基于Hadoop海量數(shù)據(jù)挖掘技術(shù)分析

胡昕

摘 要：對現(xiàn)有多款云計(jì)算平臺做了分析與對比。之后選定 Hadoop 開源云平臺作為項(xiàng)目的基礎(chǔ)研究平臺，對其進(jìn)行深入的分析與討論。

關(guān)鍵詞：Hadoop；數(shù)據(jù)處理；挖掘

曾有一句話在互聯(lián)網(wǎng)業(yè)界廣為流傳：“大量的數(shù)據(jù)勝于好的算法”，這句話的意思是說對于某些應(yīng)用，相比與優(yōu)秀的算法，大量可用的數(shù)據(jù)能夠帶來更好的推薦效果。這就是數(shù)據(jù)處理和挖掘。數(shù)據(jù)處理的根本目的是利用有效的手段快速準(zhǔn)確的獲取數(shù)據(jù)、加工數(shù)據(jù)、應(yīng)用數(shù)據(jù)。這其中，數(shù)據(jù)挖掘技術(shù)是將收集到的數(shù)據(jù)得以有效應(yīng)用的核心技術(shù)。數(shù)據(jù)挖掘（Data Mining）技術(shù)又被稱作數(shù)據(jù)庫中的知識發(fā)現(xiàn)，其核心就是從大量雜亂無章的、難以理解的數(shù)據(jù)中獲取有效的、新穎的、具有潛在應(yīng)用價值的信息的過程。

目前比較有研究價值的 Web 挖掘的方向有：（1）數(shù)據(jù)預(yù)處理技術(shù)方向。（2）現(xiàn)有挖掘算法改進(jìn)方向。（3）智能搜索引擎方向。（4）電子商務(wù)領(lǐng)域應(yīng)用方向。

海量數(shù)據(jù)處理雖然剛剛興起，但數(shù)據(jù)在企業(yè)中一直處于核心地位，傳統(tǒng)的數(shù)據(jù)產(chǎn)品，在企業(yè)中部署運(yùn)行多年，為企業(yè)的經(jīng)營決策貢獻(xiàn)巨大。企業(yè)現(xiàn)有數(shù)據(jù)產(chǎn)品的服務(wù)商，排在前六位的分別是 Oracle（27.93%）、IBM（15.99%）、Microsoft（14.41%）、Apache Hadoop（9.01%）、EMC（8.33%），以及SAP（7.66%）。Oracle 以絕對優(yōu)勢拔得頭籌，可見其在數(shù)據(jù)庫、數(shù)據(jù)分析和大數(shù)據(jù)方面的地位。值得一提的是Hadoop 的普及水平已超出我們的想象，成為繼 Oracle、IBM和 Microsoft 之后又一主流平臺產(chǎn)品。

Hadoop 云平臺由分布式文件系統(tǒng) HDFS 與并行計(jì)算構(gòu)架MapReduce兩個核心組件構(gòu)成。接下來將對 Hadoop 的核心組件、主要構(gòu)造模塊及拓?fù)浣Y(jié)構(gòu)進(jìn)行分析與討論。

分布式文件系統(tǒng) HDFS。HDFS（Hadoop Distributed FileSystem）是為Hacloop項(xiàng)目開發(fā)的分布式文件系統(tǒng)，它采用主/從（ master/slave）架構(gòu)。HDFS 由一個NarneNode（文件索引服務(wù)器）以及眾多DataNode（數(shù)據(jù)節(jié)點(diǎn)）組成。HDFS 提供給用戶相應(yīng)的文件命名空間供用戶將數(shù)據(jù)以文件的形式存放。HDFS 一般會把這些文件切分為幾個文件塊，切分后的文件塊將被存放在一組數(shù)據(jù)服務(wù)器上。然后由NameNode提供打開、關(guān)閉、重命名文件與目錄等基本功能，同時負(fù)責(zé)將文件塊映射到DataNode上。再由DataNode負(fù)責(zé)響應(yīng)客戶端具體文件的讀寫操作，同時處理由NameNode發(fā)起的創(chuàng)建、刪除和備份數(shù)據(jù)塊的請求。

