作者：余根茂，阿里巴巴计算平台事业部EMR团队的技术专家，参与了Hadoop，Spark，Kafka等开源项目的研发工作。目前主要专注于EMR流式计算产品的研发工作。
今天来和大家聊一下如何使用Spark SQL进行流式数据的机器学习处理。本文主要分为以下几个章节：
- 什么是流式机器学习
- 机器学习模型获取途径
- 系统演示
1. 什么是流式机器学习
通常，当我们听到有人提到实时数据机器学习时，其实他们是讨论：
- 他们希望有一个模型，这个模型利用最近历史信息来进行预测分析。举一个天气的例子，如果最近几天都是晴天，那么未来几天极小概率会出现雨雪和低温天气
- 这个模型还需要是可更新的。当数据流经系统时，模型是可以随之进化升级。举个例子，随着业务规模的扩大，我们希望零售销售模型仍然保持准确。
第一个例子我们可以将它归为时序预测。第二个例子中，模型需要更新或者重新训练，这是一个non-stationarity问题。时序预测和non-stationarity数据分布是两类不同的问题。本文主要关注第二类问题，对于这类问题，一般的解决方案主要有：
- 增量式算法：有一些算法支持通过数据逐步学习。也就是说，每次进来一些新的数据时，模型会被更新。SVM，神经网络等算法都有增量式版本，此外贝叶斯网络也可以用作增量学习。
- 周期重新学习：一个更加直接的方法就是用一批最新数据重新训练我们的模型。这种方法可以用到的绝大多数的算法上。
2. 机器学习模型获取途径
实时机器学习应用分成两块，一部分是模型实时训练，另一部分是数据实时预测分析。现实中，我们可能没法实现模型的实时训练，只能退而求其次地使用已经训练好模型。这些模型可能会周期性地使用历史数据训练更新一次。所以，我们可以根据实际的算法和模型时效性要求，来选择实时训练模型还是使用预训练好的模型。
- 模型算法支持增量训练：可以选择用流式数据实时训练更新
- 模型算法不自持增量训练：可以选择用离线数据预先训练好模式
回到主题上，我们要实现使用Spark SQL进行流式机器学习。前面几篇文章已经简单介绍了EMR如何使用Spark SQL进行流式ETL处理。既然要进行机器学习，我们很自然地想到Spark MLlib。DataBricks有篇文档介绍了在Spark Structured Streaming进行机器学习，大家有兴趣的可以看下。如果想将Spark MLlib应用到Spark SQL上，我们可以简单地将MLlib算法包装成UDF使用。另外一个模型获取途径是利用阿里云上的一些在线机器学习服务，我们可以将在线机器学习服务使用UDF封装后使用。
- 使用UDF封装现有的Spark MLlib算法
- 使用UDF封装阿里云在线机器学习服务
限于篇幅，我会分两篇文章分别介绍这两个方式，本文将简单介绍如何利用Spark MLlib进行流式机器学习。
3. 系统演示
本节，我们将演示一下如何利用逻辑回归算法进行演示。
3.1 系统架构
下面这张图展示了整个实时监测系统的架构，前端接LogService数据，实时监测分析结果写入到RDS，最后通过DataV展示出来。
3.2 测试数据集
测试数据集使用Spark自带的sample_libsvm_data.txt，我们要做的是写一个数据生成器，将数据集的数据不断地向SLS中发送，模拟流式数据。
算法模型准备
Spark MLlib提供了大量的机器学习算法实现，可以方便的再RDD或者DataFrame API上使用，但是无法直接用在SQL API上，所以我们需要使用UDF来封装一下。这里，我们选用逻辑回归算法，具体的实现就不细说了，可以参考这里的代码：LogisticRegressionUDF.scala
3.4 部署测试
- CLI
git clone git@github.com:aliyun/aliyun-emapreduce-sdk.git
cd aliyun-emapreduce-sdk
git checkout -b master-2.x origin/master-2.x
mvn clean package -DskipTests
## 编译完后, assembly/target目录下会生成emr-datasources_shaded_2.11-1.7.0-SNAPSHOT.jar
spark-sql --master yarn-client --num-executors 2 --executor-memory 2g --executor-cores 2 --jars emr-datasources_shaded_2.11-1.7.0-SNAPSHOT.jar --driver-class-path emr-datasources_shaded_2.11-1.7.0-SNAPSHOT.jar- 建表
spark-sql> USE default;
-- 测试数据源
spark-sql> CREATE TABLE IF NOT EXISTS sls_dataset
USING loghub
OPTIONS (
sls.project = "${logProjectName}",
sls.store = "${logStoreName}",
access.key.id = "${accessKeyId}",
access.key.secret = "${accessKeySecret}",
endpoint = "${endpoint}");
spark-sql> DESC sls_dataset
__logProject__ string NULL
__logStore__ string NULL
__shard__ int NULL
__time__ timestamp NULL
__topic__ string NULL
__source__ string NULL
label string NULL
features string NULL
__tag__hostname__ string NULL
__tag__path__ string NULL
__tag__receive_time__ string NULL
Time taken: 0.058 seconds, Fetched 11 row(s)
-- 结果数据源
spark-sql> CREATE TABLE IF NOT EXISTS rds_result
USING jdbc2
OPTIONS (
url="${rdsUrl}",
driver="com.mysql.jdbc.Driver",
dbtable="${rdsTableName}",
user="${user}",
password="${password}",
batchsize="100",
isolationLevel="NONE");
spark-sql> DESC rds_result;
acc double NULL
label double NULL
time string NULL
Time taken: 0.457 seconds, Fetched 3 row(s)- 注册UDF
CREATE FUNCTION Logistic_Regression AS 'org.apache.spark.sql.aliyun.udfs.ml.LogisticRegressionUDF' USING JAR '${udf_jar_path}';- 提交执行
SET spark.sql.streaming.checkpointLocation.lr_prediction=hdfs:///tmp/spark/lr_prediction;
SET spark.sql.streaming.query.outputMode.lr_prediction=update;
-- 由于DataSource是基于JDBC实现的，所以我们需要设置向RDS表插入数据的SQL
-- 这里我的RDS表名是`result`
SET streaming.query.lr_prediction.sql=insert into `result`(`time`, `label`, `acc`) values(?, ?, ?);
INSERT INTO
rds_result
SELECT
window.start,
label,
sum(if(tb.predict = tb.label, 1, 0)) / count(tb.label) as acc
FROM(
SELECT
default.Logistic_Regression("${LR_model_path}", concat_ws(" ", label, features)) as predict,
label,
__time__ as time
FROM sls_dataset) tb
GROUP BY TUMBLING(tb.time, interval 10 second), tb.label;3.5 效果展示
在DataV中配置上面的RDS结果表，使用折线图查看label=1的预测准确率，如下：
4. 小结
本文简要介绍了流式机器学习面临的几个问题，以及相应的解决方法。并使用Spark SQL结合Spark MLlib演示了一个流式机器学习的案例。下一篇，我会简要介绍Spark SQL如何结合阿里云的在线机器学习服务来进行流式机器学习应用开发。
