手把手带你玩转Apache MADlib

大数据文摘授权转载自数据派THU作者：陈之炎

随着数据规模的不断扩大，目前，许多现有的分析解决方案都无法胜任大规模数据量的计算任务。利用MADlib项目来创建一个框架，以满足大规模数据量的需求，该框架旨在利用现代计算能力，提供适应业务需求的强大解决方案。

概述

MADlib实现方案来自商业实践、学术研究和开源开发社区的多方面努力，它是一个基于SQL的数据库内置的可扩展的开源机器学习库，由Pivotal与UCBerkeley合作开发。MADlib创始于2011年，当时属于EMC/Greenplum，后来Greenplum变成了pivotal的Greenplum。主要由伯克利的学者：Joe Hellerstein发起，Stanford, University of Wisconsin-MADISON和University of Florida也有参与。MAD一词来源于：MagneticAgile、Deep三个词的首字母，意为有吸引力的、快速的、精准深入的，三个单词连在一起，意思是“极好的”，旨在为数据科学家们提供一个极好的机器学习和数据分析平台。

MADlib提供了丰富的分析模型，包括回归分析，决策树，随机森林，贝叶斯分类，向量机，风险模型，KMEAN聚集，文本挖掘，数据校验等。MADlib支持Greenplum,PostgreSQL 以及 Apache HAWQ, In-Database Analytics的特性使其大大扩展了数据库的分析功能，充分利用MPP架构使其能够快速处理海量数据集。

本文将为大家介绍MADlib的基本架构，工作原理及特性，并为开发人员提供快速入门指南。

ADlib创始于2011年，2015年7月MADlib成为Apache软件基金会的孵化器项目，经过两年的发展，于2017年8月成为Apache顶级项目。整个项目和代码是在Apache上是开源的，已经正式发布了MADlib 1.14、MADlib 1.15、MADlib 1.15.1、MADlib 1.16 等多个正式版本。

Apache MADlib 架构

MADlib有以下三个主要组件：

• Python 驱动函数

• C++ 实现函数

• C++ 数据库抽象层

• Python 驱动函数

Python 驱动函数位于如下子目录中：

https://github.com/apache/incubator-madlib/tree/master/src/ports/postgres/modules

这些功能是用户输入的主要入口点，主要负责算法的流程控制。一般来说，实现包括验证输入参数、执行SQL语句、评估结果和潜在的循环来执行更多的SQL语句，直到达到收敛标准为止。

• C++实现函数

大多数位于如下子目录中：

https://github.com/apache/incubator-madlib/tree/master/src/modules

这些函数是特定算法所需核心函数和集合的C++定义。由于性能原因，这些都是在C++而不是Python中实现的。

• C++ 数据库抽象层

大多数位于如下子目录中：

https://github.com/apache/incubator-madlib/tree/master/src/dbal

和：

https://github.com/apache/incubator-madlib/tree/master/src/ports/postgres/dbconnector

这些函数试图提供一个编程接口，将所有Postgres内部细节抽象掉，并提供一种机制，使MADlib能够支持不同的后端平台，并专注于内部功能而不是平台集成逻辑。

MADlib架构的主要理念：

• 在本地数据库中操作数据。无需在多个运行时环境之间进行不必要的数据移动。

• 利用最好的breed数据库引擎，将机器学习逻辑与数据库特定的实现细节相剥离

• 利用MPP共享技术，如Greenplum数据库，提供并行性和可伸缩性。

• 开放的实施维护措施，与Apache社区和正在进行中的学术研究保持密切的联系。

开发人员快速入门指南

准备工作

可以按照MADlib安装指南中的步骤安装MADlib，也可以使用下面的Docker映像指令来安装。

MADlib源代码的组织方式如下：机器学习或统计模块的核心逻辑位于一个公共位置，数据库端口特定的代码位于 ports文件夹中。由于当前支持的所有数据库都是基于Postgres的， 所以Postgres端口包含所有特殊端口的文件，并从中继承 greenplum和 hawq文件。在继续使用本指南之前，建议熟悉一下 MADlib module anatomy 这个文档。

Docker映像

Docker映像提供了在PostgreSQL 9.6上编译和测试MADlib所必需的依赖性，可以在 /tool/docker/base/docker file_postgres_9_6中查看到依赖项docker文件，映像位于docker hub上的 madlib/postgres U 9.6:latest，稍后将为Greenplum数据库提供一个类似的Docker映像。

使用Docker文件的一些常用命令：

##1）从docker hub下拉“madlib/postgres”U 9.6:latestyin映像：docker Pull madlib/postgres”U 9.6:latest

##2）启动与MADlib映像对应的容器，将源代码文件夹装入容器：docker run-d-it--name MADlib-v（incubator-madlib目录的路径）：/incubator MADlib/MADlib/postgres U 9.6其中incubator-madlib是MADlib源代码所在的目录。

