基于MapReduce與距離的離群數(shù)據(jù)并行挖掘算法①

任 燕

(山西省特殊教育中等專(zhuān)業(yè)學(xué)校,太原 030012)

1 引言

離群數(shù)據(jù)(Outlier)是數(shù)據(jù)集中不滿(mǎn)足數(shù)據(jù)的一般行為或模式,明顯偏離其他數(shù)據(jù)對(duì)象的數(shù)據(jù)[1].通常情況下,離群數(shù)據(jù)容易被忽視,但其可能蘊(yùn)含大量非常有價(jià)值的信息.離群數(shù)據(jù)挖掘是數(shù)據(jù)挖掘的一項(xiàng)重要任務(wù),其目標(biāo)是尋找數(shù)據(jù)集中,行為或模式很大程度上不同于其他數(shù)據(jù)對(duì)象的數(shù)據(jù).目前,離群數(shù)據(jù)挖掘已廣泛應(yīng)用于信用卡詐騙檢測(cè)[2],網(wǎng)絡(luò)入侵檢測(cè)[3,4],圖像匹配[5],數(shù)據(jù)清洗[6]以及醫(yī)療診斷等領(lǐng)域.

現(xiàn)有的離群數(shù)據(jù)挖掘方法大致分為四類(lèi):基于統(tǒng)計(jì)分布的方法[7,8],基于距離的方法[9-11],基于密度的局部離群點(diǎn)方法[12,13]以及基于偏差的方法[14].這些方法針對(duì)不同類(lèi)型的數(shù)據(jù)集可以進(jìn)行較為有效的數(shù)據(jù)挖掘.經(jīng)過(guò)多年的探索和研究,離群數(shù)據(jù)挖掘雖然已有較快發(fā)展,但是當(dāng)處理海量高維數(shù)據(jù)時(shí),仍然會(huì)出現(xiàn)算法的時(shí)空復(fù)雜度太高,效率低下等問(wèn)題,無(wú)法滿(mǎn)足當(dāng)今社會(huì)的需求.因此,尋找一種準(zhǔn)確高效的離群數(shù)據(jù)挖掘方法顯得尤為重要.

基于距離的離群數(shù)據(jù)挖掘算法是一種有效的數(shù)據(jù)挖掘方法,最早由Knorr與Ng提出[9],其主要思路是將離群數(shù)據(jù)定義為與數(shù)據(jù)集中大多數(shù)數(shù)據(jù)之間的距離大于某個(gè)閾值的數(shù)據(jù).在此定義中,距離閾值要預(yù)先進(jìn)行設(shè)定,而對(duì)于不同的數(shù)據(jù)集而言,距離閾值可能不同,所以如果要挖掘離群數(shù)據(jù)就必須對(duì)數(shù)據(jù)集有一定的了解.針對(duì)其不足,Ramaswamy與Kyuseok等人提出了一種在大數(shù)據(jù)集下挖掘離群數(shù)據(jù)的方法[15],即KNN算法.將離群數(shù)據(jù)定義為前n個(gè)與其k個(gè)最近鄰居的距離和最大的數(shù)據(jù),從而避免了基于距離的離群數(shù)據(jù)挖掘算法需要用戶(hù)設(shè)定距離閾值的局限.文獻(xiàn)[16]提出一種基于距離的離群數(shù)據(jù)挖掘算法,不僅可以有效挖掘離群數(shù)據(jù),并且可以通過(guò)“解集”來(lái)預(yù)測(cè)新加入的數(shù)據(jù)是否為離群數(shù)據(jù).但是此算法需要計(jì)算所有數(shù)據(jù)之間的歐氏距離,使得算法在高維、大數(shù)據(jù)集上的運(yùn)行效率較低.隨著并行與分布式計(jì)算技術(shù)的發(fā)展,Angiulli等人[17]在文獻(xiàn)[16]的基礎(chǔ)上提出一種基于MPI編程模型的離群數(shù)據(jù)并行挖掘算法.但是由于MPI編程模型較為復(fù)雜,可靠性較差,并且會(huì)產(chǎn)生通信延遲和負(fù)載不均衡等問(wèn)題,因此本文選擇可靠性較強(qiáng),效率較高的 MapReduce編程模型,在Hadoop平臺(tái)下,實(shí)現(xiàn)了一種基于MapReduce與距離的離群數(shù)據(jù)并行挖掘算法,在保證算法準(zhǔn)確性的前提下,有效提高了數(shù)據(jù)處理的效率.

