大數據分析：機器學習算法實現的演化

我將會對機器學習算法的不同的實現范式進行講解，既有來自文獻中的，也有來自開源社區(qū)里的。首先，這里列出了目前可用的三代機器學習工具。

1. 傳統(tǒng)的機器學習和數據分析的工具，包括SAS，IBM的SPSS，Weka以及R語言。它們可以在小數據集上進行深度分析——工具所運行的節(jié)點的內存可以容納得下的數據集。

2. 第二代機器學習工具，包括Mahout，Pentaho，以及RapidMiner。它們可以對大數據進行我稱之為粗淺的分析?；?a href='/map/hadoop/' style='color:#000;font-size:inherit;'>Hadoop之上進行 的傳統(tǒng)機器學習工具的規(guī)模化的嘗試，包括Revolution Analytics的成果(RHadoop)以及Hadoop上的SAS，都可以歸到第二代工具里面。

3. 第三代工具，比如Spark, Twister，HaLoop，Hama以及GraphLab。它們可以對大數據進行深度的分析。傳統(tǒng)供應商最近的一些嘗試包括SAS的內存分析，也屬于這一類。

第一代機器學習工具/范式

由于第一代工具擁有大量的機器學習算法，因此它們適合進行深度的分析。然而，由于可擴展性的限制，它們并不都能在大數據集上進行工作——比如TB或者PB 級的數據（受限于這些工具本質上是非分布式的）。也就是說，它們可以進行垂直擴展（你可以提高工具運行的節(jié)點的處理能力），但無法進行水平擴展（它們并非 都能在集群上運行）。第一代工具的供應商通過建立Hadoop連接器以及提供集群選項來解決這些局限性——這意味著它們在努力對R或者SAS這樣的工具進 行重新設計以便可以進行水平擴展。這些都應該歸入第二代和第三代工具，下面我們將會介紹到。

第二代機器學習工具/范式

第二代工具（現在我們可以把傳統(tǒng)的機器學習工具比如SAS這些稱之為第一代工具了）比如 Mahout（http://mahout.apache.org），Rapidminer以及Pentaho，它們通過在開源的MapReduce產品 ——Hadoop之上實現相關算法，提供了擴展到大數據集上的能力。這些工具仍在快速完善并且是開源的（尤其是Mahout）。Mahout擁有一系列的 聚類及分類的算法，以及一個相當不錯的推薦算法（Konstan和Riedl，2012）。因此它可以進行大數據的處理，現在在生產環(huán)境上已經有大量的使 用案例，主要用于推薦系統(tǒng)。我在一個線上系統(tǒng)中也使用Mahout來實現了一個金融領域的推薦算法，發(fā)現它確是可擴展的，盡管并不是一點問題沒有（我還修 改了相當一部分代碼）。關于Mahou的一項評測發(fā)現它只實現了機器學習算法中的很小的一個子集——只有25個算法是達到了生產質量的，8到9個在 Hadoop之上可用，這意味著能在大數據集上進行擴展。這些算法包括線性回歸，線性支持向量機，K-means聚類算法，等等。它通過并行訓練，提供了 順序邏輯回歸的一個快速的實現。然而，正如別人指出的（比如Quora.com），它沒有實現非線性支持向量機以及多變項邏輯回歸（這也稱為離散選擇模 型）。

畢竟來說，本書并不是要為了抨擊Mahout的。不過我認為有些機器學習算法的確是很難在Hadoop上實現，比如支持向量機的核函數以及共軛梯度法 （CGD，值得注意的是Mahout實現了一個隨機梯度下降）。這一點別人也同樣指出了，比方說可以看一下Srirama教授的一篇論文（Srirama 等人，2012年）。這里詳細地比較了Hadoop和Twister MR（Ekanayake
等，2010年）在諸如共軛梯度法等迭代式算法上的不同，它指出，Hadoop上的開銷非常明顯。我所說的迭代式是指什么？一組執(zhí)行特定計算的實體，在等待鄰居或者其它實體的返回結果，然后再進行下一輪迭代。CGD是迭代式算法的最佳范例——每個CGD都可以分解成daxpy,ddot，matmul等原語。我會分別解釋這三種原語都是什么：daxpy操作將向量x與常量k相乘，然后再和另一個向量y進行相加；ddot會計算兩個向量x,y的點積;matmul將矩陣與向量相乘，然后返回另一個向量。這意味著每個操作對應一個MapReduce操作，一次迭代會有6個MR操作，最終一次CG運算會有100個MR操作，以及數GB的數據交互，盡管這只是很小的矩陣。事實上，準備每次迭代的開銷（包括從HDFS加載數據到內存的開銷）比迭代運算本身的都大，這導致Hadoop上的MR會出現性能下降。相反，Twister會區(qū)分靜態(tài)數據和可變數據，使得數據可以在MR迭代過程中常駐內存，同時還有一個合并階段來收集reduce階段輸出的結果，因此性能有明顯的提升。

