摘  要： 移動(dòng)互聯(lián)網(wǎng)時(shí)代，各類移動(dòng)網(wǎng)絡(luò)終端的使用在為移動(dòng)用戶帶來便利的同時(shí)，也為運(yùn)營(yíng)商提供了海量的可供挖掘數(shù)據(jù)來源。運(yùn)用大數(shù)據(jù)技術(shù)對(duì)非結(jié)構(gòu)、半結(jié)構(gòu)、結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，可以有效提高挖掘效率，幫助運(yùn)營(yíng)商找到潛在商機(jī)、提升用戶體驗(yàn)、進(jìn)行精確營(yíng)銷。針對(duì)大數(shù)據(jù)挖掘中存在的效率問題，提出了基于改進(jìn)SALS算法的Hadoop推測(cè)調(diào)度，從而減少異構(gòu)環(huán)境下的資源浪費(fèi)，提高大數(shù)據(jù)挖掘效率。
　　關(guān)鍵詞： 大數(shù)據(jù)挖掘；Hadoop；推測(cè)調(diào)度；SALS

0 引言
　　移動(dòng)互聯(lián)網(wǎng)時(shí)代，隨著3G/4G的普及，網(wǎng)絡(luò)建設(shè)速度的加快，以及大規(guī)模的數(shù)碼設(shè)備的使用，移動(dòng)運(yùn)營(yíng)商業(yè)務(wù)和數(shù)據(jù)規(guī)模的擴(kuò)張呈幾何級(jí)增長(zhǎng)[1]。以某省的基本數(shù)據(jù)量為例，其語音通話記錄每天入庫2.5 TB，SMS話單記錄每天入庫800 GB以上，MC口信令數(shù)據(jù)每天20 TB，GN口信令數(shù)據(jù)每天8 TB，警告、性能等數(shù)據(jù)每天約3 TB。再計(jì)算通過機(jī)器設(shè)備、服務(wù)器、軟件自動(dòng)產(chǎn)生的各類非人機(jī)會(huì)話數(shù)據(jù)，以非結(jié)構(gòu)和半結(jié)構(gòu)化形式呈現(xiàn)的數(shù)據(jù)已經(jīng)遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)關(guān)系型數(shù)據(jù)處理的能力范疇。
　　傳統(tǒng)的RDBMS可以處理結(jié)構(gòu)化數(shù)據(jù)，其缺點(diǎn)是系統(tǒng)孤立、處理數(shù)據(jù)量小，面對(duì)移動(dòng)互聯(lián)網(wǎng)時(shí)代數(shù)據(jù)暴增的特點(diǎn)，IT系統(tǒng)的可擴(kuò)展性、成本控制、數(shù)據(jù)有效性挖掘均需要通過低成本的通用設(shè)備，通過構(gòu)建“池化資源”并結(jié)合“大數(shù)據(jù)挖掘”能力來推進(jìn)業(yè)務(wù)進(jìn)展。
　　池化資源指通過運(yùn)用虛擬化技術(shù)，將單個(gè)物理機(jī)器資源進(jìn)行分割或者將多臺(tái)物理機(jī)器資源進(jìn)行整合，充分利用物理機(jī)的處理能力，實(shí)現(xiàn)物理機(jī)的高效分配和利用[2]。大數(shù)據(jù)挖掘則針對(duì)具有4 V特點(diǎn)的海量數(shù)據(jù)進(jìn)行壓縮、去重、整理、交叉分析和對(duì)比，并結(jié)合關(guān)聯(lián)、聚合等傳統(tǒng)數(shù)據(jù)挖掘技術(shù)對(duì)非結(jié)構(gòu)化和半結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行分析[3]。本文通過對(duì)現(xiàn)有大數(shù)據(jù)挖掘技術(shù)的分析比對(duì)，就其中涉及的數(shù)據(jù)查詢的可優(yōu)化部分進(jìn)行深入討論。
1 現(xiàn)行的大數(shù)據(jù)挖掘技術(shù)
