Spark 2.0平臺在大數(shù)據(jù)處理中的應(yīng)用研究

周顯春　肖衡

摘要摘要：Spark分布式框架具有利用數(shù)據(jù)集內(nèi)存緩存、啟動任務(wù)的低遲延、迭代類運算、實時計算的支持和強大的函數(shù)式編程接口等特征。描述Spark 集群環(huán)境的搭建過程，將Spark 應(yīng)用到預(yù)測森林植被中，對基于RDD和基于Data Frame接口的Spark隨機森林算法的性能差異進行比較。實驗結(jié)果表明，基于Dataset結(jié)構(gòu)的隨機森林法預(yù)測效果好、執(zhí)行時間短，可以廣泛使用。

關(guān)鍵詞關(guān)鍵詞：Spark 2.0；隨機森林算法；Dataset；集群環(huán)境

DOIDOI：10.11907/rjdk.171184

中圖分類號：TP391

文獻標識碼：A文章編號文章編號：16727800（2017）005014903

0引言

數(shù)據(jù)爆炸式增長和隱藏在這些數(shù)據(jù)之后的商業(yè)價值催生了一代又一代的大數(shù)據(jù)處理技術(shù)。2004年Hadoop橫空出世，由Google公司提出的開源的MapReduces的大數(shù)據(jù)處理框架拉開了其在企業(yè)應(yīng)用的序幕，它被視為解決高性能處理大數(shù)據(jù)的有效方案。但是MapReduces框架不僅存在單點故障，而且對實時數(shù)據(jù)和流式數(shù)據(jù)訪問能力弱，導(dǎo)致基于MapReduces框架的Hadoop平臺應(yīng)用推廣受到較大影響。

Apache Spark是另一種分布式、開源計算框架，目的是簡化基于計算機集群的并行程序的編寫。Spark不僅可以發(fā)揮MapReduces對大數(shù)據(jù)的處理能力[1]，還可以充分利用數(shù)據(jù)集內(nèi)存緩存、啟動任務(wù)的低遲延、迭代類運算、實時計算的支持和強大的函數(shù)式編程接口[2]。Spark是Apache的頂級開源項目，功能不斷完善。現(xiàn)在最新版本為Spark 2.10，它集成了基于RDD和DataFrame（Dataset）兩種編程接口。為了簡化編程，方便更多人使用，同時進一步提高數(shù)據(jù)處理速度，Spark 3.0版本會摒棄直接面對用戶的基于RDD編程接口。目前，Spark分布式框架在基于機器學習和迭代處理的大數(shù)據(jù)分析上有廣泛應(yīng)用。

1Spark2.0 基本原理

Spark繼承了MapReduces的線性擴張性和容錯性，同時對它作了一些重量級擴展，主要包括核心數(shù)據(jù)結(jié)構(gòu)：RDD（Spark 3.0以后使用Data Frame、Dataset）。

RDD是Spark的核心數(shù)據(jù)結(jié)構(gòu)，是一種基于內(nèi)存彈性分布式數(shù)據(jù)集[3]。利用RDD可以把一部分數(shù)據(jù)，包括中間結(jié)果緩存在內(nèi)存中，為后續(xù)計算所重復(fù)利用，不需要像其它計算結(jié)構(gòu)需要反復(fù)訪問磁盤，節(jié)省了大量時間。與Hadoop MapReduce相比，其實驗的性能要快100倍，訪問磁盤的性能快10倍[4]。基于DataFrames/Dataset的高層API，利用PipeLine可以方便用戶構(gòu)建和調(diào)試機器學習流水線，完成高效的數(shù)據(jù)處理。RDD（DataFrames、Dataset）數(shù)據(jù)結(jié)構(gòu)解決了MapReduces存在的很多問題。

（1）解決了MapReduces啟動遲緩問題[5]。利用Spark采用的有向無環(huán)圖的任務(wù)調(diào)度機制，可以對多個Stage的Task進行串聯(lián)或并聯(lián)Excutor，無需將每個Stage的中間結(jié)果保存到HDFS，不需要訪問磁盤，因此可以節(jié)省時間。尤其在計算機集群的環(huán)境下，可以避免運算時過量的網(wǎng)絡(luò)和磁盤IO開銷。

