基于Spark的性能優(yōu)化及Spark在深度學(xué)習(xí)的應(yīng)用研究

摘要：隨著人工智能和大數(shù)據(jù)時(shí)代的到來(lái)，Spark+AI大數(shù)據(jù)平臺(tái)快速發(fā)展，Spark是當(dāng)今大數(shù)據(jù)領(lǐng)域最活躍、最熱門、最高效的大數(shù)據(jù)通用計(jì)算平臺(tái)。到目前為止，Spark是唯一一個(gè)將大規(guī)模數(shù)據(jù)處理與最先進(jìn)的機(jī)器學(xué)習(xí)和人工智能算法相結(jié)合的統(tǒng)一分析引擎。本文闡述了Spark大數(shù)據(jù)技術(shù)在中國(guó)電信天翼高清IPTV端到端系統(tǒng)中的應(yīng)用，以Spark大數(shù)據(jù)平臺(tái)的性能優(yōu)化及Spark在深度學(xué)習(xí)的應(yīng)用為研究對(duì)象，從Spark內(nèi)存管理、JVM GC性能調(diào)優(yōu)、數(shù)據(jù)序列化、數(shù)據(jù)類型優(yōu)化、Spark緩存優(yōu)化、數(shù)據(jù)傾斜調(diào)優(yōu)、Spark算子調(diào)優(yōu)、Spark在深度學(xué)習(xí)的應(yīng)用調(diào)優(yōu)進(jìn)行闡述，并對(duì)大數(shù)據(jù)技術(shù)未來(lái)的發(fā)展進(jìn)行了展望 。

關(guān)鍵詞： Spark;人工智能;大數(shù)據(jù);深度學(xué)習(xí);內(nèi)存優(yōu)化;Shuffle優(yōu)化;性能優(yōu)化

1 引言

Spark是當(dāng)今大數(shù)據(jù)領(lǐng)域最活躍、最熱門、最高效的大數(shù)據(jù)通用計(jì)算平臺(tái)，Spark誕生于美國(guó)加州大學(xué)伯克利分校AMP實(shí)驗(yàn)室。Apache Spark已經(jīng)成為大數(shù)據(jù)領(lǐng)域最大的開(kāi)源社區(qū)，達(dá)到250多個(gè)組織的1400多個(gè)貢獻(xiàn)者。在任何規(guī)模的數(shù)據(jù)計(jì)算中，Spark在性能和擴(kuò)展性上都更具優(yōu)勢(shì)。近年來(lái)，Spark技術(shù)在工業(yè)界得到廣泛應(yīng)用，中國(guó)電信公司基于Spark大數(shù)據(jù)技術(shù)自研構(gòu)建了天翼高清IPTV端到端系統(tǒng)，基于全國(guó)超大規(guī)模的實(shí)時(shí)數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析。本文結(jié)合生產(chǎn)業(yè)務(wù)場(chǎng)景對(duì)Spark性能優(yōu)化進(jìn)行了實(shí)踐探索，從Spark內(nèi)存管理、JVM GC性能調(diào)優(yōu)、數(shù)據(jù)序列化、數(shù)據(jù)類型優(yōu)化、Spark緩存優(yōu)化、數(shù)據(jù)傾斜調(diào)優(yōu)、Spark算子調(diào)優(yōu)、Spark在深度學(xué)習(xí)的調(diào)優(yōu)進(jìn)行闡述。實(shí)踐表明，經(jīng)過(guò)一系列的優(yōu)化措施，提升了Spark集群的計(jì)算性能及Spark任務(wù)執(zhí)行速度。

2 ?天翼高清IPTV端到端系統(tǒng)案例實(shí)踐

Spark大數(shù)據(jù)技術(shù)為天翼高清IPTV端到端系統(tǒng)的穩(wěn)定運(yùn)行提供了支撐保障，在天翼高清IPTV端到端系統(tǒng)中，清洗模塊、單質(zhì)量模塊、考核模塊、多維度計(jì)算模塊、告警模塊等模塊均以Spark技術(shù)作為核心基石，各模塊基于Spark Core 、Spark SQL、Spark Streaming、Spark ML等技術(shù)進(jìn)行了設(shè)計(jì)與實(shí)現(xiàn)。

在生產(chǎn)實(shí)踐中經(jīng)常會(huì)面臨Spark性能優(yōu)化的問(wèn)題，Spark應(yīng)用程序基于內(nèi)存進(jìn)行計(jì)算，系統(tǒng)運(yùn)行性能瓶頸受到集群資源的限制（例如，CPU、網(wǎng)絡(luò)帶寬、內(nèi)存、存儲(chǔ)等）。一個(gè)簡(jiǎn)單的方法是增加Spark的計(jì)算資源。