　　自大數(shù)據(jù)概念誕生以來，陸續(xù)出現(xiàn)了多種大數(shù)據(jù)挖掘處理技術(shù)，如果以處理的實(shí)時(shí)性來分類，可以將大數(shù)據(jù)挖掘處理技術(shù)分為兩類：實(shí)時(shí)類處理技術(shù)和批處理技術(shù)。實(shí)時(shí)類大數(shù)據(jù)挖掘處理技術(shù)有Storm、S4[4]等，而批處理技術(shù)或者稱為線下處理技術(shù)的典型代表則是MapReduce。對(duì)于移動(dòng)運(yùn)營(yíng)商來講，實(shí)時(shí)處理能力固然重要，但是通過大批量的線下數(shù)據(jù)處理找到潛在的商業(yè)契機(jī)、提升用戶體驗(yàn)、實(shí)施決策分析、精準(zhǔn)營(yíng)銷推薦、運(yùn)營(yíng)效能提升、創(chuàng)新商業(yè)模式等對(duì)于運(yùn)營(yíng)商來說更為重要。本文關(guān)注大數(shù)據(jù)批處理中現(xiàn)有技術(shù)的性能提升。
　　1.1 MPP架構(gòu)新型數(shù)據(jù)庫技術(shù)
　　MPP（Massive Parallel Processing）從構(gòu)成上來講，是由多個(gè)SMP服務(wù)器橫向擴(kuò)展組成的分布式服務(wù)器集群[5]。但MPP架構(gòu)并不是一種池化資源的大數(shù)據(jù)處理架構(gòu)，集群中的每個(gè)節(jié)點(diǎn)均可訪問本地資源，采用Share Nothing結(jié)構(gòu)，集群節(jié)點(diǎn)之間并不存在共享及互訪問的問題，而是通過統(tǒng)一的互聯(lián)模塊來調(diào)度、平衡節(jié)點(diǎn)負(fù)載和并行處理過程。其架構(gòu)如圖1所示。

　　1.2 大數(shù)據(jù)一體機(jī)
　　大數(shù)據(jù)一體機(jī)是商業(yè)公司專門為處理大數(shù)據(jù)而設(shè)計(jì)的軟硬件一體機(jī)，由集成服務(wù)器、存儲(chǔ)、操作系統(tǒng)、數(shù)據(jù)庫軟件、其他數(shù)據(jù)分析軟件等統(tǒng)一封裝在機(jī)箱內(nèi)，經(jīng)過運(yùn)營(yíng)商對(duì)數(shù)據(jù)處理流程進(jìn)行優(yōu)化，從而形成高性能的大數(shù)據(jù)處理能力。
　　1.3 Hadoop開源大數(shù)據(jù)技術(shù)
　　Hadoop技術(shù)框架是以MapReduce為核心的一個(gè)開源大數(shù)據(jù)處理框架，其架構(gòu)如圖2所示。其中，最底層的HDFS為分布式文件系統(tǒng)，底層使用廉價(jià)x86進(jìn)行冗余備份；MapReduce分為map、shuffle和reduce階段[6]，map階段對(duì)處理數(shù)據(jù)進(jìn)行分解映射，分開處理，shuffle階段拽取map階段數(shù)據(jù)到reduce端，reduce階段對(duì)處理子集進(jìn)行歸約合并，得到處理結(jié)果；HBase不同于傳統(tǒng)的關(guān)系型數(shù)據(jù)庫，是一種基于列的分布式數(shù)據(jù)庫。

　　1.4 小結(jié)
　　三種大數(shù)據(jù)挖掘處理技術(shù)各有特點(diǎn)，綜合比較如下：根據(jù)CAP理論，在兼顧分區(qū)性、一致性和分區(qū)可容忍性的情況下，MPP擴(kuò)展能力有限，目前最多可以橫向擴(kuò)展至500個(gè)節(jié)點(diǎn)，并且MPP成本較高，以處理結(jié)構(gòu)性重要數(shù)據(jù)為主。大數(shù)據(jù)一體機(jī)環(huán)境封閉，例如Oracle的ExtData，技術(shù)實(shí)現(xiàn)細(xì)節(jié)不清晰，在處理性能上難以做出橫向?qū)Ρ龋页杀靖撸@里暫不做討論。Hadoop以處理非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)為主，橫向擴(kuò)展能力達(dá)到    1 000個(gè)節(jié)點(diǎn)以上，并且支持廠家和社區(qū)龐大，成本低廉，是一項(xiàng)較好的大數(shù)據(jù)挖掘框架技術(shù)。
　　2 現(xiàn)行的Hadoop推測(cè)調(diào)度對(duì)大數(shù)據(jù)挖掘的影響
　　采用Hadoop開源框架進(jìn)行大數(shù)據(jù)挖掘，具有較多的便利條件：Hive的使用可以簡(jiǎn)化數(shù)據(jù)挖掘程序的編寫，只需要掌握普通SQL操作即可進(jìn)行程序編寫；基于HDFS和MapReduce的分布式特點(diǎn)，數(shù)據(jù)挖掘任務(wù)可以在多臺(tái)機(jī)器、不限地域的情況下實(shí)施，縮短了挖掘時(shí)間，提高了挖掘效率。但是，Hadoop對(duì)分布式任務(wù)進(jìn)行推測(cè)調(diào)度的算法上存在效率問題[7]，下面對(duì)該調(diào)度進(jìn)行概要分析。