2 離群數(shù)據(jù)與MapReduce編程模型

2.1 基本定義與概念

假設(shè)數(shù)據(jù)集D是給定度量空間的有限子集,相關(guān)概念定義如下:

定義1 (離群權(quán)值).對(duì)于任意給定的一個(gè)數(shù)據(jù)對(duì)象p∈D,D中p的權(quán)值wk(p,D)是p到它的k個(gè)最近鄰的距離之和.

定義2 (TOPn離群數(shù)據(jù)).假設(shè)T為數(shù)據(jù)集D中具有n個(gè)數(shù)據(jù)對(duì)象的一個(gè)子集.如果不存在對(duì)象x∈T、y∈(DT),使得 (y,D)>(x,D),那么,子集T就稱(chēng)作數(shù)據(jù)集D中前n個(gè)離群值集合.在此基礎(chǔ)上,權(quán)值為w*=minx∈T wk(x,D)的數(shù)據(jù)為離群程度最大的前n個(gè)離群數(shù)據(jù)中的第n個(gè)離群數(shù)據(jù),在子集T中的數(shù)據(jù)為數(shù)據(jù)集D中前n個(gè)離群值.

定義3 (離群數(shù)據(jù)檢測(cè)解集).離群數(shù)據(jù)檢測(cè)解集S是數(shù)據(jù)集D中一個(gè)子集,對(duì)于每一個(gè)數(shù)據(jù)對(duì)象y∈DS,使得wk(y,S)≤w*,這里的w*第n個(gè)離群數(shù)據(jù)的權(quán)值.

我們注意到解集S總是包含在數(shù)據(jù)集D中的包含topn離群數(shù)據(jù)的集合T,并且,它具有預(yù)測(cè)離群數(shù)據(jù)的性質(zhì).

2.2 “解集”算法實(shí)現(xiàn)

[16],算法實(shí)現(xiàn)大致如下:首先,從數(shù)據(jù)集D中隨機(jī)選取一個(gè)候選集Cj,將候選集Cj中每個(gè)數(shù)據(jù)對(duì)象與數(shù)據(jù)集中所有的數(shù)據(jù)對(duì)象進(jìn)行比較,存儲(chǔ)Cj中每個(gè)數(shù)據(jù)對(duì)象的最近鄰.然后對(duì)Cj中每個(gè)數(shù)據(jù)對(duì)象的最近鄰進(jìn)行排序,求得Cj中每個(gè)數(shù)據(jù)對(duì)象的權(quán)值.在Cj中,比第n個(gè)最大權(quán)值小的候選集對(duì)象不可能屬于topn個(gè)離群數(shù)據(jù),被稱(chēng)為不靈活對(duì)象,而剩余的對(duì)象就被稱(chēng)為靈活對(duì)象.最初,C1子集包含從數(shù)據(jù)集D中隨機(jī)選取的對(duì)象,之后的C2,C3,…,Cj-1子集是由在之前的計(jì)算中沒(méi)有插入到C1,…,Cj中的數(shù)據(jù)集中的靈活對(duì)象組成.如果一個(gè)對(duì)象變成了不靈活對(duì)象,便不會(huì)是離群數(shù)據(jù),那么在之后的計(jì)算中,就不會(huì)被插入到以后的候選集.隨著算法產(chǎn)生新的對(duì)象,更多準(zhǔn)確的權(quán)值會(huì)被計(jì)算出來(lái),不靈活對(duì)象的數(shù)量會(huì)增加.當(dāng)所有的數(shù)據(jù)對(duì)象被檢測(cè)完畢,即候選集中對(duì)象全為不靈活對(duì)象時(shí),Cj變?yōu)榭?算法結(jié)束.解集就是在每次循環(huán)中計(jì)算出來(lái)的子集Cj的并集.

