Исследование производительности систем обработки больших растровых геоданных (проект)
Ментор | AntonioRodriges |
Учебный семестр | Осень 2018 |
Учебный курс | 2-й курс |
Проект можно развивать на летней практике | |
Максимальное количество студентов, выбравших проект: 15 | |
Что это за проект?
Геопространственные данные (геоданные) это такие данные, у которых есть географическая привязка. В современном мире, около 80% всех данных содержат географическую привязку: ссылка 1, ссылка 2.
Растровые геоданные - временной ряд (1D), спутниковая сцена (2D), прогноз погоды/климата (3D), данные беспилотных летательных аппаратов (БПЛА), лидаров и другие N-мерные массивы, которые имеют географическую привязку.
При обработке этих данных мы встречаемся с такими основными проблемами:
- большие данные: только лишь один DigitalGlobe, коммерческий провайдер спутниковых данных, собирает около 70 терабайт в день
- особый workload: растровые геоданные обрабатываются по-своему: нужны особые алгоритмы и подходы
- облачные системы: для обработки больших данных нужно использовать компьютерные кластеры и распределенные системы
Системы обработки больших растровых геоданных могут отвечать на такие вопросы:
- Чрезвычайные ситуации: какие районы города будут затоплены при повышении уровня воды на 1 метр (используются DEM)?
- Сельское хозяйство: как нужно удобрять поле, чтобы собрать больше урожая (точное земледелие, precision agriculture)?
- Городское планирование: где и какие санитарно-гигиенические мероприятия нужно проводить, чтобы повысить качество воздуха?
- и многие другие вопросы
Конкретный пример: суперкомпьютер Blue Waters и спутниковые данные используются для предсказания урожая, что чрезвычайно важно для экономики: ссылка.
Исследование производительности систем обработки больших растровых геоданных заключается в следующем:
- развернуть систему обработки данных в облаке либо на локальной машине
- импортировать данные в систему
- разработать запросы для системы с учетом ее особенностей (это поможет сделать ментор), чтобы выявить сильные и слабые стороны системы (с какими задачами система справляется лучше, а с какими хуже)
- выполнить исследование системы: запустить запросы на системе с разным количеством узлов кластера, разным объемов данных, модифицировать запросы, чтобы улучшить или ухудшить производительность системы, найти данные на которых система работает лучше/хуже и т.п.
Цель работы -- познакомиться с растровыми геоданными, изучить системы и особенности работы с ними. Это позволит существенно улучшить Ваше резюме. Например, многие системы основаны на Apache Spark, который является одной из самых популярных и востребованных работодателями систем работы с Большими Данными.
Ментор этого проекта лично выступал на VLDB 2018 - одной из самых значимых в мире конференций по Большим Данным, Распределенным Системам, и Базам Данных: ChronosDB: Distributed, File Based, Geospatial Array DBMS PDF. Это единственный устный доклад от РФ за последние 10 лет.
При командной работе задачи распределяются так: студент берет себе одну из систем.
Системы:
- SciDB https://www.paradigm4.com
- RasDaMan http://rasdaman.org/
- MrGeo https://github.com/ngageoint/mrgeo
- GeoTrellis https://geotrellis.io/
- TileDB https://tiledb.io/
- PostgreSQL/PostGIS https://postgis.net/
- ClimateSpark https://github.com/feihugis/ClimateSpark
- SciSpark https://scispark.jpl.nasa.gov/
- RasterFrames http://rasterframes.io/
- Python Dask https://dask.org/
- BigDAWG https://bigdawg.mit.edu/
- Язык программирования Julia https://julialang.org/
- Python/TensorFlow https://www.tensorflow.org
- Myria http://myria.cs.washington.edu/
- ваши предложения
Чему вы научитесь?
- работе с облачными сервисами Azure либо Amazon
- работе с системами обработки растровых геоданных
- основам новых языков программирования: некоторые (не все) системы используют Python/Scala/... для своего API, их знание не является обязательным для работы над проектом, они легко осваиваются по ходу работы
- принципам работы алгоритмов обработки растровых геоданных
Какие начальные требования?
- технический английский (для чтения статей)
- язык программирования - любой, новый осваивается по ходу работы в зависимости от системы либо облачного сервиса
- желание разбираться с геопространственными данными, системами и алгоритмами их обработки, облачными сервисами
Какие будут использоваться технологии?
Перечень технологий доступен на сайте курса Разработка геоприложений
Темы вводных занятий
Мы возьмем некоторые темы из курса Разработка геоприложений
- что такое геопространственные данные, какие они бывают и какие особенности работы с ними
- системы для обработки больших геопространственных данных
- виды запросов и их особенности для обработки растровых геоданных
Направления развития
- исследование производительности новейших систем, напр. Rheem http://da.qcri.org/rheem/
- исследование производительности машинного обучения с использованием геоданных
- модификация систем для изменения поведения при ответе на запросы
- комбинация в запросах не только растровых, но и векторных геоданных, данных других баз данных
- использование данных из различных источников (NASA, ECMWF, ESA, ...) для исследования системы
- публикация статьи в следующем году по результатам исследований: напр., Суперкомпьютерные дни в России http://www.russianscdays.org/, AIST https://aistconf.org
Критерии оценки
4-5:
- подготовить тестовые геоданные
- реализовать импорт геоданных в выбранную систему
- составить 10 одноэтапных (выполняющих какую-то одну пространственную операцию) запросов к системе
- уметь с помощью API системы выполнять к ней запросы
- построить диаграммы, графики и другие необходимые отчетные материлы иллюстрации производительности системы
6-7:
- все пункты 4-5, кроме запросов
- уметь разворачивать систему на компьютерном кластере в облаке Azure/Amazon (если бесплатная версия системы это позволяет)
- составить 10 (можно больше) сложных запросов к системе (запрос должен проверять сразу несколько аспектов работы системы)
- уметь измерять время выполнения различных этапов работы системы (напр., подготовка данных, shuffling между узлами кластера, ...)
8-10:
- все пункты 6-7
- уметь создавать компьютерный кластер в облаке c помощью API Azure/Amazon (если это будет необходимо)
- проверить работу системы на различных данных, их объемах и конфигурациях оборудования (кластера, если система распределенная)
- подготовить UDF (User Defined Functions) для выполнения системой пользовательских запросов
- научиться задавать расположение исходных данных на узлах кластера с помощью API системы
- самостоятельно предлагать запросы, которые позволят выявить слабые и сильные стороны системы (на 10 баллов)
Дополнительные баллы можно также получить при выполнении пунктов из раздела "Направления развития"
Ориентировочное расписание занятий
По договоренности. Ориентировочно ВТ 16.40-18.10 (по четной неделе)