最近看到明风的关于数据挖掘平台下实用Spark和Yarn来做推荐的PPT,感觉很赞,现在基于大数据和快速计算方面技术的发展很快,随着Apache基金会上发布的一个个项目,感觉真的新技术将会不断出现在大家的面前.
作为技术发烧友,作为一个看客,来围观下,不过从PPT中列出来的技术来看,未来的发展趋势还是说是有的,而且还是很有发展前景的. 现在Spark和Yarn也就发布2年多的时间,随着社区力量的跟上,不断的将之前的项目都放到一个更好的资源架构的整合上来实现.特别是放到内存上来实现,在速度和效率上还是确实有区别于之前的其他技术.所以作为巨头之一的淘宝,就跟上的技术发展的趋势了.但是作为小公司而言,没有这样的大规模的机器部署的情况下,如何用利用好这些技术呢?
下面是PPT中记录的一些笔记和插图.算是对整个架构有一个出不的了解,接下来有时间就努力的去尝试下.
插上翅膀的大象 基于Spark on Yarn的淘宝数据挖掘平台
为什么选择Spark On Yarn Spark On Yarn的原理和框架 淘宝在Spark On Yarn上做的工作 基于Spark On Yarn的数据挖掘平台架构
案例性能
Hadoop在数据挖掘遇到的问题 多次迭代
中介数据的序列化和反序列化
简单的MR模式 vs 复杂的机器学习算法
OO编程 vs 函数式风格
图计算能力
Why Spark
RDD
内存计算
快速迭代
DAG
Scala
FP编程
Actor编程
并发能力
Hadoop
MapReduce
HDFS访问
Spark的生态圈 Shark(Hive),Streaming(Storm),Mllib(Mahout),Graphx(GraphLab)
Spark (MapReduce)
Local Standalone Mesos Yarn HDFS HBASE
Yarn版本0.23.7 目前淘宝部署了 5000 * 2 的架构
Spark On Yarn 的框架
Spark的生态圈
Spark On Yarn的实现流程
推荐系统的具体架构
总结 粗略的了解下技术架构,接下来有时间的话,深入的实际尝试下,搭建系统跑下svm等,体会下这个系统!