大数据分析的案例、方法与挑战47

大数据分析的案例、方法与挑战中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012数据分析者面临的问题n 数据日趋庞大，无论是入库和查询，都出现性能瓶颈n 用户的应用和分析结果呈整合趋势，对实时性和响应时间要求越来越高n 使用的模型越来越复杂，计算量指数级上升n 传统技能无法应对大数据：R、SAS、SQL中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC20122场景介绍n 信令监测是做什么的？中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012体系架构n 数据库服务器：HP小型机，128G内存，48颗CPU，2节点RAC，其中一个节点用于入库，另外一个节点用于查询n 存储：HP虚拟化存储，1000个盘n 入库节点n 入库方式常规路径sqlldrn 大量使用表分区设计n 数据量：每小时写入200G左右数据磁盘物理写大约为450G每小时问题：1 入库瓶颈 2 查询瓶颈中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012数据库设计n 物理上采用ASMn 大表全部按时间分区，开始时按小时分区，但由于数据量庞大，后来改成15分钟分区，最后变成每分钟切换1个分区n 采用sqlldr方式入库中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC20125入库故障描述n 由于数据量太大，不得不同时启用多个处理机，产生了多个入库节点n 当入库节点分别增加到2节点和4节点以后，sqlldr出现停顿现象中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012AWR报告n中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012AWR报告n中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012AWR报告n中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012关于Buffer Cache中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012Latch中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012寻找Buffer busy wait的根源n Sqlldr和OCI方式同时insertn 多个节点同时insertn 解决办法1 放弃使用OCI2 对sqlldr进行垂直切分，尽量避免同时多进程插入同一张表中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012再看AWR中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012新的故障现象n Sqlldr依然有停顿，次数较为频密而持续时间较短n HWM冲突问题中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012关于HWM中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012针对HWM冲突的优化措施n 对于无法垂直切分的特大表，按照入库节点号作子分区中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012再看AWRn HWM冲突已经被消除n Sqlldr频密周期性短暂停顿的问题依旧中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012最终问题根源n AWR报告的提示文件头部竞争n 表空间大小与自动扩展是问题根源n 修正表空间设置后问题消失中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201218备选方案牺牲实时性换取直接路径插入n直接路径插入有什么好处？n 为什么没有采用直接路径插入？中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201219备选方案交换分区中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201220备选方案外部表中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201221使用传统关系型数据库遇到的困难n All in one，并非专门针对数据分析设计和优化n 设计复杂，调优复杂，数据分析师兼任DBAn 当数据规模增加时，需要扩展硬件，边际成本指数级上升，存在无法突破的物理瓶颈中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201222解决方案n 列式数据库，实时数据库等新的数据库技术n 分布式集群：Hadoop，NoSQL及其它分布式数据库技术n 混合使用各种专业分析产品中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201223场景：行为指纹识别n当q当 q为0 时，AC两个矢量完全相关，即两个号码的交往圈相似度最高当 q越接近0，说明两个号码的交往圈越相似2012.4DTCC2012中山大学海量数据与云计算研究中心 黄志洪25为 90 时，AC两个矢量完全不相关，即两个号码的交往圈相似度最低基于分布式平台运行海量数据移动客户数据量达到TB级云化Oracle数据库中sql语句可以得到结果，但希望进一步提高效率MapReduce方法希望尝试多个相似度计算结果中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012云计算网络发展的必然结果中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC2012Hadoopn Hadoop的主要功能：HDFS和Map-Reducen HDFS实现数据的分布式存储，并且实现冗余备份n