91亚洲精华国内精华精华液_国产高清在线精品一区不卡_精品特级一级毛片免费观看_欧美日韩中文制服有码_亚洲精品无码你懂的网站369

park作為Apache頂級的開源項(xiàng)目，項(xiàng)目主頁見http://spark.apache.org。在迭代計(jì)算，交互式查詢計(jì)算以及批量流計(jì)算方面都有相關(guān)的子項(xiàng)目，如Shark、Spark Streaming、MLbase、GraphX、SparkR等。從13年起Spark開始舉行了自已的Spark Summit會議，會議網(wǎng)址見http://spark-summit.org。Amplab實(shí)驗(yàn)室單獨(dú)成立了獨(dú)立公司Databricks來支持Spark的研發(fā)。

為了滿足挖掘分析與交互式實(shí)時(shí)查詢的計(jì)算需求，騰訊大數(shù)據(jù)使用了Spark平臺來支持挖掘分析類計(jì)算、交互式實(shí)時(shí)查詢計(jì)算以及允許誤差范圍的快速查詢計(jì)算，目前騰訊大數(shù)據(jù)擁有超過200臺的Spark集群，并獨(dú)立維護(hù)Spark和Shark分支。Spark集群已穩(wěn)定運(yùn)行2年，我們積累了大量的案例和運(yùn)營經(jīng)驗(yàn)?zāi)芰?，另外多個(gè)業(yè)務(wù)的大數(shù)據(jù)查詢與分析應(yīng)用，已在陸續(xù)上線并穩(wěn)定運(yùn)行。在SQL查詢性能方面普遍比MapReduce高出2倍以上，利用內(nèi)存計(jì)算和內(nèi)存表的特性，性能至少在10倍以上。在迭代計(jì)算與挖掘分析方面，精準(zhǔn)推薦將小時(shí)和天級別的模型訓(xùn)練轉(zhuǎn)變?yōu)镾park的分鐘級別的訓(xùn)練，同時(shí)簡潔的編程接口使得算法實(shí)現(xiàn)比MR在時(shí)間成本和代碼量上高出許多。

Spark VS MapReduce

盡管MapReduce適用大多數(shù)批處理工作，并且在大數(shù)據(jù)時(shí)代成為企業(yè)大數(shù)據(jù)處理的首選技術(shù)，但由于以下幾個(gè)限制，它對一些場景并不是最優(yōu)選擇：

• 缺少對迭代計(jì)算以及DAG運(yùn)算的支持
• Shuffle過程多次排序和落地，MR之間的數(shù)據(jù)需要落Hdfs文件系統(tǒng)

Spark在很多方面都彌補(bǔ)了MapReduce的不足，比MapReduce的通用性更好，迭代運(yùn)算效率更高，作業(yè)延遲更低，它的主要優(yōu)勢包括：

• 提供了一套支持DAG圖的分布式并行計(jì)算的編程框架，減少多次計(jì)算之間中間結(jié)果寫到Hdfs的開銷
• 提供Cache機(jī)制來支持需要反復(fù)迭代計(jì)算或者多次數(shù)據(jù)共享，減少數(shù)據(jù)讀取的IO開銷
• 使用多線程池模型來減少task啟動開稍，shuffle過程中避免不必要的sort操作以及減少磁盤IO操作
• 廣泛的數(shù)據(jù)集操作類型

MapReduce由于其設(shè)計(jì)上的約束只適合處理離線計(jì)算，在實(shí)時(shí)查詢和迭代計(jì)算上仍有較大的不足，而隨著業(yè)務(wù)的發(fā)展，業(yè)界對實(shí)時(shí)查詢和迭代分析有更多的需求，單純依靠MapReduce框架已經(jīng)不能滿足業(yè)務(wù)的需求了。Spark由于其可伸縮、基于內(nèi)存計(jì)算等特點(diǎn)，且可以直接讀寫Hadoop上任何格式的數(shù)據(jù)，成為滿足業(yè)務(wù)需求的最佳候選者。

應(yīng)用Spark的成功案例

目前大數(shù)據(jù)在互聯(lián)網(wǎng)公司主要應(yīng)用在廣告、報(bào)表、推薦系統(tǒng)等業(yè)務(wù)上。在廣告業(yè)務(wù)方面需要大數(shù)據(jù)做應(yīng)用分析、效果分析、定向優(yōu)化等，在推薦系統(tǒng)方面則需要大數(shù)據(jù)優(yōu)化相關(guān)排名、個(gè)性化推薦以及熱點(diǎn)點(diǎn)擊分析等。