第二代工具還有一些是傳統(tǒng)工具基于Hadoop上進行的擴展。這類可供選擇的有Revolution Analytics的產品，它是在Hadoop上對R語言進行了擴展，以及在Hadoop上實現R語言程序的一個可擴展的運行時環(huán)境（Venkataraman等
，2012）。SAS的內存分析，作為SAS的高性能分析工具包中的一部分，是傳統(tǒng)工具在Hadoop集群上進行規(guī)?；牧硪粋€嘗試。然而，最近發(fā)布的版本不僅能在Hadoop上運行，同時也支持Greenplum/Teradata，這應該算作是第三代機器學習的方法。另一個有趣的產品是一家叫Concurrent Systems的初創(chuàng)公司實現的，它提供了一個預測模型標記語言（Predictive Modeling Markup Language，PMML）在Hadoop上的運行環(huán)境。PMML的模型有點類似XML，使得模型可以存儲在描述性語言的文件中。傳統(tǒng)工具比如 R以及SAS都可以將模型保存在PMML文件里。Hadoop上的運行環(huán)境使得它們可以將這些模型文件存儲到一個Hadoop集群上，因此它們也屬于第二代工具/范式。

第三代機器學習工具/范式

Hadoop自身的局限性以及它不太適合某類應用程序，這促進研究人員提出了新的替代方案。第三代工具主要是嘗試超越Hadoop來進行不同維度的分析。我將會根據三種維度來討論不同的實現方案，分別是機器學習算法，實時分析以及圖像處理。

迭代式機器學習算法

伯克利大學的研究人員提出了一種替代方案：Spark（Zaharia等，2010年）——也就是說，在大數據領域，Spark被視為是替換Hadoop的下一代數據處理的解決方案。Spark有別于Hadoop的關鍵思想在于它的內存計算，這使得數據可以在不同的迭代和交互間緩存在內存里。研發(fā)Spark的主要原因是，常用的MR方法，只適用于那些可以表示成無環(huán)數據流的應用程序，并不適用于其它程序，比如那些在迭代中需要重用工作集的應用。因此他們提出了這種新的集群計算的方法，它不僅能提供和MR類似的保證性和容錯性，并且能同時支持迭代式及非迭代式應用。伯克利的研究人員提出了一套技術方案叫作BDAS，它可以在集群的不同節(jié)點間運行數據分析的任務。BDAS中最底層的組件叫做Mesos，這是個集群管理器，它會進行任務分配以及集群任務的資源管理。第二個組件是基于Mesos構建的Tachyon文件系統(tǒng) 。Tachyon提供了一個分布式文件系統(tǒng)的抽象以及在集群間進行文件操作的接口。在實際的實施方案中，作為運算工具的Spark，是基于Tachyon和Mesos來實現的，盡管不用Tachyon，甚至是不用Mesos也可以實現。而在Spark基礎上實現的Shark，則提供了集群層面的結構化查詢 語言的抽象——這和Hive在Hadoop之上提供的抽象是一樣的。Zacharia等人在他們的文章中對Spark進行了探索，這是實現機器學習算法的重要組成部分。

HaLoop（Bu等人，2010）也擴展了Hadoop來實現機器學習算法——它不僅為迭代式應用的表示提供了一層編程抽象，同時還使用了緩存的概念來 進行迭代間的數據共享，以及對定點進行校驗，從而提高了效率。Twister( http://iterativemapreduce.org )是類似HaLoop的一個產品。

實時分析

實時分析是超越Hadoop考慮的第二個維度。來自Twitter的Storm（感覺原文說反了）是這一領域的最有力的競爭者。Storm是一個可擴展的復雜事件處理引擎，它使得基于事件流的實時復雜運算成為了可能。一個Storm集群的組件包括：  

Spout，用于從不同的數據源中讀取數據。有HDFS類型的spout，Kafka類型的spout，以及TCP流的spout。

Bolt，它用于數據處理。它們在流上進行運算。基于流的機器學習算法通常都在這里運行。

拓撲。這是具體應用特定的spout和bolt的一個整合——拓撲運行于集群的節(jié)點上。

在實踐中，一個架構如果同時包含了Kafka（來自LinkedIn的一個分布式隊列系統(tǒng)）集群來作為高速的數據提取器，以及Storm集群來進行處理或 者分析，它的表現會非常不錯，Kafka spout用來快速地從Kafka集群中讀取數據。Kafka集群將事件存儲在隊列中。由于Storm集群正忙于進行機器學習，因此這么做是很有必要 的。本書的后續(xù)章節(jié)將會對這個架構進行詳細的介紹，以及在Storm集群中運行機器學習算法所需的步驟。Storm也被拿來跟實時計算領域的其它競爭者進 行比較，包括Yahoo的S4以及Typesafe的Akka。