Introduction aux algorithmes map reduce

Introduction aux algorithmes
MapReduce
Mathieu Dumoulin (GRAAL), 14 Février 2014

Plan
 Introduction de la
problématique
 Tutoriel MapReduce
 Design d’algorithmes
MapReduce
 Tri, somme et calcul de
moyenne
 PageRank en MapReduce
 Conclusion
mathieu.dumoulin@gmail.com 2014-02-14

« Big Data »
Building new analytic applications based on new types of data, in
order to better serve your customers and drive a better competitive
advantage
- David McJannet, Hortonworks
Big data is high volume, high velocity, and/or high variety
information assets that require new forms of processing to enable
enhanced decision making, insight discovery and process optimization
- Gartner, updated definition of big data (2012)

Un outil spécialisé
Problèmes où Hadoop est envisageable:
 Trop de données (GB,TB,PB)
 Améliorer des résultats existants
 Obtenir de nouveaux résultats
 Combiner des données hétérogènes
 Croissance rapide (et constante) des données
 Temps de traitement lent (minutes, heures)
 Budgets limités
 Plusieurs ordinateurs déjà disponibles

Hadoop au cœur du big data

MapReduce au cœur de Hadoop
Hadoop MapReduce is a software framework for easily writing
applications which process vast amounts of data (multi-terabyte
data-sets) in-parallel on large clusters (thousands of nodes) of
commodity hardware in a reliable, fault-tolerant manner.
- Hadoop Tutorial, hadoop.apache.org

Gain d’utiliser Hadoop?
 Tout le travail de distribution, balancement de charge,
synchronisation et de gestion d’erreur est géré
automatiquement
 Il suffit de programmer Map et Reduce (Java, C++,
Python, bash, etc.)
 Une grappe Hadoop peut évoluer facilement en ajoutant
des nœuds en tout temps
 Hadoop offre un rapport performance-prix très
compétitif (Amazon EMS, réutilisation de PC existants,
aucun coûts de licences ni de matériel spécialisé HPC)

L’exemple WordCount
On veut trouver les k mots les plus fréquents dans une
collection de textes.
def word_count(text, k):
counts = defaultdict(int)
for word in text.split():
counts[word.lower()] += 1
return sorted(counts, key=counts.get, reverse=True)[:k]
Mais cette solution est-elle la bonne si le texte est très
grand?
Et s’il est très, très, …, très grand?

La taille en soit peut être un problème
Problème SolutionTaille
• 100M mots
• 1000M mots
• 100MM mots
• 1000MM mots
• Plus encore!
• Pas de problèmes
• Mémoire insuffisante
• Processeur insuffisant
• 1 ordinateur insuffisant
• Réseau insuffisant,
contrôleur surchargé
• Naïve avec 1 seul
ordinateur
• Utiliser le disque,
Fenêtre glissante
• Multithreading,
éliminer < N
• Distribuer le calcul
• MapReduce (ou
solution du même
ordre comme MPI,
etc.)

Tutoriel MapReduce
Map Reduce

Map et Reduce: la paire Clef-Valeur
Mapper:
(K,V) → (K’, V’)
Reducer:
(K’, [V’, V’,…]) → (K’’, V’’)
Données
(HDFS)
Données’
(HDFS)

MapReduce en action: WordCount illustré

Map et Reduce: Shuffle and Sort
Source: Data Intensive Text Processing with MapReduce, Jimmy Lin and Chris Dyer, 2010

Map et Reduce (moins simplifié)
 Les vrai opérateurs:
 Mapper
 Combiner
 Partitioner
 Reducer

Design d’algorithmes pour MapReduce
1- Il faut reformuler les algorithmes en fonctionnel:
2- La bande passante du
réseau est une ressource
limitée à optimiser:

Exemples choisis
 Exemples simples:
 Tri
 Somme
 Moyenne
 Un exemple complet:
PageRank
 Bonus:
K-Means (Lloyd’s algorithm)

Trier en MapReduce
 Propriété du réducteur: les paires sont traitée dans
l’ordre (selon la clef), les réducteurs sont aussi dans
l’ordre
Mapper:
Émettre l’élément à trier comme nouvelle clef
Reducer:
Aucun (i.e. fonction identité)

Calcul d’une somme (WordCount)

Amélioration: le combiner

Calcul de moyenne
Utiliser un combiner est il approprié? Si on reprend le reducer comme combiner,
l’algorithme est-il encore correct?mathieu.dumoulin@gmail.com 2014-02-14

Comment améliorer ce calcul?

Design d’une solution MapReduce pour
l’algorithme PageRank

Qu’est-ce que PageRank?
Distribution de probabilité sur les pages web qui
représente la chance qu’un utilisateur naviguant au
hasard arrive à une page web particulière.
Notes:
 Le web est un graphe orienté, une page est un nœud
et les hyperliens sont des arcs.
 L’algorithme recalcule la probabilité de toutes les
pages itérativement jusqu’à convergence

Comment calculer PageRank (simplifié)
𝑃𝑅 𝑝𝑖 =
𝑝 𝑖∈𝑀(𝑝 𝑖)
𝑃𝑅(𝑝𝑗)
𝐿(𝑝𝑗)
• p1,p2,…,pN sont les pages web (les nœuds du
graphe)
• M(pi) est l’ensemble des pages ayant un lien vers pi
• L(pj) est le nombre de liens sortant de la page pj
• N est le nombre total de pages web
Note: Pour simplifier, on élimine le facteur d’atténuation, paramétrisé par
la probabilité que l’utilisateur arrête de naviguer.
Page, Lawrence and Brin, Sergey and Motwani, Rajeev and Winograd, Terry (1999) The
PageRank Citation Ranking: Bringing Order to theWeb. Technical Report. Stanford InfoLab.