　　（1）為防止任務(wù)因機(jī)器故障、程序意外中斷引起的任務(wù)執(zhí)行時(shí)間過長(zhǎng)，Hadoop啟用了推測(cè)調(diào)度，即啟用新節(jié)點(diǎn)對(duì)卡殼任務(wù)進(jìn)行重新執(zhí)行；
　　（2）對(duì)于每一個(gè)運(yùn)行在節(jié)點(diǎn)上的Task，其執(zhí)行剩余時(shí)間=（1-當(dāng)前進(jìn)度）/任務(wù)平均計(jì)算速度，其中任務(wù)平均計(jì)算速度=當(dāng)前進(jìn)度/執(zhí)行時(shí)間；
　　（3）根據(jù)（2）對(duì)所有Task執(zhí)行剩余時(shí)間進(jìn)行排序，選出最大的Task，若其平均計(jì)算速度<其他任務(wù)平均速度，則對(duì)該任務(wù)進(jìn)行推測(cè)，啟用新節(jié)點(diǎn)執(zhí)行該節(jié)點(diǎn)的任務(wù)；
　　（4）當(dāng)推測(cè)節(jié)點(diǎn)任務(wù)執(zhí)行完畢后，強(qiáng)制結(jié)束執(zhí)行同任務(wù)節(jié)點(diǎn)進(jìn)程。
　　上述過程在同構(gòu)環(huán)境且多任務(wù)運(yùn)行的情況下，可以一定程度地避免硬件故障及程序bug對(duì)整個(gè)MapReduce的影響。但其存在如下可能的推測(cè)調(diào)度缺陷：（1）由于啟動(dòng)新節(jié)點(diǎn)重復(fù)執(zhí)行某任務(wù)，會(huì)造成同時(shí)存在兩個(gè)以上節(jié)點(diǎn)執(zhí)行同樣任務(wù)，造成資源浪費(fèi)；（2）當(dāng)在異構(gòu)環(huán)境下（硬件機(jī)器廠商不同、運(yùn)行操作系統(tǒng)差異、機(jī)器性能差異等），任務(wù)節(jié)點(diǎn)的資源性能并不等同，以上述標(biāo)準(zhǔn)判斷是否需要啟動(dòng)推測(cè)調(diào)度，會(huì)出現(xiàn)較大誤差，形成無效的調(diào)度，從而使新任務(wù)得不到節(jié)點(diǎn)來執(zhí)行任務(wù)；（3）Hadoop針對(duì)Reduce階段任務(wù)劃分為復(fù)制、排序、歸并，并規(guī)定每一階段占據(jù)1/3進(jìn)度；然而，統(tǒng)計(jì)表明，復(fù)制階段最消耗時(shí)間和資源，明顯存在不合理調(diào)度。
　　針對(duì)這些問題，本文在SALS算法基礎(chǔ)上進(jìn)行改進(jìn)，從而提高Hadoop的推測(cè)調(diào)度效率，減少重復(fù)任務(wù)，加快MapReduce的執(zhí)行。
3 采用改進(jìn)SALS算法對(duì)Hadoop推測(cè)調(diào)度調(diào)優(yōu)
　　SALS算法原本用于鄰近節(jié)點(diǎn)搜索，首先確定節(jié)點(diǎn)集合，然后根據(jù)權(quán)重與節(jié)點(diǎn)間舉例建立聯(lián)系圖。這里，選取節(jié)點(diǎn)集合節(jié)點(diǎn)的判定，在第二階段根據(jù)Hadoop的推測(cè)調(diào)度進(jìn)行修改。
　　（1）對(duì)所有運(yùn)行Task節(jié)點(diǎn)進(jìn)行排隊(duì)，形成TaskQueue，該隊(duì)列保存Slave節(jié)點(diǎn)任務(wù)的索引，以節(jié)省空間；
　　（2）根據(jù)歷史平均速率，對(duì)空閑節(jié)點(diǎn)進(jìn)行排隊(duì)，速率高節(jié)點(diǎn)在隊(duì)列頭部，從未運(yùn)行過節(jié)點(diǎn)速率為所有空閑節(jié)點(diǎn)平均速率，插入到隊(duì)列中，形成FreeQueue；
　　（3）對(duì)TaskQueue進(jìn)行動(dòng)態(tài)排隊(duì)，每1分鐘1次，并對(duì)隊(duì)尾節(jié)點(diǎn)進(jìn)行判定：
　　（a）運(yùn)行時(shí)間超過其他節(jié)點(diǎn)運(yùn)行時(shí)間的1.5倍；
