Исследование производительности систем обработки больших векторных геоданных — различия между версиями

Версия 11:00, 20 октября 2018

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.

Векторные геоданные - точка, линия, полигон, мультиполигон и другие виды объетов, которые имеют географическую привязку. Эти данные встречаются в картах Google, Yandex, Bing и любых подобных сервисах. При обработке этих данных мы встречаемся с такими основными проблемами:

• большие данные: этих данных очень много (представьте себе только одну Москву с миллионами объектов)
• особый workload: обработка запросов к геоданным не является тривиальной (нужны индексы, специальные алгоритмы и подходы)
• облачные системы: для обработки больших данных нужно использовать компьютерные кластеры и распределенные системы

Системы обработки больших векторных геоданных могут отвечать на такие вопросы:

• Пользователь мобильной связи: где находится ближайшая автозаправочная станция? Могу ли я по дороге домой купить корм для домашних животных?
• Командующий армией: произошли ли значительные передвижения войск противника по сравнению со вчерашним вечером?
• Менеждер по страховым рискам: какие постройки на берегу реки с наибольшей вероятностью пострадают от очередного большого наводнения?
• Специалист по транспорту: как следует расширить сеть автодорог, чтобы до минимума сократить заторы?
• и многие другие вопросы: Spatial Databases: A Tour http://www.spatial.cs.umn.edu/Book/

Например, треки ураганов позволяют страховым компаниям спрогнозировать ущерб:

Исследование производительности систем обработки больших векторных 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 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.

Свежая статья об исследовании систем обработки больших векторных геоданных: How Good Are Modern Spatial Analytics Systems? PDF

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:

• GeoMesa https://www.geomesa.org/
• GeoTrellis https://geotrellis.io/
• PostgreSQL/PostGIS https://postgis.net/
• GIS Tools for Hadoop http://esri.github.io/gis-tools-for-hadoop/
• Spatial Hadoop http://spatialhadoop.cs.umn.edu/
• Hadoop-GIS http://bmidb.cs.stonybrook.edu/hadoopgis/index
• GeoSpark https://github.com/DataSystemsLab/GeoSpark
• Magellan https://github.com/harsha2010/magellan
• Asterix-DB https://asterixdb.apache.org/
• MongoDB https://www.mongodb.com/
• Couchbase https://www.couchbase.com/
• ваши предложения (почти любая современная база данных поддерживает векторные геоданные)

Перечень остальных подходов и систем (не исчерпывающий): The Era of Big Spatial Data PDF

Чему вы научитесь?

• работе с облачными сервисами Azure либо Amazon
• работе с системами обработки векторных 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 векторных 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

Перечень систем (не исчерпывающий): The Era of Big Spatial Data PDF

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 векторных 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 векторных, но и растровых геоданных, данных других баз данных
• использование данных из различных источников (города, треки, ...) 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)