基于大數(shù)據(jù)的課程體系建設(shè)探討①

1、    基于大數(shù)據(jù)的課程體系建設(shè)探討    張鐵軍 賈銀江摘           要  繼物聯(lián)網(wǎng)、云計(jì)算后，大數(shù)據(jù)技術(shù)的發(fā)展與應(yīng)用，將對(duì)企業(yè)的決策模式、商業(yè)的經(jīng)營(yíng)策略以及個(gè)人的生活方式等產(chǎn)生深刻的影響。所以大數(shù)據(jù)也必然會(huì)對(duì)高校各個(gè)學(xué)科和專業(yè)產(chǎn)生沖擊，促使其進(jìn)行變革。通過對(duì)大數(shù)據(jù)時(shí)代給計(jì)算機(jī)類課程帶來的影響進(jìn)行深入分析，對(duì)其課程體系的建設(shè)進(jìn)行探索。關(guān)    鍵   詞  課程體系;大數(shù)據(jù);hadoop  g642    

2、60;             文獻(xiàn)標(biāo)志碼  a                      2096-0603（2018）25-0032-02大數(shù)據(jù)從表面上來看強(qiáng)調(diào)的是數(shù)據(jù)本身的容量，其實(shí)它的內(nèi)涵是如何運(yùn)用大數(shù)據(jù)技術(shù)實(shí)現(xiàn)大數(shù)據(jù)具體應(yīng)用。從數(shù)據(jù)本身角度而言，大數(shù)據(jù)是指超出一般典型數(shù)據(jù)管理系統(tǒng)的采集、存儲(chǔ)、管理和分析等能力的大規(guī)模數(shù)據(jù)集，而且這些數(shù)據(jù)之間存在著顯性或隱性的關(guān)聯(lián)。而大數(shù)據(jù)技術(shù)是以數(shù)據(jù)挖掘的方式尋找隱藏在復(fù)雜

3、的數(shù)據(jù)集中未被發(fā)現(xiàn)的模式、規(guī)則與知識(shí)，從而得到有價(jià)值的新信息。在技能的獲取階段，大數(shù)據(jù)技術(shù)相對(duì)數(shù)據(jù)而言就顯得至關(guān)重要，所以在高等學(xué)校教學(xué)中如何學(xué)習(xí)大數(shù)據(jù)技術(shù)就成為高校相關(guān)專業(yè)課程體系設(shè)置的重點(diǎn)。一、教學(xué)內(nèi)容的側(cè)重與優(yōu)化大數(shù)據(jù)技術(shù)的深入理解與并行計(jì)算、分布式計(jì)算等算法是密切相關(guān)的。通常情況下，原有的計(jì)算機(jī)科學(xué)與技術(shù)的算法類課程開設(shè)有必修課程算法設(shè)計(jì)與分析、選修課程人工智能等。算法主要包括遞歸與迭代、分治算法、動(dòng)態(tài)規(guī)劃、貪心算法、圖算法、網(wǎng)絡(luò)流和匹配、線性規(guī)劃、np完全理論、回溯、分支限界等。在人工智能課程中主要學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)、貝葉斯、決策樹算法、深度學(xué)習(xí)、遷移學(xué)習(xí)算法等。這些算法在數(shù)據(jù)挖掘的過

4、程中得到廣泛應(yīng)用，但對(duì)于提高學(xué)生對(duì)大數(shù)據(jù)技術(shù)原理的理解相關(guān)甚少。這就需要在課程體系中引入分布式系統(tǒng)理論的課程。而分布式系統(tǒng)理論體系內(nèi)容多，涉及知識(shí)面也非常廣，如何在有限的課時(shí)中把它講解得透徹就顯得至關(guān)重要。這就要以廣泛、簡(jiǎn)單有效的分布式理論、算法、協(xié)議為基礎(chǔ)逐步深入理解大數(shù)據(jù)的技術(shù)基礎(chǔ)。（一）強(qiáng)化大數(shù)據(jù)基礎(chǔ)教學(xué)內(nèi)容1.分布式系統(tǒng)模型正常狀態(tài)下節(jié)點(diǎn)、通信、存儲(chǔ)的含義很容易理解，而在機(jī)器宕機(jī)、消息丟失、消息亂序、數(shù)據(jù)錯(cuò)誤、不可靠的tcp問題等方面深入較少。正是由于網(wǎng)絡(luò)異常的存在，分布式系統(tǒng)把請(qǐng)求結(jié)果分為三個(gè)狀態(tài)“成功”“失敗”“超時(shí)”。超時(shí)的狀態(tài)是指在規(guī)定時(shí)間內(nèi)，沒有返回結(jié)果，即成功還是失敗的結(jié)果