Map-Reduce实现计算任务的分布化，尽量使到某个节点的计算任务主要面对存储在本地的数据，以减少跨节点的网络数据传送中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201228HDFS结构示意图中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201229Map-Reduce示意图中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201230HDFS与Map-Reduce一起工作中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201231Hiven 基于Hadoop的常用数据分析工具n 可以看成是SQL到Map-Reduce的转换器n HiveQL尚未能完全支持SQL 92n 外部应用可以通过hive客户端、JDBC、ODBC等方式访问Hive中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201232HBasen 列式数据库，特别适合作为数据分析的场景，可以减少I/On 无真正索引n 自动分区n 增加新节点时自动线性扩展n 使用Hbase命令而非SQLn 可以通过Java，REST，thrift等接口访问HBase中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201233Hadoop体系图中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201234NoSQLn NoSQL = Not Only SQLn High performance, Huge Storage, High Scalability & High Availabilityn NoSQL面向的场景：事务性要求不高，实时性要求不高，查询较为简单，数据海量n 可分布化，运行在廉价的PC集群上n 典型的NoSQL产品，通常某种产品只适合某种特定场景，常要配搭使用中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201235基于Hadoop的用户指纹识别算法n 求某个客户最相似客户的MapReduce化（以相关系数为例）：n Map（） Input： 某客户数值、所有客户数值 将所有客户随机平分到 k台机器 Output: k 个最大相关系数(local) Emit the k 个跟某客户最相似的客户n Reduce( ) Input: Key: null; values: k 个最大相关系数(local) Output: 最大相关系数(global) Emit the 最大相关系数、与某客户最相似客户中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201236数据分析者期待的解决方案n 完美解决性能瓶颈，在可见未来不容易出现新瓶颈n 过去所拥有的技能可以平稳过渡。比如SQL、Rn 转移平台的成本有多高？平台软硬件成本，再开发成本，技能再培养成本，维护成本中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201237一种新的普适性关联挖掘方法n 海量，不一定是指数据记录多，有时可能是变量很多n 观察变量之间是否具有联系的传统回归方法中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201238传统回归模型的困难n 为什么一定是线性？或某种非线性模型？n 过分依赖于分析者的经验n 对于非连续的离散数据难以处理中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201239网格方法n Science上的文章Detecting Novel Associations in Large Data Setsn 方法概要：用网格判断数据的集中程度，集中程度意味着是否有关联关系n 方法具有一般性，即无论数据是怎样分布的，不限于特定的关联函数类型，此判断方法都是有效n 方法具有等效性，计算的熵值和噪音的程度有关，跟关联的类型无关n MIC：the Maximal Information Coefficientn MINE：Maximal Information-based Nonparametric Exploration中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201240MIC值计算n 坐标平面被划分为(x,y)网格G（未必等宽），其中xyn0.6n 在G上可以诱导出“自然概率密度函数”p(x,y)，任何一个方格（box）内的概率密度函数值为这个方格所 包含的样本点数量占全体样本点的比例n 计算网格划分G下的 mutual information值 IG中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201241MIC值计算n 构造特征矩阵mxy，矩阵的元素mxy=maxIG/log minx,y。max取遍所有可能的(x,y)网格Gn MIC=max mxy。Max取遍所有可能的(x,y)对中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201242MIC值计算n Mxy的计算是个难点，数据科学家构造了一个近似的逼近算法以提高效率http:/www.sciencemag.org/content/suppl/2011/12/14/334.6062.1518.DC1在作者的网站上，可以下载MINE计算MIC的程序（Java和R）以及测试用数据集实验：WHO数据集，垒球数据集中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201243MIC的性质n 如果变量对x,y存在函数关系，则当样本数增加时，MIC必然趋向于1n 如果变量对x,y可以由参数方程c(t)=x(t),y(t)所表达的曲线描画，则当样本数增加时，MIC必然趋于1n 如果变量对x,y在统计意义下互相独立，则当样本数增加时，MIC趋于0中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201244MIC观察中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201245MIC与线性回归模型对比中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201246对基因数据集spellman的探索n 数据集包含6223组基因数据n MINE对关联关系的辨认力明显强于以往的方法，例如双方都发现了HTB1，但MINE方法挖出了过去未被发现的HSP12中山大学海量数据与云计算研究中心 黄志洪2012.4DTCC201247欢迎交流：stswzhQQ：1829118中山大学海量数据与云计算研究中心微博：DTCC201248