閑談大數(shù)據(jù)和算法

作者：dantezhao?|?簡(jiǎn)書?|?CSDN?|?GITHUB

文章推薦：http://dantezhao.com/readme

個(gè)人主頁：http://dantezhao.com

本篇總結(jié)一下自己對(duì)大數(shù)據(jù)算法認(rèn)知的過程。正文包含兩部分：自己對(duì)算法的認(rèn)知過程和對(duì)大數(shù)據(jù)算法的理解。

寫這篇博客的原因有很多，總的來講有下面幾點(diǎn)：

0x01 認(rèn)知過程

1. 算法沒什么用

剛?cè)肟拥臅r(shí)候，一直以為大數(shù)據(jù)工程師就是安裝一下 Hadoop，寫寫 MR 程序，運(yùn)維一下集群就夠了，雖說算法很重要，但是工作中沒有什么感覺。

我在很長(zhǎng)一段時(shí)間也抱著一種算法只是起到在面試中起到區(qū)分度作用的知識(shí)點(diǎn)而已。（現(xiàn)在想來，其實(shí)這個(gè)觀點(diǎn)也沒什么錯(cuò)，大部分的開發(fā)工作的確用不到自己寫的算法。）

2. 經(jīng)典算法的魅力

做了一段時(shí)間大數(shù)據(jù)運(yùn)維后，接到了一個(gè)優(yōu)化調(diào)度系統(tǒng)的任務(wù)，就和 Gim 老司機(jī)在一起設(shè)計(jì)重構(gòu)調(diào)度系統(tǒng)的方案，在這個(gè)過程中復(fù)習(xí)了很多圖論相關(guān)的知識(shí)點(diǎn)，從此開始對(duì)算法產(chǎn)生了極大的興趣并一發(fā)不可收拾，隨后重新學(xué)習(xí)了一遍樹相關(guān)的內(nèi)容，自己動(dòng)手實(shí)現(xiàn)了什么2-3樹、avl樹、紅黑樹這些數(shù)據(jù)結(jié)構(gòu)。

其實(shí)，感興趣的一個(gè)主要原因就是發(fā)現(xiàn)，這些東西基本構(gòu)建了我們整個(gè)的計(jì)算機(jī)體系。比如文件系統(tǒng)、數(shù)據(jù)庫(kù)的索引，學(xué)會(huì)這些總感覺以后就不會(huì)丟飯碗了。

3. 機(jī)器學(xué)習(xí)代表了一切

再接著，機(jī)器學(xué)習(xí)一下子就火了起來，世界上只剩下了兩種算法：機(jī)器學(xué)習(xí)算法和非機(jī)器學(xué)習(xí)算法。身邊的朋友和同學(xué)，凡是和數(shù)據(jù)開發(fā)相關(guān)的，都稱自己想轉(zhuǎn)做機(jī)器學(xué)習(xí)。筆者也不能免俗，開始準(zhǔn)備跟著浪潮走一波。但是一沒場(chǎng)景，二是興趣不大，當(dāng)有一天我突然意識(shí)到自己在學(xué)機(jī)器學(xué)習(xí)累的時(shí)候居然想玩玩 Linux 放松心情的時(shí)候，就暫時(shí)放棄了轉(zhuǎn)向機(jī)器學(xué)習(xí)的這個(gè)想法。以后我會(huì)用到它，可能還會(huì)用的很深，但是現(xiàn)在不會(huì)全身心地轉(zhuǎn)向它。

機(jī)器學(xué)習(xí)過后，17年又迎來了深度學(xué)習(xí)的浪潮。

4. 深度學(xué)習(xí)又是一波浪潮

感觸最深的是在 17 年 5 月份，看到了一份招聘要求，招的 title 是人工智能平臺(tái)架構(gòu)師，具體的要求是除了數(shù)據(jù)平臺(tái)要求的東西外加了一些深度學(xué)習(xí)平臺(tái)的東西。

這時(shí)候就感到，當(dāng)浪潮到來的時(shí)候，你可以不轉(zhuǎn)向它，但是要包容它。所以，順便學(xué)了一波深度的東西，入了個(gè)門，大概知道我以后需要做些什么。（半年后的今天基本已經(jīng)忘完了）

5. 還有很多有趣的算法

隨著工作的深入，系統(tǒng)在性能上遇到了很多了瓶頸，我們要做一系列的調(diào)整來應(yīng)對(duì)，比如敏感信息的加密、集群文件的壓縮、負(fù)載均衡策略的選擇，這時(shí)候就不得不深入學(xué)習(xí)一下加密算法、壓縮算法、負(fù)載均衡算法的原理。

