一种MapReduce平台上的海量高维数据聚类方法

摘要

本发明属于云计算与数据挖掘技术领域，具体为一种MapReduce平台上的海量高维数据聚类方法。该方法首先对原始数据的每一维进行分割，用切分好的非空小格代替原数据中的点集进行聚类，减小数据规模。利用MapReduce的开源实现，使得聚类过程可以在分布式集群上并行完成，克服了单机算法在存储和计算上的限制。聚类过程采用K-mediods算法的思想，并提出高效的欧式距离计算方法。本发明适用于处理海量高维数据，用户可以根据集群的计算能力、算法的时间期望以及对聚类精确性的要求对算法进行手动调整，满足了不同用户的需要。

说明书

技术领域

本发明属于云计算与数据挖掘技术领域，具体涉及一种利用MapReduce分布式计算框架对海量高维数据的进行聚类的方法。

背景技术

高维数据的分析一直是数据挖据中的难题，当维度达到一定高度时，很多对低维数据很有效的聚类方法便不再适用。对于海量高维数据来说，分析和挖掘更涉及到内存和硬盘的限制。

近年来，MapReduce及其开源版本Hadoop的研究非常活跃。许多单机算法都在Hadoop上予以重新实现，为各种算法处理海量数据提供了高可用性和可扩展性。

Mahout是 Apache 旗下基于Hadoop的一个开源项目，提供一些可扩展的机器学习领域经典算法在Hadoop上的实现，包括聚类、分类、推荐过滤、频繁子项挖掘。Mahout将很多数据挖掘的经典算法，例如K-means，贝叶斯分类，SVM等在Hadoop-MapReduce平台上重新实现，使得这些传统算法具有并行处理海量数据的能力。通过使用 Hadoop，Mahout 中的各种数据挖据算法可以有效地扩展到分布式集群中。

但是，在Mahout中针对坐标的聚类方法例如K-means，往往是面向低维数据，在对海量高维数据进行聚类时往往会出现内存不足，性能不佳等问题。

发明内容

本发明的目的是针对海量高维数据的聚类问题，提出一种利用MapReduce分布式计算框架对海量高维数据的进行高效聚类的方法，为用户提供可定制性和可扩展性，并优化算法效率。

本发明提出的高维数据聚类方法，利用Hadoop分布式计算框架，结合切格处理和高效距离计算，对海量高维数据进行分布式并行聚类，实现了高可扩展性和可定制性，提高了聚类的效率和实际应用价值。

首先对一些基本概念进行介绍和定义：

定义1. MapReduce：MapReduce是谷歌提出的分布式并行计算框架，它让程序员只需关注数据的处理，而数据的分布式存储和容错都交给计算框架来解决。在MapReduce平台上的计算过程中，数据首先被切分到集群的不同节点上，以Key→Value的形式存储在分布式文件系统中；计算过程主要分为两个阶段：Map阶段和Reduce阶段。集群中的每台机器都有一些几个Map和Reduce任务，Map过程是生成一些<key,value>，共享同一个key的<key,value>由同一个Reduce来处理。而我们所使用的Hadoop是MapReduce的开源实现，由Apache基金会开发。

定义2. K-mediods算法：K-mediods算法是一种基于坐标的聚类算法，算法基本过程是首先选择一些中心点代表每个类，之后按每个点与中心点的距离将所有点分配到类中，再将每个类中的所有点坐标求中位数得到新的类中心点，反复迭代，直到中心点不再变化。K-mediods算法类似于K-Means算法，但克服了K-Means算法对孤立点的敏感性。

定义3. 切格：设初始数据中的每个点都有D维，本方法将每一维切成N等份（N由用户指定），切分完毕后，，每个点都落入唯一的格子中，所有格子在每一维的坐标都是[0,N )的一个整数。本发明在聚类过程中使用所有非空格子代替初始点集进行聚类。

定义4. 记录：在处理过程中，本发明用每一行记录代表一个点或一个非空格子的所有维坐标。例如“0 7 6 3 5”，代表一个5维格子的坐标。

定义5. 用ASCII码计算欧氏距离：在计算欧式的距离过程中，由于每一维的切格数N往往小于128，一般情况下常常小于10，可以用每一行记录的各有效位的ASCII码直接相减，再求平方和得到欧式距离。例如N=10，两个格子坐标行分别为“7 5 6 2”和“4 6 8 0”，可以用两行的单数位ASCII码直接相减，不用将每个坐标字符转换为数字再相减，大大提高了计算效率；

根据以上定义，给定海量高维数据集合，每一行为一个点的D维坐标，本发明提出的聚类方法是基于以下性质的：

（1）在将每一维切成N格后，每个点都落入唯一的D维格子中，N越大，每个D维格子中的点越少，用D维格子进行聚类与用原始点集进行聚类的结果越接近。

（2）由于非空的D维格子数量小于原始点集的数量，而且D维格子的所有坐标均为整数，而原始点集的坐标往往为浮点数，所以数据规模必然下降。

（3）在K-mediods迭代聚类过程中，当所有中心点坐标不再变化，每个D维格子已经分配给固定的类，聚类过程完毕。

（4）在计算欧式距离时，当坐标值小于128，用两个ASCII码直接相减和两个数字相减求距离结果是一样的。

基于以上性质，本发明方法利用切格和高效距离计算方法，在MapReduce平台上实现海量高维数据聚类，整个聚类过程具体步骤为：

（1）对于输入的海量高维数据（假设为D维）进行预处理，首先是对原数据各维进行标准化，之后将每一维切成N格，生成非空D维格子的集合；

（2）以步骤(1)输出的结果作为输入，实现MapReduce平台上的K-mediods并行算法，通过迭代计算对所有非空的D维格子进行聚类；

（3）将步骤(2)得出的D维格子聚类的结果还原成原始的D维数据聚类结果，并按照用户的需求进行最终整理输出。

整个聚类过程步骤（1）中，所述预处理的操作如下：

（1）由用户指定每一维切成几格，假设切成N格。N越大，聚类效果越精确，但聚类时间会更长。N越小，聚类的时间越短，但聚类效果会较差； N由用户根据需求自己设定；

（2）利用MapReduce计算每一维的最大值和最小值：Map过程读入所有数据，将每行记录中每一维分别输出，而每个Reduce处理所有记录在某一维上的坐标，并计算出所有点在此维的最大值和最小值；