算法描述如下:

2.3 MapReduce框架

MapReduce 是一個(gè)編程模型,也是一個(gè)處理和生成超大數(shù)據(jù)集的算法模型的相關(guān)實(shí)現(xiàn)[18,19].用戶(hù)首先創(chuàng)建一個(gè)Map函數(shù)處理一個(gè)基于key/value pair的數(shù)據(jù)集合,輸出中間的基于 key/value pair 的數(shù)據(jù)集合;然后再創(chuàng)建一個(gè)Reduce函數(shù)用來(lái)合并所有的具有相同key值的value值.MapReduce是基于數(shù)據(jù)劃分的角度來(lái)構(gòu)建并行計(jì)算模型的,能夠在大量的普通配置的計(jì)算機(jī)上實(shí)現(xiàn)數(shù)據(jù)的并行化處理.這個(gè)系統(tǒng)在運(yùn)行時(shí)只關(guān)心:如何分割輸入數(shù)據(jù),在大量計(jì)算機(jī)組成的集群上的調(diào)度,集群中計(jì)算機(jī)的錯(cuò)誤處理,管理集群中計(jì)算機(jī)之間必要的通信.采用MapReduce架構(gòu)可以使沒(méi)有并行計(jì)算和分布式處理系統(tǒng)開(kāi)發(fā)經(jīng)驗(yàn)的程序員有效利用分布式系統(tǒng)的豐富資源.MapReduce框架可以運(yùn)行在規(guī)模可以靈活調(diào)整的由普通機(jī)器組成的集群上:一個(gè)典型的 MapReduce 計(jì)算往往由幾千臺(tái)機(jī)器組成、處理以TB計(jì)算的數(shù)據(jù).在Google的集群上,每天都有1000多個(gè)MapReduce 程序在執(zhí)行.

MapReduce 編程模型的原理如圖1所示.

圖1 MapReduce 編程模型的原理

3 基于MapReduce的離群數(shù)據(jù)并行挖掘

3.1 “解集”算法的并行化

假設(shè)集群中有1個(gè)主節(jié)點(diǎn)N0和l個(gè)從節(jié)點(diǎn)N1,…,Ni,…,Nl,數(shù)據(jù)集D被分成l個(gè)局部數(shù)據(jù)集D1,…,Di,…,Dl,每個(gè)局部數(shù)據(jù)集被分配到一個(gè)從節(jié)點(diǎn)上,目標(biāo)是計(jì)算解集S和包含topn離群數(shù)據(jù)的集合T.

主節(jié)點(diǎn)主要調(diào)度以下兩項(xiàng)任務(wù):

1)分配任務(wù)到各個(gè)從節(jié)點(diǎn),使其同時(shí)進(jìn)行核心操作運(yùn)算.

2)整合處理每個(gè)從節(jié)點(diǎn)完成運(yùn)算后返回結(jié)果.

主節(jié)點(diǎn)同步處理從節(jié)點(diǎn)數(shù)據(jù),并對(duì)從節(jié)點(diǎn)返回結(jié)果進(jìn)行整合,來(lái)產(chǎn)生新的全局候選節(jié)點(diǎn)集,這些候選集被用于接下來(lái)的迭代,也用于產(chǎn)生它們每一個(gè)最近鄰距離的真實(shí)列表(順序),用來(lái)計(jì)算新的下界.

從節(jié)點(diǎn)的主要運(yùn)算包含以下步驟:

(1)接收當(dāng)前候選集中的數(shù)據(jù)對(duì)象及前n個(gè)離群數(shù)據(jù)的下界,并將下界作為w*.

(2)將候選集中數(shù)據(jù)對(duì)象與本地?cái)?shù)據(jù)對(duì)象進(jìn)行比較.

(3)求得新的本地候選對(duì)象和關(guān)于解集的本地最近鄰的數(shù)據(jù)對(duì)象列表.

(4)最后確定本地靈活對(duì)象的數(shù)目,向主節(jié)點(diǎn)提交結(jié)果.

在局部數(shù)據(jù)集Di中,用k最近鄰來(lái)計(jì)算候選集中每個(gè)數(shù)據(jù)對(duì)象的權(quán)值,找前n個(gè)離群數(shù)據(jù),輸出解集DSS和在數(shù)據(jù)集D中包含topn離群數(shù)據(jù)的集合OUT.在算法執(zhí)行的開(kāi)始時(shí),DSS和OUT被初始化為空集,候選集C被初始化為從數(shù)據(jù)集D中隨機(jī)選取的m個(gè)對(duì)象,當(dāng)候選集C變?yōu)榭諘r(shí)結(jié)束主循環(huán).此刻屬于候選集C的數(shù)據(jù)點(diǎn)被添加到集合DSS.在每個(gè)循環(huán)開(kāi)始時(shí),候選集C被傳遞給運(yùn)行在每個(gè)節(jié)點(diǎn)上的NodeComp比較程序,最后由主節(jié)點(diǎn)匯總計(jì)算結(jié)果.