PageRank par un exemple
Le web a trois pages web:A, B et C
Initialisation: PR(A) = PR(B) = PR(C) = 0.33
Jusqu’à convergence:
𝑃𝑅 𝐴 =
𝑃𝑅(𝐵)
2
𝑃𝑅 𝐵 =
𝑃𝑅(𝐴)
2
𝑃𝑅 𝐶 =
𝑃𝑅(𝐴)
2
+
𝑃𝑅(𝐵)
2

PageRank en MapReduce
Donnés de départ:
collection de pages web (URL, [URLlien])
1. Bâtir et initialiser le graphe
2. Jusqu’à convergence, recalculer PageRank pour chaque
page web
3. Retourner les K premières valeurs de PageRank (pas
présenté)

Étape 1: Bâtir le graphe
Mapper:
Entrée: une page web
Pour chaque lien de la page, émettre:
clef: URLpage
valeur: URLlien
Reducer:
Entrée:
clef: URLpage
valeurs: [URLlien, …]
Sortie:
clef: URLpage
valeur: «PR;[URLlien]»

Étape 2: calculer PageRank - Map
Mapper:
Entrée:
clef: URLpage
valeur: «PR;[URLlien,…]»
Sortie:
Pour chaque URLlien, émettre:
clef: URLlien
valeur: «URLpage;PR, nb_urllien»
Où: nb_urllien est le compte de URLlien

Étape 2: calculer PageRank - Reduce
Reducer:
Entrée:
clef: URLpage
valeurs: [«URLinverse;PR, nb_urlpage_inverse», …]
Traitement: calculer le PR
Sortie:
clef: URLpage
valeurs: « PR;[URLlien]»

PageRank en MapReduce: Résultats
Notes:
Source: PageRank Calculation using Map Reduce - The Cornell Web Lab (2008)
Résultats obtenus sur une grappe Hadoop de 50 nœuds (Intel Xeon 2.66GHz 16GB ram)
Mon implémentation: https://bitbucket.org/mathieu_dumoulin/pagerank-mr

MapReduce PageRank: Résultats
(8 fois plus de pages que Cornell)

MapReduce PageRank: Résultats

Conclusion (malheureuse)
 MapReduce est une solution puissante au problème de
programmation distribuée
 La plate-forme fait toute la distribution et la gestion des
erreurs
 Le travail de programmation commence par la
formulation d’un algorithme MapReduce
 Ce n’est pas toujours facile
 Trouver et formuler un algorithme performant est relativement
difficile
 Le travail réel de programmation demande une maîtrise (très)
avancée de Java

Conclusion

Conclusion
On n’est pas prisonnier de MapReduce pour utiliser une
grappe Hadoop!
Apache Pig: optimiser les tâches de ETL
Apache Hive: analyser ses données façon SQL
Cascading et Apache Crunch: librairies Java qui simplifient
les opérations difficiles en MapReduce
Apache Mahout: librarie de machine learning qui peut
utiliser une grappe Hadoop « automatiquement »

Questions et commentaires
2014-02-14mathieu.dumoulin@gmail.com
Hadoop est de plus en plus une composante
d’infrastructure « standard » pour le traitement de
donnée à grande échelle et est promis à un bel avenir!

Partie Bonus
2014-02-14mathieu.dumoulin@gmail.com
 MapReduce et Machine Learning
 Exemple
 Algorithme K-Means

Map et Reduce et le machine learning?
Problématique exemple: recherche de paramètres optimaux
Yasser Ganjisaffar,Thomas Debeauvais, Sara Javanmardi, Rich Caruana, and CristinaVideira Lopes. 2011. Distributed tuning of
machine learning algorithms using MapReduce Clusters. In Proceedings of theThirdWorkshop on Large Scale Data Mining:Theory and
Applications(LDMTA '11).ACM, NewYork, NY, USA, ,Article 2 , 8 pages. DOI=10.1145/2002945.2002947
http://doi.acm.org/10.1145/2002945.2002947

Bonus:
Algorithme K-means clustering
 Problème: regrouper des données en K groupes

Algorithme K-means
(Lloyd’s Algorithm)
Initialiser les K centroïdes (d’une certaine façon)
Pour chacune de plusieurs d’itérations:
Pour chaque point:
Assigner au centroïde le plus proche
Selon une mesure de distance (ex: distance Euclidienne)
Pour chaque centroïde:
Recalculer sa position en faisant la moyenne
des membres de son groupe

K-means en MapReduce
 Driver: lancer les itérations
 Combien d’étapes map-reduce?
Une seule!

K-means MapReduce
 Driver: le “main” qui lance les tâches (Job) MapReduce et qui
itère jusqu’à convergence
 Mapper:Assigner chaque point au cluster le plus proche (en
parallèle!)
 Entrée: Key: Null value: vecteur
 Sortie: Key: index du centroïde le plus proche, value: vecteur
 Reducer: Calculer la moyenne des points membre du cluster
(en parallèle!)
 Key:
 Information partagée: les vecteurs des centroïdes

K-Means et MapReduce: État de l’art
Bahman Bahmani, Benjamin Moseley,AndreaVattani, Ravi
Kumar, and SergeiVassilvitskii. 2012. Scalable k-
means++. Proc.VLDB Endow. 5, 7 (March 2012), 622-633.
http://theory.stanford.edu/~sergei/papers/vldb12-kmpar.pdf
Implémenté dans la librairie Apache Mahout

Introduction aux algorithmes map reduce

Contenu connexe

Tendances (20)

En vedette (20)

Similaire à Introduction aux algorithmes map reduce (20)

Plus de Mathieu Dumoulin (8)

Introduction aux algorithmes map reduce