這些應(yīng)用場景的普遍特點(diǎn)是計(jì)算量大、效率要求高。Spark恰恰滿足了這些要求，該項(xiàng)目一經(jīng)推出便受到開源社區(qū)的廣泛關(guān)注和好評。并在近兩年內(nèi)發(fā)展成為大數(shù)據(jù)處理領(lǐng)域最炙手可熱的開源項(xiàng)目。

本章將列舉國內(nèi)外應(yīng)用Spark的成功案例。

1. 騰訊

廣點(diǎn)通是最早使用Spark的應(yīng)用之一。騰訊大數(shù)據(jù)精準(zhǔn)推薦借助Spark快速迭代的優(yōu)勢，圍繞“數(shù)據(jù)+算法+系統(tǒng)”這套技術(shù)方案，實(shí)現(xiàn)了在“數(shù)據(jù)實(shí)時(shí)采集、算法實(shí)時(shí)訓(xùn)練、系統(tǒng)實(shí)時(shí)預(yù)測”的全流程實(shí)時(shí)并行高維算法，最終成功應(yīng)用于廣點(diǎn)通pCTR投放系統(tǒng)上，支持每天上百億的請求量。

基于日志數(shù)據(jù)的快速查詢系統(tǒng)業(yè)務(wù)構(gòu)建于Spark之上的Shark，利用其快速查詢以及內(nèi)存表等優(yōu)勢，承擔(dān)了日志數(shù)據(jù)的即席查詢工作。在性能方面，普遍比Hive高2-10倍，如果使用內(nèi)存表的功能，性能將會比Hive快百倍。

2. Yahoo

Yahoo將Spark用在Audience Expansion中的應(yīng)用。Audience Expansion是廣告中尋找目標(biāo)用戶的一種方法：首先廣告者提供一些觀看了廣告并且購買產(chǎn)品的樣本客戶，據(jù)此進(jìn)行學(xué)習(xí)，尋找更多可能轉(zhuǎn)化的用戶，對他們定向廣告。Yahoo采用的算法是logistic regression。同時(shí)由于有些SQL負(fù)載需要更高的服務(wù)質(zhì)量，又加入了專門跑Shark的大內(nèi)存集群，用于取代商業(yè)BI/OLAP工具，承擔(dān)報(bào)表/儀表盤和交互式/即席查詢，同時(shí)與桌面BI工具對接。目前在Yahoo部署的Spark集群有112臺節(jié)點(diǎn)，9.2TB內(nèi)存。

3. 淘寶

阿里搜索和廣告業(yè)務(wù)，最初使用Mahout或者自己寫的MR來解決復(fù)雜的機(jī)器學(xué)習(xí)，導(dǎo)致效率低而且代碼不易維護(hù)。淘寶技術(shù)團(tuán)隊(duì)使用了Spark來解決多次迭代的機(jī)器學(xué)習(xí)算法、高計(jì)算復(fù)雜度的算法等。將Spark運(yùn)用于淘寶的推薦相關(guān)算法上,同時(shí)還利用Graphx解決了許多生產(chǎn)問題，包括以下計(jì)算場景：基于度分布的中樞節(jié)點(diǎn)發(fā)現(xiàn)、基于最大連通圖的社區(qū)發(fā)現(xiàn)、基于三角形計(jì)數(shù)的關(guān)系衡量、基于隨機(jī)游走的用戶屬性傳播等。

4. 優(yōu)酷土豆

優(yōu)酷土豆在使用Hadoop集群的突出問題主要包括：第一是商業(yè)智能BI方面，分析師提交任務(wù)之后需要等待很久才得到結(jié)果；第二就是大數(shù)據(jù)量計(jì)算，比如進(jìn)行一些模擬廣告投放之時(shí)，計(jì)算量非常大的同時(shí)對效率要求也比較高，最后就是機(jī)器學(xué)習(xí)和圖計(jì)算的迭代運(yùn)算也是需要耗費(fèi)大量資源且速度很慢。

最終發(fā)現(xiàn)這些應(yīng)用場景并不適合在MapReduce里面去處理。通過對比，發(fā)現(xiàn)Spark性能比MapReduce提升很多。首先，交互查詢響應(yīng)快，性能比Hadoop提高若干倍；模擬廣告投放計(jì)算效率高、延遲?。ㄍ琱adoop比延遲至少降低一個(gè)數(shù)量級）；機(jī)器學(xué)習(xí)、圖計(jì)算等迭代計(jì)算，大大減少了網(wǎng)絡(luò)傳輸、數(shù)據(jù)落地等，極大的提高的計(jì)算性能。目前Spark已經(jīng)廣泛使用在優(yōu)酷土豆的視頻推薦（圖計(jì)算）、廣告業(yè)務(wù)等。