5、是未知的中間狀態(tài)。分布式系統(tǒng)對(duì)待“超時(shí)”狀態(tài)的一般操作是：當(dāng)出現(xiàn)“超時(shí)”時(shí)，通過發(fā)起讀取數(shù)據(jù)的操作驗(yàn)證遠(yuǎn)程操作是否成功。另外一種做法是，當(dāng)出現(xiàn)“失敗”和“超時(shí)”的時(shí)候，一律重試操作直到“成功”。即使超時(shí)的操作實(shí)際上已經(jīng)執(zhí)行成功，重試操作也不會(huì)對(duì)其正確性造成影響，從而簡(jiǎn)化了設(shè)計(jì)。2.副本副本指在分布式系統(tǒng)中為數(shù)據(jù)或服務(wù)提供的冗余。數(shù)據(jù)副本在分布式系統(tǒng)中存儲(chǔ)數(shù)據(jù)丟失，也意味著狀態(tài)丟失，那么只能從其他節(jié)點(diǎn)讀取副本、恢復(fù)存儲(chǔ)的狀態(tài)。而另一類是服務(wù)副本，是指數(shù)個(gè)節(jié)點(diǎn)提供某種相同的服務(wù)。常見的分布式系統(tǒng)中，hdfs系統(tǒng)的數(shù)據(jù)塊（block）的副本就是數(shù)據(jù)副本，而map reduce系統(tǒng)中的job work

6、er則是服務(wù)副本。3.數(shù)據(jù)分布方式常見的數(shù)據(jù)分布方式有哈希方式、按數(shù)據(jù)范圍或數(shù)據(jù)量分布以及一致性哈希等。分布式文件系統(tǒng)（hdfs）采用按數(shù)據(jù)量分布，它將數(shù)據(jù)看作順序增長(zhǎng)的文件按照固定的大小劃分為若干個(gè)數(shù)據(jù)塊（block），再將不同的數(shù)據(jù)塊分布到不同的服務(wù)器上。map reduce則是數(shù)據(jù)分布本地化。分布式數(shù)據(jù)庫(kù)（hbase）之所以采用按數(shù)據(jù)范圍分布，是為了數(shù)據(jù)遷移等負(fù)載均衡操作的便利性，使每個(gè)區(qū)間中服務(wù)的數(shù)據(jù)量都維持在一個(gè)固定的閾值之下。它的缺點(diǎn)是需要維護(hù)較復(fù)雜的元信息。隨著集群規(guī)模的增長(zhǎng)，元數(shù)據(jù)服務(wù)器容易成為瓶頸。4.基本副本協(xié)議hdfs系統(tǒng)的副本控制協(xié)議是primary-secondary

7、協(xié)議，在此協(xié)議中，有且僅有一個(gè)副本作為primary副本，其余副本都作為secondary副本。由primary節(jié)點(diǎn)接收外部節(jié)點(diǎn)的更新操作，確定并發(fā)更新操作的先后順序，然后轉(zhuǎn)發(fā)操作到secondary節(jié)點(diǎn)，數(shù)據(jù)在副本間流式傳遞，最后primary節(jié)點(diǎn)將執(zhí)行結(jié)果返回給外部節(jié)點(diǎn)。5.lease機(jī)制lease機(jī)制用于確定節(jié)點(diǎn)狀態(tài)，hdfs中使用lease確定數(shù)據(jù)的primary副本，用于primary副本的確定與切換。lease類似于短期租約權(quán)限由master節(jié)點(diǎn)頒發(fā)給primary副本，持有l(wèi)ease的副本就成為primary副本。hdfs中的lease信息由master在響應(yīng)各個(gè)節(jié)點(diǎn)的心跳（he