3.2 MapReduce編程模型下的“分布式解集”算法實(shí)現(xiàn)

為了將該并行算法映射到MapReduce編程模型中,本文將定義兩個(gè)Map函數(shù)和兩個(gè)Reduce函數(shù).在前一個(gè)Map函數(shù)中,將局部數(shù)據(jù)集Di中候選集Ci中的對(duì)象p(object)作為Key值,計(jì)算p與候選集中所有對(duì)象q1,q2,q3,…,ql的歐式距離dist(q1),dist(q2),dist(q3),…,dist(ql),以鍵值對(duì)的形式輸出結(jié)果,即:Map,Map,Map,…,Map.當(dāng) dist小于距離數(shù)組的最大值時(shí),更新每個(gè)對(duì)象的距離數(shù)組.Reduce函數(shù)將Map函數(shù)輸出的鍵值對(duì)進(jìn)行整理(shuffle)和按鍵分組,將p與候選集中對(duì)象的距離dist(q1),dist(q2),dist(q3),…,dist(ql)進(jìn)行降序排序,并篩選前k個(gè)距離.再通過(guò)Map函數(shù)計(jì)算p對(duì)應(yīng)的前k個(gè)數(shù)據(jù)對(duì)象的距離和sum(p),即p權(quán)值,將Map函數(shù)形式的輸出作為Reduce函數(shù)的輸入,最后通過(guò)Reduce函數(shù)將數(shù)據(jù)對(duì)象的p權(quán)值作為Key值,p作為Value值,并將Key值降序排序,求得前n個(gè)離群數(shù)據(jù).具體實(shí)現(xiàn)如圖2所示.

圖2 算法在MapReduce編程模型下實(shí)現(xiàn)

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)環(huán)境:偽分布環(huán)境為,1臺(tái)Dell筆記本(Core i7 CPU,8 G內(nèi)存);全分布環(huán)境為,由10臺(tái)相同性能節(jié)點(diǎn)構(gòu)成的集群(Intel Core i7- 820M CPU,16 G內(nèi)存)操作系統(tǒng)為ubuntu Linux 12.04;實(shí)驗(yàn)平臺(tái):Jdk 1.6.0_37,Hadoop1.1.1,Eclipse.采用 Java語(yǔ)言作為開(kāi)發(fā)工具.分別在MPI和MapReduce并行環(huán)境下實(shí)現(xiàn)了該算法.

實(shí)驗(yàn)數(shù)據(jù)集:1)人工數(shù)據(jù)集:參照文獻(xiàn)[10]中的方式,分別生成了50、100、150和200維的30 000條、60 000條、90 000條和120 000條,共16組人工數(shù)據(jù)集.在每一組人工數(shù)據(jù)集中,包含有30條離群數(shù)據(jù).2)UCI 數(shù)據(jù)庫(kù)中Wholesale customers data數(shù)據(jù)集.

4.1 人工數(shù)據(jù)集

選取參數(shù)如下:KNN中K=10,節(jié)點(diǎn)個(gè)數(shù)N=6,數(shù)據(jù)量D=30000條,在MapReduce框架下,實(shí)驗(yàn)分析數(shù)據(jù)維度對(duì)挖掘性能的影響.如圖3所示.

當(dāng)數(shù)據(jù)集的數(shù)量不變時(shí),隨著數(shù)據(jù)維度的增加,其挖掘效率降低,其主要原因是:隨著數(shù)據(jù)集維度的增加,在進(jìn)行KNN距離比較的時(shí)候計(jì)算復(fù)雜度略高于線性,相應(yīng)的挖掘效率要降低.

圖3 數(shù)據(jù)維度對(duì)算法性能的影響

選取參數(shù)如下:KNN中K=10,數(shù)據(jù)量D=30000條,數(shù)據(jù)維度d=100,在MapReduce框架下,實(shí)驗(yàn)分析節(jié)點(diǎn)對(duì)挖掘性能的影響.如圖4所示.

