xiàn)

  [1] ARASU A, BABCOCK B, BABU S, et al. Stream: the stanford data stream management system[J]. Book Chapter, 2003(26):665-665.

 ?。?] ABADI D J, CARNEY D, ETINTEMEL U, et al. Aurora: a new model and architecture for data stream management[J]. the VLDB Journal—the International Journal on Very Large Data Bases, 2003, 12(2): 120-139.

 ?。?] NEUMEYER L, ROBBINS B, NAIR A, et al. S4: Distributed stream computing platform[C].2010 IEEE International Conference on Data Mining Workshops. IEEE, 2010: 170-177.

  [4] TOSHNIWAL A, TANEJA S, SHUKLA A, et al. Storm@ twitter[C].Proceedings of the 2014 ACM SIGMOD International Conference on Management of Data. ACM, 2014: 147-156.

 ?。?] ZAHARIA M, DAS T, LI H, et al. Discretized streams: an efficient and faulttolerant model for stream processing on large clusters[C].Proceedings of the 4th USENIX Conference on Hot Topics in Cloud Computing, 2012: 10.

 ?。?] MORALES G D F, BIFET A. Samoa: scalable advanced massive online analysis[J]. Journal of Machine Learning Research, 2015, 16(1): 149-153.

  [7] 孫玉芬, 盧炎生. 流數(shù)據(jù)挖掘綜述[J]. 計算機(jī)科學(xué), 2007, 34(1): 1-5.

 ?。?] GABER M M, ZASLAVSKY A, KRISHNASWAMY S. Mining data streams: a review[J]. ACM Sigmod Record, 2005, 34(2): 18-26.

 ?。?] 談恒貴, 王文杰, 李游華. 數(shù)據(jù)挖掘分類算法綜述[J]. 微型機(jī)與應(yīng)用, 2005, 24(2): 4-6.

  [10] 謝桂蘭, 羅省賢. 基于 Hadoop MapReduce 模型的應(yīng)用研究[J]. 微型機(jī)與應(yīng)用, 2010,29(8): 4-7.

 ?。?1] 吳越. 串行算法并行化處理的數(shù)學(xué)模型與算法描述[J]. 計算機(jī)技術(shù)與發(fā)展, 2012, 22(5): 14-18.

 ?。?2] HUNT P, KONAR M, JUNQUEIRA F P, et al. ZooKeeper: waitfree coordination for Internetscale systems[C].USENIX Annual Technical Conference, 2010, 8: 9.


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