Просмотр исходного текста страницы Тест (проект)

{{Карточка_командного_проекта
|name=Исследование производительности систем обработки больших векторных геоданных
|company=НИУ ВШЭ
|semester=Осень 2018
|course=3-4
|number_of_students=15
|categorize=yes
}}

=== 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: 
[https://www.forbes.com/sites/truebridge/2016/05/06/how-imaging-technologies-are-changing-the-world-part-2/ ссылка 1],
[https://carto.com/blog/eighty-data-visualizations-examples-using-location-data-maps/ 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 [https://eigenrisk.com/news/real-time-event-response/ спрогнозировать ущерб]:
[[Файл:NCEP_CFSR_AND_IBTRACKS_HURRICANE_KATRINA_28August2005.png|центр|600px|link=http://www.wikience.org/|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? [http://www.vldb.org/pvldb/vol11/p1661-pandey.pdf 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 [http://www.vldb.org/pvldb/vol11/p1247-zalipynis.pdf 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 [http://www.vldb.org/pvldb/vol10/p1992-eldawy.pdf 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 [http://rgeo.wikience.org/index2017.html Разработка геоприложений]

Перечень систем (не исчерпывающий): The Era of Big Spatial Data [http://www.vldb.org/pvldb/vol10/p1992-eldawy.pdf PDF]

=== Темы вводных занятий ===
Мы возьмем некоторые темы из курса [http://rgeo.wikience.org/index2017.html 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)