這些算法一直都在，但是仍然可以在現(xiàn)在的大數(shù)據(jù)場(chǎng)景下發(fā)揮極大的作用。

6. 分布式算法

在這之前，我對(duì)自己從事的工作一直有一點(diǎn)心虛，感覺除了寫寫 MR，管一下集群貌似沒什么技術(shù)含量太深的東西，能拿得出手的也就是各個(gè)系統(tǒng)的架構(gòu)和對(duì)他們的熟悉程度。 后來無意間在 Mooc 發(fā)現(xiàn)了一門云計(jì)算原理的課，然后就對(duì)這一塊產(chǎn)生了極大的興趣。

隨著學(xué)習(xí)的深入，發(fā)現(xiàn)這塊的水還是相當(dāng)深的，我們稱這些為分布式算法，它包含了這么一大堆內(nèi)容：

2PC、Gossip 這一大堆協(xié)議；DHT、Paxo、Raft 這一大堆算法、還有一些亂七八糟的原理。

這塊學(xué)的還是很皮毛，后面會(huì)有詳細(xì)的學(xué)習(xí)計(jì)劃。

7. 大數(shù)據(jù)算法到底是什么？

在工作和學(xué)習(xí)中遇到了這么多算法，再加上一段時(shí)間的思考，我會(huì)在想，大數(shù)據(jù)的算法到底是什么樣子的？

經(jīng)典算法暫且不論，壓縮和加密算法也一直都有。

那么機(jī)器學(xué)習(xí)呢？總感覺有些地方不對(duì)勁，應(yīng)該說是機(jī)器學(xué)習(xí)是使用了大數(shù)據(jù)，但是他不是為了解決大數(shù)據(jù)的各種問題的，真正的大數(shù)據(jù)問題還要有大數(shù)據(jù)的算法來解決。

分布式算法也不完全算是，雖說大數(shù)據(jù)工程師都要用到分布式系統(tǒng)，但是他們解決的問題場(chǎng)景不太一樣的。分布式算法要解決時(shí)鐘、一致性問題這些問題。大數(shù)據(jù)場(chǎng)景的算法不太一樣。

然后我們要想一下大數(shù)據(jù)場(chǎng)景有什么問題？

大數(shù)據(jù)場(chǎng)景的問題

數(shù)據(jù)量大，這是一個(gè)最明顯的特點(diǎn)，它帶來的問題就是處理這些數(shù)據(jù)成了很大的麻煩。Hadoop 是一個(gè)突破性的項(xiàng)目，然后在這之外我們還會(huì)有一些場(chǎng)景要解決。

集合中不同元素的個(gè)數(shù), 比如獨(dú)立訪客(Unique Visitor，簡(jiǎn)稱UV)統(tǒng)計(jì)，換成 Sql 來寫的話就是 count(distinct user_id)，假設(shè)有 1000 億的數(shù)據(jù)放在這里，需要極快地算出來，可以允許一點(diǎn)點(diǎn)不精確，我們?cè)撛趺醋觯?/p>

也就是，我們?cè)诤芏鄨?chǎng)景下，會(huì)在允許一定犧牲一定的準(zhǔn)確度地情況下來快速地算出結(jié)果。這一些算法有極大的應(yīng)用場(chǎng)景。比如 Redis 會(huì)用到 Hyperloglog 來做基數(shù)統(tǒng)計(jì)。

這樣的一批算法，我認(rèn)為算是大數(shù)據(jù)算法中的一部分，內(nèi)容比較多，有專門的博客展開來專門講，比如 Bitmap、Roaring Bitmap、Hyperloglog等。

0x02 算法技能一覽

在這里做一個(gè)小總結(jié)，畫一下我認(rèn)為大數(shù)據(jù)工程師需要掌握、熟悉和了解的算法。很多其實(shí)在工作中都會(huì)經(jīng)常遇到。

學(xué)習(xí)優(yōu)先級(jí)？

關(guān)于這些算法學(xué)習(xí)的優(yōu)先級(jí)該怎么判定？這個(gè)就不裝x了，居士自己其實(shí)也會(huì)有不少迷茫，沒辦法說哪個(gè)更重要，不過如果真是要學(xué)的話可以大致有一些參考。

0XFF 總結(jié)

有時(shí)候感覺自己寫程序可能永遠(yuǎn)也不需要寫什么算法，但是不得不承認(rèn)，算法的思維能讓自己受益無窮。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。