圖4 節(jié)點(diǎn)個(gè)數(shù)對(duì)性能的影響

當(dāng)數(shù)據(jù)量一定時(shí),隨著集群計(jì)算結(jié)點(diǎn)個(gè)數(shù)的增加,算法的挖掘耗時(shí)基本按計(jì)算結(jié)點(diǎn)比例減小,體現(xiàn)了算法具有較好的并行程度.其主要原因是:首先候選集中各個(gè)數(shù)據(jù)對(duì)象與本地?cái)?shù)據(jù)對(duì)象進(jìn)行比較計(jì)算過(guò)程完全可以并行化,各計(jì)算結(jié)點(diǎn)的數(shù)據(jù)對(duì)象個(gè)數(shù),可以按計(jì)算結(jié)點(diǎn)比例分配.

選取參數(shù)如下:KNN中K=10,節(jié)點(diǎn)個(gè)數(shù)N=6,維度d=100,分別在MPI和MapReduce框架下,實(shí)驗(yàn)分析兩種編程模型在不同數(shù)據(jù)量的情況下對(duì)挖掘性能的影響.如圖5所示.

當(dāng)計(jì)算節(jié)點(diǎn)不變時(shí),隨數(shù)據(jù)量的增加,其挖掘效率降低,其主要原因是:隨數(shù)據(jù)量的增加,數(shù)據(jù)對(duì)象的個(gè)數(shù)增多,各節(jié)點(diǎn)上分配的對(duì)象個(gè)數(shù)基本按計(jì)算節(jié)點(diǎn)比例線性增加;每個(gè)對(duì)象對(duì)應(yīng)的KNN查詢(xún)的時(shí)間也隨之增加.總之,隨著數(shù)據(jù)量的增加,其挖掘效率曲線的傾斜程度要略高于線性.從圖中看出,MapReduce編程模型比MPI編程模型效率高,主要原因是MapReduce比MPI容錯(cuò)能力強(qiáng),并且負(fù)載均衡策略更為合理.

圖5 兩種編程模型在不同數(shù)據(jù)量的情況下對(duì)挖掘性能的影響

4.2 UCI數(shù)據(jù)集

Wholesale customers data數(shù)據(jù)集,分別在偽分布環(huán)境的MapReduce編程模型和MPI編程模型下,實(shí)驗(yàn)分析k值對(duì)挖掘精度的影響.

由圖6可以看出,k值對(duì)兩種編程模型的影響幾乎相同.當(dāng)k值較小時(shí),算法挖掘準(zhǔn)確率較低,當(dāng)k值增大到一定值時(shí),挖掘準(zhǔn)確率會(huì)上升到一個(gè)比較高的值,大約80%,主要原因是當(dāng)k值增大到一定值時(shí),候選集中數(shù)據(jù)對(duì)象的最近鄰已經(jīng)能夠較好地體現(xiàn)數(shù)據(jù)的疏密特征或分布趨勢(shì),隨著k繼續(xù)增大,由KNN得到的離群數(shù)據(jù)可能會(huì)出現(xiàn)較小誤差.

圖6 兩種編程模型的k值對(duì)挖掘精度的影響

選取UCI數(shù)據(jù)集中DOCC (Default of Credit Card Clients)數(shù)據(jù)集,WCD (Wholesale Customers Data)數(shù)據(jù)集,ad數(shù)據(jù)集和adult數(shù)據(jù)集,分別在MapReduce和MPI兩種編程模型下,實(shí)驗(yàn)分析兩種編程模型對(duì)數(shù)據(jù)挖掘性能的影響.實(shí)驗(yàn)結(jié)果如圖7所示.

圖7 兩種編程模型性能比較

由圖中可以看出,在4個(gè)不同的UCI數(shù)據(jù)集下,MapReduce編程模型均比MPI編程模型的效率高,且數(shù)據(jù)量越大,MapReduce優(yōu)勢(shì)越明顯.因?yàn)镸apReduce隱藏了并簡(jiǎn)化了并行計(jì)算的細(xì)節(jié),還提拱了備份冗余,本地優(yōu)化以及負(fù)載均衡的機(jī)制.