一般而言 HDFS 在 Linux 操作系統(tǒng)上運(yùn)行。由于采用了Java語言，所以理論上任何支持Java語言的操作系統(tǒng)都可以運(yùn)行NameNode與DataNodeo HDFS 采用主/從式系統(tǒng)架構(gòu)，其中的所有元數(shù)據(jù)都存儲在NameNode上，故客戶端可以方便地通過NameNode得到全局?jǐn)?shù)據(jù)存儲狀況，但如果出現(xiàn)NameNode死機(jī)的情況，用戶也將失去訪問數(shù)據(jù)的能力，為此 HDFS 在新版本中加入了備份NameNode功能，以防止上述故障。

并行計(jì)算架構(gòu)MapReduce。MapReduce是一種為多臺計(jì)算機(jī)并行處理大量數(shù)據(jù)而設(shè)計(jì)的并行計(jì)算框架。MapReduce通常工作的輸入數(shù)據(jù)分割成獨(dú)立的數(shù)據(jù)塊，分割后的數(shù)據(jù)一般由多個 Map 任務(wù)并行處理。Mapper 從 HDFS 上取出數(shù)據(jù)，處理后將結(jié)果存儲在本地硬盤，Reducer 在本地硬盤或通過網(wǎng)絡(luò)方法取得Mapper 的輸出結(jié)果后進(jìn)一步計(jì)算，將結(jié)果輸出到 HDFS。

MapReduce框架關(guān)注調(diào)度任務(wù)，并監(jiān)視任務(wù)的執(zhí)行狀況，如果執(zhí)行失敗，將重新執(zhí)行該任務(wù)。

在 Hadoop 中計(jì)算節(jié)點(diǎn)通常與存儲節(jié)點(diǎn)在一起。這就使得MapReduce框架可以根據(jù)數(shù)據(jù)的存儲分布。情況來調(diào)度任務(wù)。

MapReduce框架包含一個獨(dú)立的主服務(wù)器JobTracker（工作分配服務(wù)器）及一組與DataNode安裝在一起的從服務(wù)器TaskTracker（任務(wù)執(zhí)行服務(wù)器）。主服務(wù)器負(fù)責(zé)將任務(wù)調(diào)度到從服務(wù)器上，并監(jiān)控任務(wù)，重新執(zhí)行失敗的任務(wù)。應(yīng)用程序在 HDFS 上指定輸入與輸出位置，并通過實(shí)現(xiàn)專門的接口來提供相應(yīng)的 Map 和 Reduce 方法。 Hadoop 客戶端負(fù)責(zé)發(fā)送工作相配置信息給JobTracker，由JobTracker來分發(fā)、調(diào)度任務(wù)給TaskTracker，并將相應(yīng)的狀態(tài)信息反饋給 Hadoop 客戶端。

首先由JobClient向部署于 Master節(jié)點(diǎn)上的JobTracker守護(hù)進(jìn)程提交MapReduce作業(yè)。JobTracker在接受到作業(yè)請求后計(jì)入隊(duì)列中去。駐留在 Slave 節(jié)點(diǎn)上的TaskTarcker守護(hù)進(jìn)程在完成自己分配到的作業(yè)后會不斷向JobTracker發(fā)送心跳信息，查詢 Job 隊(duì)列中是否有新的任務(wù)可做，若隊(duì)列中有新的任務(wù)，JobTracker會在第一時間發(fā)送給空閑的TaskTracker進(jìn)行處理。

Hadoop 有 5 大構(gòu)造模塊構(gòu)成，其分別為：NameNode（名字節(jié)點(diǎn)）、SecondaryNameNode（次名字節(jié)點(diǎn)）、DataNode（數(shù)據(jù)節(jié)點(diǎn)）、TaskTracker（任務(wù)跟蹤）、JobTracker（作業(yè)跟蹤）。每個模塊具備不同的功能，共同完成分布式數(shù)據(jù)處理任務(wù)。

在 Hadoop 云平臺基礎(chǔ)上，進(jìn)行了海量 Web 日志數(shù)據(jù)預(yù)處理模型的研究，提出了改進(jìn)型預(yù)處理模型，并在單機(jī)及Hadoop分布式平臺下分別進(jìn)行了仿真驗(yàn)證，對仿真結(jié)果進(jìn)行了對比分析與研究。在海量 Web 日志數(shù)據(jù)預(yù)處理研究基礎(chǔ)上進(jìn)行了Apriori并行分層搜索算法的研究，分析傳統(tǒng) CD、DD 算法的優(yōu)劣、提出改進(jìn)型并行Apriori算法，并對其進(jìn)行MapReduce化，部署于 Hadoop 平臺下做仿真分析，最后對仿真結(jié)果進(jìn)行分析研究。