漫谈大数据仓库与挖掘系统：BSP模型(应用于数据挖掘、机器学习的云计算模型)

2013-10-22 卡特 阿里技术嘉年华

本文其它章节： 

 

漫谈大数据仓库与挖掘系统：前言：大数据的价值  【回复071查看】

 

漫谈大数据仓库与挖掘系统：层次、维度与主题【回复072查看】

 

漫谈大数据仓库与挖掘系统：ETL的开始—数据的传输和同步【回复073查看】

 

漫谈大数据仓库与挖掘系统：MapReduce与大规模离线计算系统【回复074查看】

 

 

 

    MapReduce算法，敲开了大数据时代的大门。不过，在这个百花齐放时代，MapReduce也不足以完整的支撑大数据时代的所有的分布式计算场景。

 

    例如，矩阵分解，是一类非常常用数据分析和处理方法。其具体算法有SVD、PCA、NMF等。其中，如NMF一类的算法，是基于不断的迭代而进行计算的，并且，每个子数据集的划分之间，还具有相关性。如果采用MapReduce模型，若是在一次迭代中重启一个Map，那么Mapper的数量会变成一个天文数字。而如果在一个Reducer中，完成所有具有相关性的数据的全部迭代计算，那么又很可能会导致严重的数据倾斜。所以，MapReduce模型在此种需要多次迭代的计算中，是不适合的。

 

    另外，还有一类计算，是不需要进行初始数据的输入的。例如使用蒙特卡洛法计算PI的值：从概率论的角度上讲，在一个-1<x<1, -1<y<1的坐标系范围内，随机找出一个坐标点，这个坐标点在以原点为圆心，半径为1的圆的内部的概率为PI/4。在实际的计算中，我们一般采用分别进行多次这样的计算，最后取每一次计算出的PI的平均值来作为最终的PI值来输出的。虽然这个算法是可以改写为MapReduce的版本，但是显然，这并不是一个合适的选择。

 

    在这两类计算的情况下，我们需要一个在计算的过程中，节点之间会有交互的、计算过程自由并且可高度定制的计算模型。而MPI虽然能够满足部分要求，但是目前也已经颇显老态。在此基础上，BSP（Bulk Synchronous Parallel）计算模型便脱颖而出。在Google，80%的数据计算是在MapReduce上的，而另外20%则是运行在一个基于BSP模型的叫做Pregel的系统中。Google并没有开源Pregel，Apache按Pregel的思想提供了一个类似框架Hadoop Hama(http://hama.apache.org/  )。我们集团自行研发的ODPS(云梯二)上，也有对应的功能支持：ODPS GRAPH（ http://www.atatech.org/article/detail/10780/618 ）

 

    在BSP模型中，计算首先被分为若干个超步(Super Step)。每个超步中，一般完成一次计算迭代。例如以最简单的图的广度优先遍历来看，从起始结点每往前步进一层对应一个超步。超步的结束，由程序自行决定。

 

 

    如上图，在一个超步内，分为三个阶段。第一个阶段(Local Computation)，是各个计算节点（Processors）进行完全依赖本节点内的数据的计算的过程。之后在第二个阶段（Communication），各个节点进行相互通信，进行需要和其它节点协同的计算。在所有的这些通信结束之后，节点进入了Sync状态，也就是第三个阶段，进行待机，等待所有的通信和计算行为完成。

 

    当所有节点均进入了第三个阶段待机并完成通信后，这个超步便完成了。

 

    我们以蒙特卡洛法计算PI为例，这个例子非常简单，可以在一个超步内完成。具体的计算过程为：

 

1、 设置一个节点为Master，用来判断超步的完成以及进行数据汇总。其它节点设置为Slave，进行PI值的计算。

2、 在每一个Slave中进行本地计算，用产生10万个随机数，判断其在半径1的圆内的次数(sqrt(x*x + y*y) < 1)N，最终得到(N / 100000) * 4这个Pi值。

3、 进入通信阶段，Slave将计算出的Pi值发送给Master。

4、 Slave进入Sync状态。

5、 Master判断所有Slave均进入Sync状态，并且发送信息已经全部完成后，进行所有Slave发送的Pi值的求平均操作，得到最终的PI值并结束本次超步。

6、 计算结束。

 

    我们可以看到，BSP模型中，计算步骤是非常清晰明确的，并且比MapReduce更加自由。而且，在实际的实现上，节点间的通信会被归并，在一定条件下才会真正的发出，避免了由于节点之间通信过于频繁而导致的网络风暴的产生。另外由于超步的存在，使得BSP的计算复杂性是可预测的，极大程度的减小了风险和调试的复杂性。

 

    在这几节中，我们了解了MapReduce模型、Hadoop、Hive的基本原理，最后又介绍了BSP这种近年来逐渐受到重视的分布式计算模型。从下一节开始，我们将介绍，如何利用离线OLAP系统，来进行源头数据的清洗和处理。

--

微信名称：阿里技术嘉年华

微信号：alibabatech

简介：传播原创高质量的技术内容