　　（b）若為非Reduce任務(wù)，任務(wù)進(jìn)度與上次更新差別在10%以內(nèi)；
　　（c）若為Reduce任務(wù)，根據(jù)shuffle數(shù)據(jù)量更新進(jìn)度，任務(wù)進(jìn)度與上次更新差別在10%以內(nèi)。
　　（4）符合（3）-（a）且符合（3）-（b）或（3）-（c）時(shí)，對(duì)隊(duì)尾任務(wù)啟動(dòng)新節(jié)點(diǎn)進(jìn)行執(zhí)行，立即結(jié)束當(dāng)前節(jié)點(diǎn)并做標(biāo)記，形成BugQueue以備檢查節(jié)點(diǎn)狀態(tài)。
4 實(shí)驗(yàn)驗(yàn)證
　　為檢驗(yàn)上述算法的有效性，啟用1臺(tái)機(jī)器作為主節(jié)點(diǎn)（2 GB內(nèi)存，80 GB存儲(chǔ)，Ubuntu OS），4臺(tái)機(jī)器作為從屬節(jié)點(diǎn)（分別為1 GB、256 MB、256 MB、512 MB內(nèi)存，兩個(gè)Ubuntu OS，兩個(gè)Red Hat OS）進(jìn)行試驗(yàn)。先后部署Hadoop環(huán)境和改進(jìn)推測(cè)調(diào)度的Hadoop環(huán)境進(jìn)行驗(yàn)證，結(jié)果如圖3所示。

　　實(shí)驗(yàn)表明，基于改進(jìn)的SALS推測(cè)調(diào)度相較于基礎(chǔ)Hadoop推測(cè)調(diào)度能提高40%左右的時(shí)間，達(dá)到了改進(jìn)目的。采用該改進(jìn)的SALS算法后，可以減少重復(fù)任務(wù)的執(zhí)行數(shù)量并及時(shí)釋放可能存在問題的節(jié)點(diǎn)以備檢查。合理更新Reduce任務(wù)進(jìn)度，減少出現(xiàn)活躍任務(wù)節(jié)點(diǎn)被關(guān)閉現(xiàn)象。加強(qiáng)推測(cè)調(diào)度的準(zhǔn)確性，對(duì)節(jié)點(diǎn)資源進(jìn)行高效利用，提高了大數(shù)據(jù)挖掘的效率。
5 結(jié)論
　　移動(dòng)互聯(lián)網(wǎng)時(shí)代，大數(shù)據(jù)技術(shù)在數(shù)據(jù)挖掘方面所起的作用越來越重要。針對(duì)其中可以優(yōu)化改進(jìn)的流程和技術(shù)環(huán)節(jié)還有許多可以深究之處。基于改進(jìn)的SALS算法優(yōu)化的推測(cè)調(diào)度，在流程方面優(yōu)化了大數(shù)據(jù)挖掘，提高了Hadoop推測(cè)調(diào)度的準(zhǔn)確性和有效性。除此之外，大數(shù)據(jù)查詢優(yōu)化、大數(shù)據(jù)不同架構(gòu)之間的融合使用等均值得進(jìn)一步研究。
　　參考文獻(xiàn)
　　[1] 馬建光，姜巍.大數(shù)據(jù)的概念、特征及其應(yīng)用[J].國(guó)防科技，2013，34（2）：10-17.
　　[2] 葛中澤，夏小翔.基于資源池的數(shù)據(jù)訪問模式的探討[J].科學(xué)技術(shù)與工程，2012，12（33）：9066-9060.
　　[3] 吉根林，趙斌.面向大數(shù)據(jù)的時(shí)空數(shù)據(jù)挖掘綜述[J].南京師大學(xué)報(bào)，2014，37（1）：1-7.
　　[4] 孫朝華.基于Storm的數(shù)據(jù)分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2014.
　　[5] 辛晃，易興輝，陳震宇.基于Hadoop+MPP架構(gòu)的電信運(yùn)營(yíng)商網(wǎng)絡(luò)數(shù)據(jù)共享平臺(tái)研究[J].電信科學(xué)，2014（4）：135-145.
　　[6] 張常淳.基于MapReduce的大數(shù)據(jù)連接算法的設(shè)計(jì)與優(yōu)化[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2014.
　　[7] 周揚(yáng).Hadoop平臺(tái)下調(diào)度算法和下載機(jī)制的優(yōu)化[D].長(zhǎng)沙：中南大學(xué)，2012.