閑談大數(shù)據(jù)和算法 知道這些讓你受益無窮

本篇總結(jié)一下自己對大數(shù)據(jù)算法認(rèn)知的過程。正文包含兩部分：自己對算法的認(rèn)知過程和對大數(shù)據(jù)算法的理解。

寫這篇博客的原因有很多，總的來講有下面幾點：

自己在算法的路上一直懵懵懂懂，現(xiàn)在剛剛有了一點點頭緒，趕快做個記錄。

梳理清楚自己的思路，后續(xù)會有一個算法學(xué)習(xí)的一到兩年的計劃，這算是個引子。

談起算法大家都只會想到經(jīng)典算法和機器算法，除此之外還有很多有意思的算法，特別是為了解決大數(shù)據(jù)量問題的算法，這些很容易被忽略掉，但是我認(rèn)為這才算是大數(shù)據(jù)算法。

0x01 認(rèn)知過程

1. 算法沒什么用

剛?cè)肟拥臅r候，一直以為大數(shù)據(jù)工程師就是安裝一下 Hadoop，寫寫 MR 程序，運維一下集群就夠了，雖說算法很重要，但是工作中沒有什么感覺。

我在很長一段時間也抱著一種算法只是起到在面試中起到區(qū)分度作用的知識點而已。(現(xiàn)在想來，其實這個觀點也沒什么錯，大部分的開發(fā)工作的確用不到自己寫的算法。)

2. 經(jīng)典算法的魅力

做了一段時間大數(shù)據(jù)運維后，接到了一個優(yōu)化調(diào)度系統(tǒng)的任務(wù)，就和 Gim 老司機在一起設(shè)計重構(gòu)調(diào)度系統(tǒng)的方案，在這個過程中復(fù)習(xí)了很多圖論相關(guān)的知識點，從此開始對算法產(chǎn)生了極大的興趣并一發(fā)不可收拾，隨后重新學(xué)習(xí)了一遍樹相關(guān)的內(nèi)容，自己動手實現(xiàn)了什么2-3樹、avl樹、紅黑樹這些數(shù)據(jù)結(jié)構(gòu)。

其實，感興趣的一個主要原因就是發(fā)現(xiàn)，這些東西基本構(gòu)建了我們整個的計算機體系。比如文件系統(tǒng)、數(shù)據(jù)庫的索引，學(xué)會這些總感覺以后就不會丟飯碗了。

3. 機器學(xué)習(xí)代表了一切

再接著，機器學(xué)習(xí)一下子就火了起來，世界上只剩下了兩種算法：機器學(xué)習(xí)算法和非機器學(xué)習(xí)算法。身邊的朋友和同學(xué)，凡是和數(shù)據(jù)開發(fā)相關(guān)的，都稱自己想轉(zhuǎn)做機器學(xué)習(xí)。筆者也不能免俗，開始準(zhǔn)備跟著浪潮走一波。但是一沒場景，二是興趣不大，當(dāng)有一天我突然意識到自己在學(xué)機器學(xué)習(xí)累的時候居然想玩玩 Linux 放松心情的時候，就暫時放棄了轉(zhuǎn)向機器學(xué)習(xí)的這個想法。以后我會用到它，可能還會用的很深，但是現(xiàn)在不會全身心地轉(zhuǎn)向它。

機器學(xué)習(xí)過后，17年又迎來了深度學(xué)習(xí)的浪潮。

4. 深度學(xué)習(xí)又是一波浪潮

感觸最深的是在 17 年 5 月份，看到了一份招聘要求，招的 title 是人工智能平臺架構(gòu)師，具體的要求是除了數(shù)據(jù)平臺要求的東西外加了一些深度學(xué)習(xí)平臺的東西。

這時候就感到，當(dāng)浪潮到來的時候，你可以不轉(zhuǎn)向它，但是要包容它。所以，順便學(xué)了一波深度的東西，入了個門，大概知道我以后需要做些什么。(半年后的今天基本已經(jīng)忘完了)

5. 還有很多有趣的算法

隨著工作的深入，系統(tǒng)在性能上遇到了很多了瓶頸，我們要做一系列的調(diào)整來應(yīng)對，比如敏感信息的加密、集群文件的壓縮、負(fù)載均衡策略的選擇，這時候就不得不深入學(xué)習(xí)一下加密算法、壓縮算法、負(fù)載均衡算法的原理。