8、artbeat）時(shí)附帶傳遞。當(dāng)hdfs的master失去某個(gè)節(jié)點(diǎn)的心跳時(shí)，要為這些block重新選擇primary副本并頒發(fā)lease，只要待該節(jié)點(diǎn)上的lease權(quán)限超時(shí)即可。6.quorum機(jī)制quorum機(jī)制是一種副本管理機(jī)制，hdfs使用waro（write-all-read-one）機(jī)制讀寫副本，當(dāng)更新所有副本成功保證了副本的同步，就可以任意選擇一個(gè)副本來讀取數(shù)據(jù);如果更新失敗，副本之間處于不一致的狀態(tài)。hdfs與zookeeper不保證異常狀態(tài)時(shí)副本的一致性，當(dāng)更新操作某個(gè)block的副本失敗時(shí)，系統(tǒng)就會(huì)自動(dòng)新增一個(gè)block在正常的機(jī)器上進(jìn)行更新操作，這從側(cè)面解決了使用waro造成

9、的系統(tǒng)可用性下降的問題。雖然在新增的更新操作中數(shù)據(jù)可能會(huì)出現(xiàn)多份重復(fù)的現(xiàn)象，但操作會(huì)返回用戶最后成功的offset，在這個(gè)地址，任意讀取某個(gè)副本就可以讀到更新的數(shù)據(jù)。課程體系中，傳統(tǒng)的算法課程教學(xué)即算法設(shè)計(jì)與分析可以采用現(xiàn)行的教學(xué)大綱，在大二上學(xué)期開設(shè)，注重實(shí)踐和代碼編程實(shí)現(xiàn)，課時(shí)設(shè)置為32學(xué)時(shí)理論+16學(xué)時(shí)實(shí)驗(yàn)。作為大數(shù)據(jù)的先行課程并行與分布式系統(tǒng)在大二下學(xué)期開設(shè)，學(xué)時(shí)為32學(xué)時(shí)。課程教學(xué)中應(yīng)強(qiáng)調(diào)上述分布式系統(tǒng)基礎(chǔ)理論包括算法的學(xué)習(xí)，并結(jié)合大數(shù)據(jù)相關(guān)技術(shù)的應(yīng)用而有所側(cè)重，并對(duì)paxos算法、一致性算法等常用分布式算法進(jìn)行講解，以此作為面向大數(shù)據(jù)的算法課程體系的基礎(chǔ)。（二）深化大數(shù)據(jù)系統(tǒng)理論建

10、議在大三上學(xué)期開設(shè)大數(shù)據(jù)技術(shù)基礎(chǔ)課程。大數(shù)據(jù)技術(shù)基礎(chǔ)課程主要包括hadoop系統(tǒng)理論，涵蓋hdfs（分布式文件系統(tǒng)）、yarn（資源管理系統(tǒng)）、zookeeper（分布協(xié)作服務(wù)）、mapreduce（分布式計(jì)算框架）、spark、hive（數(shù)據(jù)倉(cāng)庫(kù)）、flume（日志收集工具）。教學(xué)內(nèi)容要精心組織，課程主要講授hadoop生態(tài)系統(tǒng)的知識(shí)，學(xué)時(shí)設(shè)置為32+16。課程主要內(nèi)容包括：hadoop分布式計(jì)算平臺(tái)、mapreduce編程模型、bigtable數(shù)據(jù)管理工具、以hbase和hive為代表的海量數(shù)據(jù)管理平臺(tái)。由于教學(xué)學(xué)時(shí)相對(duì)于大數(shù)據(jù)所涵蓋的內(nèi)容來說較少，需要重點(diǎn)理解mapreduce過程和sh