（3）利用操作（2）的结果，将原始数据每个坐标标准化即映射为[0，N)之间的某个整数。假设输入坐标为doublenum，此维度的最大值最小值分别为Max和Min，则标准化后的此维度的坐标值为（doublenum-Min）*10/(Max-Min)，省略小数部分，输出整数结果。即所有切格后非空的D维格子的坐标；

（4）去除坐标重复的D维格子，通过排序后一边扫描进行去重；

（5）将去重后的数据上传到HDFS（Hadoop的分布式文件系统上）。

整个聚类过程步骤（2）中，所述K-mediods并行算法的操作如下：

（1）首先在所有的D维格子中选出一些类中心点：假设要求将所有点聚成C个类，在上述说明2中所生成的非空格子集合中随机选择C个格子作为中心点，作为最初的中心点集合；

（2）将中心点集合分发到集群中所有机器的本地硬盘上；

（3）分类过程：Map过程将所有格子均匀分布到每台机器上，每台机器的Reduce过程收集分配给它的所有D维格子，并从本地读取此时的中心点集合，计算每个D维格子离哪个中心点最近，将格子分配给与其距离最近的中心点所管辖的类中。在计算距离过程中，由于每一维的切格数N往往小于128，可以用两个格子的坐标记录中各有效位的ASCII码直接相减再求平方和得到欧式距离。可以极大提高计算效率；

（4）更新中心点集合：Map过程将离每个中心点所管辖的类中的所有D维格子分配给同一个Reduce来处理。而每个Reduce计算本类中所有格子坐标在每一维上的中位数，作为新的中心点坐标，并输出；

（5）按照操作（4）的输出生成新的中心点集合，并分发到集群中所有机器的本地硬盘上，取代之前的集合；

（6）重复操作步骤（3）、（4）和（5），直到中心点集合中的所有坐标都不再改变；

（7）输出聚类结果。

整个聚类过程步骤（3）中所述还原输出过程的操作如下：

（1）匹配过程：Map输入数据为两部分：一是所有的D维格子及其所属的类编号，二是原始数据，即所有的初始点坐标。Map根据这两部分数据计算每个点坐标在哪个格子内，并根据每个格子所属的类，将其匹配关系及每个点的类号输出给Reduce；

（2）每个Reduce收集属于一个类的所有点，并将其输出；

（3）将输出结果按用户需求进行相关格式调整，输出最终结果。

根据以上步骤进行的聚类方法，在预处理阶段减小了数据规模，在聚类阶段使用了高效的距离计算方法，从而改善了系统运行的时间。附图2为采用切格方法与不采用切格方法的聚类时间对比，附图3为用ASCII码计算欧氏距离与将坐标记录转换为数字再计算距离的时间对比。从图中可以看出，本发明方法的显著的改善了聚类的执行时间。

综上所述，本发明首先对原始数据的每一维进行分割，用切分好的非空小格代替原数据中的点集进行聚类，减小数据规模。分割规则可以由用户指定，实现了良好的可定制性。利用MapReduce的开源实现——Hadoop，使得聚类过程可以在分布式集群上并行完成，克服了单机算法在存储和计算上的限制。聚类过程采用K-mediods算法的思想，并提出高效的欧式距离计算方法。本发明适用于处理海量高维数据，用户可以根据集群的计算能力、算法的时间期望以及对聚类精确性的要求对算法进行手动调整，满足了不同用户的需要。

附图说明

图1显示了MapReduce分布式框架的计算处理过程。

图2显示了采用切格方法与不采用切格方法的聚类时间对比。二者均不采用ASCII码计算欧氏距离。取的时间为K-mediods每轮迭代的时间。

图3显示了在同是切成6格和10格的情况下，使用ASCII码计算欧氏距离与将坐标记录转换为数字再计算距离的时间对比。取的时间为K-mediods每轮迭代的时间。

图4显示了一部分聚类结果。

具体实施方式

本发明所描述的高维聚类方法是基于MapReduce分布式计算平台和K-mediods算法的,下面将通过一个例子详细描述本发明所述方法的具体实施方式：

输入数据为2000个音乐特征文件，是从2000首中文歌曲中提取出的。每首歌被分割成约5000帧，每帧有26个属性，用浮点数表示，要求将所有帧聚成1500个类。我们将此约1000万帧看做点集合，每个点的26个属性作为26维坐标，按照以下步骤进行聚类：

（1）首先将每一维切成10格（N=10），得到所有非空的26维格子，并去重。由于N=10，所以每一维的坐标值为 [0,9]范围内的整数。

（2）在步骤（1）输出的所有26维格子中随机选择1500个格子作为最初的中心点。

（3）将步骤（1）输出的所有26维格子在MapReduce分布式平台上进行聚类。在计算距离时，用两个格子坐标记录中的0,2,4…50为的ASCII码直接相减求平方和得到欧氏距离。

（4）用当前每个类中所有格子在每一维上坐标求中位数，作为新的类中心点坐标。更新所有的中心点坐标。

（5）重复步骤（3）、（4）直到所有中心点坐标不再变化。

（6）将已经聚好类的26维格子还原成原本的点集。并按用户的需求输出最终结果。