這些算法一直都在，但是仍然可以在現(xiàn)在的大數(shù)據(jù)場景下發(fā)揮極大的作用。

6. 分布式算法

在這之前，我對自己從事的工作一直有一點心虛，感覺除了寫寫 MR，管一下集群貌似沒什么技術(shù)含量太深的東西，能拿得出手的也就是各個系統(tǒng)的架構(gòu)和對他們的熟悉程度。 后來無意間在 Mooc 發(fā)現(xiàn)了一門云計算原理的課，然后就對這一塊產(chǎn)生了極大的興趣。

隨著學(xué)習(xí)的深入，發(fā)現(xiàn)這塊的水還是相當(dāng)深的，我們稱這些為分布式算法，它包含了這么一大堆內(nèi)容：

2PC、Gossip 這一大堆協(xié)議;DHT、Paxo、Raft 這一大堆算法、還有一些亂七八糟的原理。

這塊學(xué)的還是很皮毛，后面會有詳細(xì)的學(xué)習(xí)計劃。

7. 大數(shù)據(jù)算法到底是什么?

在工作和學(xué)習(xí)中遇到了這么多算法，再加上一段時間的思考，我會在想，大數(shù)據(jù)的算法到底是什么樣子的?

經(jīng)典算法暫且不論，壓縮和加密算法也一直都有。

那么機器學(xué)習(xí)呢?總感覺有些地方不對勁，應(yīng)該說是機器學(xué)習(xí)是使用了大數(shù)據(jù)，但是他不是為了解決大數(shù)據(jù)的各種問題的，真正的大數(shù)據(jù)問題還要有大數(shù)據(jù)的算法來解決。

分布式算法也不完全算是，雖說大數(shù)據(jù)工程師都要用到分布式系統(tǒng)，但是他們解決的問題場景不太一樣的。分布式算法要解決時鐘、一致性問題這些問題。大數(shù)據(jù)場景的算法不太一樣。

然后我們要想一下大數(shù)據(jù)場景有什么問題?

大數(shù)據(jù)場景的問題

數(shù)據(jù)量大，這是一個最明顯的特點，它帶來的問題就是處理這些數(shù)據(jù)成了很大的麻煩。Hadoop 是一個突破性的項目，然后在這之外我們還會有一些場景要解決。

集合中不同元素的個數(shù), 比如獨立訪客(Unique Visitor，簡稱UV)統(tǒng)計，換成 Sql 來寫的話就是 count(distinct user_id)，假設(shè)有 1000 億的數(shù)據(jù)放在這里，需要極快地算出來，可以允許一點點不精確，我們該怎么做?

也就是，我們在很多場景下，會在允許一定犧牲一定的準(zhǔn)確度地情況下來快速地算出結(jié)果。這一些算法有極大的應(yīng)用場景。比如 Redis 會用到 Hyperloglog 來做基數(shù)統(tǒng)計。

這樣的一批算法，我認(rèn)為算是大數(shù)據(jù)算法中的一部分，內(nèi)容比較多，有專門的博客展開來專門講，比如 Bitmap、Roaring Bitmap、Hyperloglog等。

0x02 算法技能一覽

在這里做一個小總結(jié)，畫一下我認(rèn)為大數(shù)據(jù)工程師需要掌握、熟悉和了解的算法。很多其實在工作中都會經(jīng)常遇到。

學(xué)習(xí)優(yōu)先級?

關(guān)于這些算法學(xué)習(xí)的優(yōu)先級該怎么判定?這個就不裝x了，居士自己其實也會有不少迷茫，沒辦法說哪個更重要，不過如果真是要學(xué)的話可以大致有一些參考。

基礎(chǔ)的數(shù)據(jù)結(jié)構(gòu)和算法沒什么好說的，屬于基本功，理應(yīng)具備。

其它算法里面的加密、壓縮、調(diào)度這些算法，如果不是需要深入搞得話，不必急著深入學(xué)，用到了就了解一些。

分布式算法和大數(shù)據(jù)算法建議偏工程的童鞋盡早學(xué)一下，工作中寫程序用不到也無所謂，早學(xué)沒壞處。很多大數(shù)據(jù)組件的核心位置都有這些算法的身影。

數(shù)據(jù)挖掘相關(guān)算法，對于數(shù)據(jù)挖掘的童鞋來講肯定是必學(xué)的，對于數(shù)據(jù)開發(fā)轉(zhuǎn)到數(shù)據(jù)挖掘的童鞋來講，如果有了比較明確的轉(zhuǎn)行計劃，就開始深入地學(xué)，如果是觀望狀態(tài)，可以先搞一些和工作相關(guān)度比較高的算法玩一玩，有項目機會也能快速上手。

0XFF 總結(jié)

有時候感覺自己寫程序可能永遠(yuǎn)也不需要寫什么算法，但是不得不承認(rèn)，算法的思維能讓自己受益無窮。