##############################################*警告*###################################################请注意，如上图所示安装时，在“incubator-madlib” Docker容器中的文件夹中所做的任何变动#将反映在本地磁盘上（反之亦然）。这意味着从Docker容器中删除已装入卷中的数据也会导致本地磁盘中数据丢失。###############################################################################################################3）容器启动后，连接到它，并构建MADlib:docker exec-it MADlib bashmkdir/incubator madlib/build docker cd/incubator madlib/build docker cmake..make docmake install

##4）安装MADlib：src/bin/madpack-p postgres-c postgres/postgres@localhost:5432/postgres install

##5）运行其他几个madpack命令：#对所有模块进行运行安装检查：src/bin/madpack -p postgres -c postgres/postgres@localhost:5432/postgres install-check

#在特定模块（比如说svm）上运行install check：src/bin/madpack -p postgres -c postgres/postgres@localhost:5432/postgres install-check -t svm#在所有模块上运行dev check（比install check更全面）：src/bin/madpack -p postgres -c postgres/postgres@localhost:5432/postgres dev-check#在特定模块上（比如说svm）运行dev check：src/bin/madpack -p postgres -c postgres/postgres@localhost:5432/postgres dev-check -t svm#重新安装MADlib：src/bin/madpack -p postgres -c postgres/postgres@localhost:5432/postgres reinstall##6）杀死并移除容器（退出容器后）：docker Kill madlibdocker rm madlib

添加新模块

添加一个名为 “hello_world” 新模块。在这个模块中，实现了一个名为 avg_var的用户自定义的SQL聚合（UDA），它计算表的给定数值列的平均值和方差。在此，将实现一个分布式版本的Welford's online algorithm（Welford在线算法）来计算均值和方差。

与PostgreSQL中的普通UDA不同， avg_ar也可以在分布式数据库上运作，并利用底层分布式网络进行并行计算。使用avg_var也十分简单，用户仅需运行如下psql命令：

之后，将在屏幕上打印三个数值：均值、方差和名为bath的表格中的行数。

通过以下几步实现：

• 注册模块。

• 定义SQL函数。

• 在C++中实现函数。

• 注册C++头文件。

此练习的文件的源代码可以在hello world文件夹 中找到。

1.注册模块

在 /src/config/目录下的名为 Modules.yml的文件中添加以下行

并创建两个文件夹：/src/ports/postgres/modules/hello-world和 /src/modules/hello-world。这两个文件夹的名称应和Modules.yml 中定义的模块名称相匹配。

2.定义SQL函数

在./src/ports/postgres/modules/hello_world文件夹下创建avg_var.sql_in文件，在这个文件中，定义了用于计算均值和方差的聚合函数和其他辅助函数。这些函数将在单独的C++文件中实现，将在下一节中对其进行描述。

在avg_var.sql_in文件的初始部分，必需利用命令行 m4_include('SQLCommon.m4') 运行m4 宏处理器（m4 macro processor）。利用M4在SQL定义中添加平台专属的命令，并在将MADlib部署到数据库时运行。

利用内置的PostgreSQL 命令CREATE AGGREGATE 定义聚合函数avg_var。

同时定义传递给CREATE AGGREGATE的参数：

• SFUNC

为每个输入行调用的状态转换函数命名。在这个例子中，状态转换函数avg_var_transition，与avg_var.sql_in在同一个文件定义，之后在C++中得以实现。

• FINALFUNC

在遍历所有输入行之后，调用最终函数的名称来计算聚合结果。例如：最终函数, avg_v ar_final, 与avg_var.sql_in在同一个文件定义，之后在C++中得以实现。

• PREFUNC

在遍历每个数据段或分区之后，调用合并函数以合并聚合状态值的名称。Greenplum和HAWQ上的分布式数据集需要合并函数。对于PostgreSQL而言，数据不是分布式的，合并函数并非必需。为了完整起见，我们在本指南中实现了一个名为 avg_var_merge_states的合并函数。

• INITCOND

状态值的初始条件。在本例中，利用一个全零双数组，分别对应于平均值、方差和行数。

最终函数的遍历和合并，在与avg_var.sql_in同一个文件中作为聚合函数定义。有关这些函数的更多详细信息可以在 PostgreSQL文档中找到。

在C++中实现函数

在文件夹 /src/modules/hello\u world下创建头文件和源文件 avg_ar.hpp和 avg_ar.cpp。在头文件中利用宏DECLARE_UDF(MODULE, NAME)申明最终函数的遍历和合并。例如，转换函数 avg_var_transi tion声明为 DECLARE_UDF（hello_world，avg_var_transition）。在./src/ports/postgres/dbconnector 文件夹下的dbconnector.hpp 文件里定义DECLARE_UDF宏。