5 結(jié)束語(yǔ)

數(shù)據(jù)的并行與分布式處理逐漸被用于數(shù)據(jù)挖掘領(lǐng)域.而MapReduce框架大大降低了編程的復(fù)雜性,提高了編程的效率,可以有效避免MPI編程模型的不足之處.本文基于MapReduce與距離,實(shí)現(xiàn)了一種離群數(shù)據(jù)并行挖掘算法,提高了離群數(shù)據(jù)挖掘的效率,并且使用人工數(shù)據(jù)集和UCI數(shù)據(jù)集,實(shí)驗(yàn)驗(yàn)證了算法在不同條件下,參數(shù)對(duì)性能的影響.

參考文獻(xiàn)

1Knorr EM,Ng RT.Algorithms for mining distance-based outliers in large datasets.Proceedings of the 24th International Conference on Very Large Data Bases.San Francisco,CA,USA.1998.392-403.

2Aggarwal CC.Outlier analysis.Aggarwal CC.Data Mining.Cham:Springer,2015:237-263.

3Hubert M,Rousseeuw PJ,Segaert P.Multivariate functional outlier detection.Statistical Methods &Applications,2015,24(2):177-202.

4Lu W,Shen YY,Chen S,et al.Efficient processing of k nearest neighbor joins using MapReduce.Proceedings of the VLDB Endowment,2012,5(10):1016-1027.[doi:10.14778/2336664]

5Zhao HF,Jiang B,Tang J,et al.Image matching using a local distribution based outlier detection technique.Neurocomputing,2015,148:611-618.[doi:10.1016/j.neucom.2014.07.002]

6Roth V.Kernel fisher discriminants for outlier detection.Neural Computation,2006,18(4):942-960.[doi:10.1162/neco.2006.18.4.942]

7Radovanovi? M,Nanopoulos A,Ivanovi? M.Reverse nearest neighbors in unsupervised distance-based outlier detection.IEEE Transactions on Knowledge and Data Engineering,2015,27(5):1369-1382.[doi:10.1109/TKDE.2014.236 5790]

8Li Y,Nitinawarat S,Veeravalli VV.Universal outlier hypothesis testing.IEEE Transactions on Information Theory,2014,60(7):4066-4082.[doi:10.1109/TIT.2014.2317691]

9Marghny M H,Taloba AI.Outlier detection using improved genetic K-means.International Journal of Computer Applications,2011,28(11):33-36.[doi:10.5120/ijca]

10Kriegel HP,Kr?ger P,Schubert E,et al.Outlier detection in arbitrarily oriented subspaces.Proceedings of the 12th International Conference on Data Mining.Brussels,Belgium.2012.379-388.

11Bhattacharya G,Ghosh K,Chowdhury AS.Outlier detection using neighborhood rank difference.Pattern Recognition Letters,2015,(60-61):24-31.

12Breunig MM,Kriegel HP,Ng RT,et al.LOF:Identifying density-based local outliers.Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data.Dallas,TX,USA.2000.93-104.

13Murugavel P,Punithavalli M.Performance evaluation of density-based outlier detection on high dimensional data.International Journal on Computer Science and Engineering,2013,5(2):62-67.

14Sarawagi S,Agrawal R,Megiddo N.Discovery-driven exploration of OLAP data cubes.In:Schek HJ,Alonso G,Saltor F,et al.eds.Advances in database technology—EDBT’98.Berlin Heidelberg:Springer,1998.168-182.

15Ramaswamy S,Rastogi R,Shim K.Efficient algorithms for mining outliers from large data sets.Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data.New York,NY,USA.2000.427-438.

16Angiulli F,Basta S,Pizzuti C.Distance-based detection and prediction of outliers.IEEE Transactions on Knowledge and Data Engineering,2006,18(2):145-160.[doi:10.1109/TKDE.2006.29]

17Angiulli F,Basta S,Lodi S,et al.Distributed strategies for mining outliers in large data sets.IEEE Transactions on Knowledge and Data Engineering,2013,25(7):1520-1532.[doi:10.1109/TKDE.2012.71]

18Dean J,Ghemawat S.MapReduce:Simplified data processing on large clusters.Proceedings of the 6th Conference on Symposium on Opearting Systems Design &Implementation.San Francisco,CA,USA.2004.

19周品.Hadoop云計(jì)算實(shí)戰(zhàn).北京:清華大學(xué)出版社,2012.