（2）支持迭代計算。迭代計算需要訪問相同的數(shù)據(jù)集，采用基于內(nèi)存的RDD/DataFrame/Dataset結(jié)構(gòu)可以避免重新計算和從磁盤加載。

（3）支持實時計算。基于Spark構(gòu)建Spark Straming 是在Spark基礎(chǔ)上的二次開發(fā)，主要是將其實時、流水任務(wù)離散化成一系列的DStream的數(shù)據(jù)窗口[6]，最小窗口選擇只需要0.5～2s，滿足大多數(shù)的準實時計算場景。

（4）性能優(yōu)化。Dataset API建立在Spark SQL引擎之上，它可以利用Catalyst來優(yōu)化邏輯計劃和物理查詢計劃。而且采用特殊的Encoder，不僅可以有效序列化JVM object，還可以直接被Spark的許多操作，如Filter、Sort、Hash等使用，從而提高執(zhí)行速度。

2Spark2.0在預(yù)測森林植被中的應(yīng)用

目前，Spark支持4種運行模式。本地單機模式、集群模式、基于Mesos、基于YARN、基于EC。本文的Spark分布式集群基于YARN，即Hadoop2。

2.1Spark分布式集群環(huán)境搭建

實驗環(huán)境所需的軟硬件設(shè)備如下：

軟件：操作系統(tǒng)采用Ubuntu Server 16.10 版本，Hadoop 2.7 版本，JDK 1.8 版本，虛擬軟件VMware Station Pro 12；硬件：1 臺聯(lián)想臺式機，CPU 是主頻3.4GHz的Intel的酷睿i7，超頻4.2 GHz，硬盤容量1T，內(nèi)存16GB。

Spark集群環(huán)境的搭建過程如下：

（1） 安裝3臺虛擬機，OS版本ubuntu server 16.10 版本，并通過Hostname、Interfaces、Hosts文件分別設(shè)置主機名（Master、Slave1、Slave2）、IP地址，以及DNS映射關(guān)系，執(zhí)行sudo ufw disable、Ping分別關(guān)閉防火墻以及檢驗3臺虛擬機互通無阻。

（2）在每臺虛擬機上安裝JDK、Scala、Hadoop、Spark并配置相關(guān)的Java環(huán)境變量。

（3）在每臺機器上執(zhí)行安裝openssh-server服務(wù)，執(zhí)行ssh-keygen生成SSH 密鑰文件，保證相互直接建立不需要密碼的SSH可信通道。

（4）修改Spark目錄下conf/core-site.xml、mapred -site.xml、 yarn-site.xml、hdfs-site.xml、hdfs-env.sh、masters、slaves文件，確保能夠正常啟動Spark。

2.2隨機森林算法預(yù)測森林植被實現(xiàn)

在Spark機器學習中，用于分類的算法有很多，其中效果較好的有SVM和隨機森林算法。隨機森林（Random Forest，RF）是由 Leo Breiman 將 Bagging 集成學習理論[7]與隨機子空間方法[8]相結(jié)合，于2001年提出的一種機器學習算法[9]。RF利用Bootstrap重抽樣方法從原始樣本中多次隨機抽取不同特征的子集數(shù)據(jù)組成訓練樣本，構(gòu)建多棵、合理、獨立的子樹，然后融合多棵決策樹的預(yù)測結(jié)果。在大數(shù)據(jù)背景下，RF不僅能夠與Spark和Map Reduce的并行處理特征完美結(jié)合，預(yù)測效果好，而且基于Dataset 的執(zhí)行時間要比基于RDD的少。

為了更加深入地了解RF性能，尤其是測試效果，需要在實踐中進行檢驗。本實驗數(shù)據(jù)采用Kaggle大賽的數(shù)據(jù)Forestcover-Type-Prediction，記錄了美國科羅拉多州不同地塊森林植被特征：海拔、坡度、與水源的距離、遮陽情況和土壤類型，并給出了地塊的已知森林植被類型，共54特征，有581012個樣本[10]。本實驗主要比較基于RDD和基于Data Frame[Row]/Dataset API接口的Spark隨機森林算法的性能差異。關(guān)鍵代碼及參數(shù)如下：