（1）Spark內(nèi)存管理。

Spark的內(nèi)存包括執(zhí)行內(nèi)存、存儲(chǔ)內(nèi)存。執(zhí)行內(nèi)存是指在洗牌、關(guān)聯(lián)、排序及聚合中用于計(jì)算的內(nèi)存，存儲(chǔ)內(nèi)存是指在集群中存儲(chǔ)內(nèi)部數(shù)據(jù)的內(nèi)存，兩者共享一個(gè)統(tǒng)一的內(nèi)存區(qū)域，可以配置spark.memory.fraction、spark.memory.storageFraction等參數(shù)進(jìn)行調(diào)參。

（2）JVM GC性能調(diào)優(yōu)。

當(dāng)加載的數(shù)據(jù)及Shuffle讀寫操作數(shù)據(jù)量較大時(shí)，可能會(huì)出現(xiàn)JVM GC的問(wèn)題。如果出現(xiàn)GC，首先要收集垃圾回收發(fā)生的頻率和GC所用時(shí)間的統(tǒng)計(jì)信息，考慮將對(duì)象進(jìn)行序列化緩存，GC優(yōu)化的效果取決于應(yīng)用程序和可用內(nèi)存的多少。在案例實(shí)踐中要協(xié)調(diào)平衡Spark執(zhí)行內(nèi)存和存儲(chǔ)內(nèi)存的關(guān)系、JVM年輕代內(nèi)存和老年代內(nèi)存的關(guān)系、加載數(shù)據(jù)總量大小與批處理數(shù)據(jù)大小的關(guān)系。在JVM GC性能調(diào)優(yōu)時(shí)，可以采用數(shù)據(jù)序列化、調(diào)整數(shù)據(jù)類型、數(shù)據(jù)緩存等方法。

（3）數(shù)據(jù)序列化。

Spark提供了Java序列化、kryo序列化方式，Kryo比Java序列化運(yùn)行速度更快、更緊湊。在案例實(shí)踐中采用了Kyro的序列化，將自定義的話單類型注冊(cè)給Kyro序列化器，并設(shè)置默認(rèn)緩存空間的大小。

1）調(diào)整數(shù)據(jù)類型。

Java字符串類型占用內(nèi)存空間較大，在案例實(shí)踐中將部分字段的String類型調(diào)整為L(zhǎng)ong類型，減少內(nèi)存的消耗;加載文件時(shí)候篩選業(yè)務(wù)字段，從70個(gè)字段調(diào)整為10個(gè)字段，減少了內(nèi)存空間的占用。

2）使用Spark緩存。

天翼高清IPTV端到端系統(tǒng)的播放類型包括組播、直播單播、時(shí)移、回看、點(diǎn)播、直播

及點(diǎn)播匯總等各個(gè)類型，每次都加載HDFS數(shù)據(jù)，運(yùn)行時(shí)間較長(zhǎng)。使用Spark緩存進(jìn)行優(yōu)化，先從HDFS文件系統(tǒng)中加載數(shù)據(jù)，然后將加載的數(shù)據(jù)緩存到集群內(nèi)存中，遍歷播放類型時(shí)可以直接讀取緩存中的數(shù)據(jù)，計(jì)算性能大幅提升。

3）Spark數(shù)據(jù)傾斜調(diào)優(yōu)。

數(shù)據(jù)傾斜是Spark分布式計(jì)算必須面臨的問(wèn)題，也是作大數(shù)據(jù)分析不能繞開(kāi)的問(wèn)題，

稍微復(fù)雜一點(diǎn)的業(yè)務(wù)，SparK大數(shù)據(jù)分析都需解決數(shù)據(jù)傾斜。在天翼高清IPTV端到端系統(tǒng)中，多維度模塊（區(qū)域播放類型、單節(jié)目統(tǒng)計(jì)）要按省、地、縣統(tǒng)計(jì)，將每一條記錄匯聚到省、地、縣編碼，進(jìn)行reducebykey聚合操作將導(dǎo)致省級(jí)編碼記錄數(shù)據(jù)傾斜的現(xiàn)象，我們使用隨機(jī)Key實(shí)現(xiàn)雙重聚合及從業(yè)務(wù)層面解決數(shù)據(jù)傾斜的問(wèn)題。在第一次聚合時(shí)，使用reduceByKey算子進(jìn)行Key-Value聚合，在區(qū)域播放類型、單節(jié)目模塊將每個(gè)區(qū)域編碼加上隨機(jī)數(shù)前綴打散，組成一個(gè)新的Key值，調(diào)用reduceByKey操作。第二次聚合時(shí)，再去掉每個(gè)區(qū)域編碼的前綴隨機(jī)數(shù)，再調(diào)用一次reduceByKey操作，得到按區(qū)域統(tǒng)計(jì)的全局聚合結(jié)果。