11、uffle過程。mapreduce的原理如圖所示。首先讀取hdfs文件，按照輸入格式將輸入文件分割成片段（split），每個(gè)片段會(huì)作為一個(gè)map task輸入。在map（映射）階段，調(diào)用map函數(shù)，按行讀入數(shù)據(jù)生成映射，并進(jìn)行分區(qū)（partition），然后對(duì)不同分區(qū)中的數(shù)據(jù)進(jìn)行鍵值key排序，中間結(jié)果寫入內(nèi)存緩沖區(qū)，在超過閥值后會(huì)將內(nèi)存緩沖區(qū)中的數(shù)據(jù)溢寫入磁盤，如果中間結(jié)果數(shù)據(jù)量大，會(huì)形成多個(gè)溢寫文件，這些溢寫文件最后會(huì)合并成一個(gè)文件;在reduce（歸約）階段，多個(gè)map任務(wù)的輸出，按照不同的分區(qū)通過網(wǎng)絡(luò)copy到不同的reduce節(jié)點(diǎn)上，對(duì)多個(gè)輸出進(jìn)行合并、排序，最后reduce的輸出寫

12、到hdfs中;中間環(huán)節(jié)即數(shù)據(jù)從map task輸出到reduce task的這段過程為shuffle過程，它主要負(fù)責(zé)數(shù)據(jù)的完整拉取，并盡量減少磁盤i/o對(duì)執(zhí)行效率的影響，并減少對(duì)帶寬的消耗。理解了分布式文件系統(tǒng)的基本原理之后，實(shí)驗(yàn)部分可集中在hdfs、hadoop、mapreduce、hbase和hive技術(shù)方面設(shè)置一些簡(jiǎn)單的實(shí)踐操作，如hadoop環(huán)境的搭建、hadoop數(shù)據(jù)讀寫過程、基礎(chǔ)mapreduce示例、列式存儲(chǔ)hbase數(shù)據(jù)庫(kù)的數(shù)據(jù)查詢練習(xí)、hive數(shù)據(jù)倉(cāng)庫(kù)的使用等。在教學(xué)過程中每個(gè)知識(shí)點(diǎn)通過幾個(gè)簡(jiǎn)單小程序的編程與講解可以達(dá)到更好的教學(xué)效果，例如wordcount計(jì)數(shù)、全排序、倒排

13、序等程序設(shè)計(jì)可以幫助學(xué)生理解mapreduce和shuffle的工作原理。二、大數(shù)據(jù)技術(shù)實(shí)踐計(jì)算機(jī)專業(yè)應(yīng)用型人才的培養(yǎng)，課程設(shè)計(jì)實(shí)習(xí)與項(xiàng)目實(shí)訓(xùn)是不可或缺的重要環(huán)節(jié)。在大三下學(xué)期第一周開始，開設(shè)了為期四周的大數(shù)據(jù)課程設(shè)計(jì)，該課程設(shè)計(jì)要求學(xué)生綜合應(yīng)用所掌握的hadoop系統(tǒng)知識(shí)和相關(guān)算法，進(jìn)行hbase和hive實(shí)驗(yàn)項(xiàng)目的開發(fā)設(shè)計(jì)。例如webcontent搜索項(xiàng)目不僅檢驗(yàn)了學(xué)生的java編程語(yǔ)言、軟件工程、nosql數(shù)據(jù)庫(kù)等專業(yè)知識(shí)的綜合運(yùn)用，而且使學(xué)生掌握項(xiàng)目開發(fā)的實(shí)際操作流程，為學(xué)生進(jìn)入社會(huì)實(shí)踐打下了扎實(shí)的基礎(chǔ)。三、總結(jié)本學(xué)院對(duì)大數(shù)據(jù)課程體系進(jìn)行改革，強(qiáng)化了并行計(jì)算與分布式系統(tǒng)理論基礎(chǔ)，并及時(shí)更新大數(shù)據(jù)相關(guān)理論及實(shí)踐知識(shí)，有利于保持課程體系的先進(jìn)性。另外，加大校企合作，建設(shè)創(chuàng)新實(shí)訓(xùn)基地是提高課程體系對(duì)接學(xué)生就業(yè)的有力保障。參