2.3性能分析

通過對決策樹、隨機森林模型的impurity、maxDepth、maxBins、minInfoGain、numTrees（只有隨機森林才有此參數(shù)）、maxMemoryInMB等參數(shù)進行調(diào)試，對比其性能，找到最優(yōu)參數(shù)及模型。下面分別從訓練時間、最佳參數(shù)、預(yù)測效果的Accuracy 3個方面進行比較。

2.3.1尋找最佳參數(shù)訓練時間比較

由表1可以發(fā)現(xiàn)，隨機森林算法的訓練時間，無論是基于RDD數(shù)據(jù)結(jié)構(gòu)還是基于Datase結(jié)構(gòu)，都要比決策樹算法的訓練時間長。實驗過程中的數(shù)據(jù)也顯示，隨著隨機森林算法的樹深度的加大和樹數(shù)量的增加，訓練時間明顯延長。

2.3.2尋找最佳模型參數(shù)

從表2中可以發(fā)現(xiàn)，與決策樹的最佳參數(shù)相比較，隨機森林算法的最佳參數(shù)深度相近，桶數(shù)數(shù)量相差很大，該數(shù)據(jù)為調(diào)試最佳參數(shù)有一定的參考意義。

2.3.3預(yù)測效果Accuracy比較

由表3可知，與決策樹的Accuracy相比，隨機森林算法的Accuracy明顯要高（無論是訓練數(shù)據(jù)、交叉數(shù)據(jù)，還是測試數(shù)據(jù)）。這說明多棵樹的評價效果比單棵樹的預(yù)測效果好。

3結(jié)語

Spark實現(xiàn)了分布式計算框架，它是采用分布式處理大規(guī)模數(shù)據(jù)的最有效途徑。在搭建好的實驗環(huán)境下，對基于RDD和基于Data Frame[Row]/Dataset API接口的Spark隨機森林算法的性能差異進行了比較，相對而言，基于RDD接口的隨機森林算法的執(zhí)行效率較差。并且將隨機森林算法與決策樹算法比較，更好地體現(xiàn)了隨機森林算法良好的預(yù)測效果，但是訓練的時間進一步延長了。如何在集群環(huán)境中針對數(shù)據(jù)的特性，利用Spark平臺快速找到相應(yīng)的模型并通過調(diào)整模型參數(shù)使預(yù)測效果達到最佳，將是下一步研究的重點。

參考文獻參考文獻：

[1]唐振坤.基于Spark的機器學習平臺設(shè)計與實現(xiàn)[D].廈門：廈門大學，2014.

[2]NICK PENTREATH.Spark機器學習[M].蔡立宇，黃章帥，周濟民，譯.北京：人民郵電出版社，2016：13.

[3]ZAHARIA M，CHOWDHURY M，F(xiàn)RANKLIN M J，et al.Spark：cluster computing with working sets[C].Proceedings of the 2nd USENIX conference on Hot topics in cloud computing，2010.

[4]XIN R S，ROSEN J，ZAHARIA M，et al.Shark：SQL and rich analytics at scale[C].Proceedings of the 2013 international conference on Management of data，2013：1324.

[5]劉軍，林文輝，方澄著.Spark大數(shù)據(jù)處理原理、算法與實例[M].北京：清華大學出版社，2016：2023.

[6]ZAHARIA M，DAS T，LI H，et al.Discretized streams：an efficient and faulttolerant model for stream processing on large clusters[C].Proceedings of the 4th USENIX conference on Hot Topics in Cloud Computing，2012.

[7]BREIMAN L.Bagging predictors[J].Machine Learning，1996，24（2）：123140.

[8]HO T.The random subspace method for constructing decision forests[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（8）：832844.

[9]BREIMAN L.Random forests[J].Machine Learning，2001，45（1）：532.

[10]SANDY RYZA，URIL LASERSON，SEAN OWEN，et al.Spark高級數(shù)據(jù)分析[M].龔少成，譯.北京：人民郵電出版社，2016.

責任編輯（責任編輯：孫娟）