在業(yè)務(wù)層面，單節(jié)目模塊包括直播、點(diǎn)播，需根據(jù)區(qū)域編碼、節(jié)目編碼、播放類型等字段進(jìn)行聚合計(jì)算，直播節(jié)目的記錄包括省、地、縣的記錄，點(diǎn)播記錄包括省級(jí)的記錄，如果將直播、點(diǎn)播記錄合在一起進(jìn)行聚合計(jì)算，將發(fā)生數(shù)據(jù)傾斜的情況，某一些任務(wù)運(yùn)行特別緩慢，不能進(jìn)行實(shí)時(shí)統(tǒng)計(jì)分析。

4）Spark算子調(diào)優(yōu)。

在天翼高清IPTV端到端系統(tǒng)中，單節(jié)目模塊月維度的統(tǒng)計(jì)原采用collect方法將數(shù)據(jù)

全部收集到Driver節(jié)點(diǎn)寫入HDFS及數(shù)據(jù)庫(kù)，單節(jié)目數(shù)據(jù)量較大，導(dǎo)致運(yùn)行時(shí)間較長(zhǎng)及內(nèi)存溢出。在案例實(shí)踐中將foreach算子調(diào)整為foreachPartition算子，對(duì)每一個(gè)分區(qū)建立一個(gè)連接，按分區(qū)寫入數(shù)據(jù)，提升了系統(tǒng)運(yùn)行性能。

3 Spark在深度學(xué)習(xí)的調(diào)優(yōu)

Pytorch 、Tensorflow深度學(xué)習(xí)框架是科研界、工業(yè)界運(yùn)用最廣泛的人工智能框架，基于Databricks及亞馬遜（Amazon）公司的云計(jì)算平臺(tái)，將Spark與Pytorch 、Tensorflow無(wú)縫集成，實(shí)現(xiàn)基于Spark的數(shù)據(jù)預(yù)處理、單節(jié)點(diǎn)、分布式深度學(xué)習(xí)訓(xùn)練及分布式深度學(xué)習(xí)預(yù)測(cè)推理。Spark在深度學(xué)習(xí)層面可能的一些調(diào)優(yōu)方法，包括：

深度學(xué)習(xí)模型本身的性能調(diào)優(yōu)。例如，ResNet-50模型加載預(yù)訓(xùn)練模型+微調(diào)網(wǎng)絡(luò)全部參數(shù);或者，凍結(jié)輸出層以外的所有網(wǎng)絡(luò)，微調(diào)輸出層參數(shù)。

分布式深度學(xué)習(xí)預(yù)測(cè)中數(shù)據(jù)輸入管道的調(diào)優(yōu)。如果數(shù)據(jù)輸入是瓶頸，可以使用Spark加載數(shù)據(jù)，轉(zhuǎn)換為Spark DataFrame作為模型的輸入，合理設(shè)置Spark批處理的記錄數(shù)，以提升系統(tǒng)吞吐量。

4 未來(lái)展望

Spark官網(wǎng)即將發(fā)布 Apache Spark 3.0版本，新版本將包含許多重要的新特性，包括支持GPU 感知調(diào)度、Spark Graph 圖增強(qiáng)、PySpark 可用性進(jìn)一步提升等。FaceBook、谷歌、Amazon等業(yè)界最領(lǐng)先的人工智能公司，正在全面的轉(zhuǎn)向深度學(xué)習(xí)。人工智能學(xué)習(xí)的核心是深度學(xué)習(xí)，深度學(xué)習(xí)是目前商業(yè)界最有價(jià)值和潛力的，深度學(xué)習(xí)應(yīng)用于自動(dòng)駕駛和演示人工智能武器等，增強(qiáng)學(xué)習(xí)的核心是實(shí)時(shí)的與環(huán)境進(jìn)行交互，交互的能力可從環(huán)境交互中不斷提升自己的能力，增強(qiáng)學(xué)習(xí)和深度學(xué)習(xí)的聯(lián)合體，將使增強(qiáng)學(xué)習(xí)爆發(fā)出終極的潛力，也使深度學(xué)習(xí)的價(jià)值最大化。

參考文獻(xiàn)

[1]《Spark大數(shù)據(jù)商業(yè)實(shí)戰(zhàn)三部曲》第二版：清華大學(xué)出版社，王家林、段智華.

[2]《Spark大數(shù)據(jù)商業(yè)實(shí)戰(zhàn)三部曲》：清華大學(xué)出版社，王家林、段智華、夏陽(yáng).

[3]《Spark內(nèi)核機(jī)制解析及性能調(diào)優(yōu)》：機(jī)械工業(yè)出版社，王家林、段智華.

[4]《Spark SQL大數(shù)據(jù)實(shí)例開(kāi)發(fā)教程》：機(jī)械工業(yè)出版社，王家林、段智華.