在hood下，三个UDF均申明为 dbconnector：：postgres：：UDF的子类。这些UDF的行为完全由其成员函数决定。

换句话说，只需要在 avg_ar.cpp文件中实现以下方法：

这里， AnyType类既用于从DBMS传递数据到C++函数，又将返回C++的值。

有关更多详细信息，, 请参阅头文件 TypeTraits _impl.hpp。

转移函数：

avg_var_transition, 有两个参数，在 avg_var.sql_in中进行定义。第一个是SQL double类型的数组，对应于当前遍历的平均值、方差和行数，第二个是表示当前元组值的double类型。

稍后将描述 class AvgVarTransitionState。基本上，它采用了args[0]，SQL双精度数组，将数据传递给适当的C++类型，并将它们存储在state实例中。

通过在AvgVarTransitionState类中加载+= 操作符来在线计算均值和方差。

合并函数

此外: AnyType& args中包含的参数，在avg_var.sql_in 中进行定义。

详细信息隐含于AvgVarTransitionState 的方法中。

最终函数

AvgVarTransitionState类加载AnyType() 运算符后可以直接返回状态，AvgVarTransition State 的示例返回AnyType.

桥接类

Below are the methods that overload the operator +=for the bridging class AvgVarTransitionState:

通过下述方法为桥接类AvgVarTransitionState: 加载运算符+=

给定两个数据集的均值、方差和大小，利用Welford方法计算两个数据集组合的均值和方差。

注册C++头文件

在 avg_var.sql_in中定义的SQL函数需要能够从C++文件中找到实际的实现。这只需在 /src/modules/目录下的declarations.hpp文件中添加以下行即可完成

运行新模块

利用新模块运行一个示例。首先，根据 安装指南中的说明重建并重新安装MADLib，并使用MADlib快速入门指南中的 pati ents数据集进行测试。从 psql终端来看，20名患者中有一半在1年内发生过第二次心脏病发作（yes=1）：

示例：添加一个迭代UDF

在这里，将演示一个稍微复杂一点的示例，该示例要求迭代调用UDA。这种情况经常出现在许多机器学习模块中，在这些模块中，底层优化算法向目标函数的优化方向迭代。在这个例子中，实现了一个简单的对数回归解算器作为迭代UDF。特别是，用户可以在 psql中键入以下命令来训练逻辑回归分类器：

结果如下：

这里的数据存储在一个名为 patients的SQL表中。logistic回归的目标是second_attack列，特征是treatment列和trait_anxiety列。数组中的 1项表示模型中的附加偏移项。

将解算器添加到上面创建的 hello_world模块中。主要步骤如下：

与上一小节中介绍的步骤相比，这里无须修改 Modules.yml文件，因为我们没有创建新模块。另外一点与上一小节的区别是除.sql_in 文件之外，还创建了一个附加的python文件.py_in.，在此文件中实现绝大多数对数迭代。

此练习的文件可以在源代码存储库的 hello world文件夹中找到。注意：该文件夹中不包括__init__.py_in文件。

1.概述

整个逻辑分为三个部分。在simple_logistic.sql_in 中定义了全部的UDF 和UDA。转换、 合并和 最终函数在C++中实现。这些函数共同构成了一个称为 logreg_simple_step的UDA，它从当前状态下进一步来逼近对数回归的目标。最后，在 simple_logistic.py_in中，采用 plpy包在python中实现一个名为 logregr_simple_train的UDF，它迭代调用 logregr_simple_step直到收敛。

注意：在simple_logistic.sql_in 文件中，定义了如下名为logregr_simple_train的SQL 函数：

其中， python function（hello_world，simple_logistic，logreg_simple_train）的实际实现由hello_world模块中的simple_logistic文件的python函数 logreg_simple_train提供，如下所示：

2.plplply中的迭代过程

迭代逻辑使用 PL/Python过程语言实现。在simple_logistic.py_in文件的开始部分，导入一个名为 plpy的Python 模块，利用它来实现数据库的命令。使用 plpy实现迭代逻辑很简单，如下所示：

logregr_simple_step是在 simple_logistic.sql_in文件中定义的UDA，利用/src/modules/hello_world. 目录下的C++文件实现实现转换合并等功能。

__logregr_simple_step 有三个参数，分别为：目标，特征和先前状态。

.状态初始化为 None，在SQL中通过 plpy解释为 null值。

更为复杂的对数回归迭代方案还将包括最优性验证和收敛保证过程，为了简单起见，这里特意忽略这些过程。

有关对数回归的生产级实现，请参阅regress模块。

3.运行新的迭代模块

下面的示例演示了在前面使用的名为patients表上使用 madlib.logreg_simple_train的方法。经过训练的分类模型存储在名为 logreg_mdl的表中，可以使用标准SQL查询查看。

结语

在本文中，介绍了的基本架构，工作原理及特性，并为开发人员快速入门提供了指南，文中详细描述了添加一个迭代UDF 的详细步骤，希望对大家入门有所帮助。