Luận văn Thạc sĩ Công nghệ thông tin: Phân tích hành vi sử dụng dịch vụ viễn thông của khách hàng dựa trên thuật toán phân cụm đưa ra chính sách khuyến mại về sản phẩm và theo phân khúc khách hàng

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

HOÀNG ANH DŨNG

PHÂN TÍCH HÀNH VI SỬ DỤNG DỊCH VỤ VIỄN THÔNG CỦA KHÁCH HÀNG DỰA TRÊN THUẬT TOÁN PHÂN CỤM ĐƯA RA CHÍNH SÁCH KHUYẾN MẠI VỀ SẢN PHẨM VÀ THEO PHÂN KHÚC KHÁCH HÀNG

Ngành: Công Nghệ Thông Tin

Chuyên ngành: Khoa Học Máy Tính

Mã Số: 8480101.01

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

TS. NGUYỄN ĐÌNH HÓA

Hà nội – 2020

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. TRẦN TRÚC MAI

LỜI CẢM ƠN

Trước tiên tôi xin dành lời cảm ơn chân thành và sâu sắc đến thầy giáo, TS Trần Trúc Mai, người đã định hướng về mục tiêu và cách thức thực hiện đề tài. TS Nguyễn Đình Hóa – người đã hướng dẫn, khuyến khích, chỉ bảo và tạo cho tôi những điều kiện tốt nhất từ khi bắt đầu cho tới khi hoàn thành nhiệm vụ và đề tài của mình.

Tôi xin dành lời cảm ơn chân thành tới các thầy cô giáo khoa Công nghệ thông tin, trường Đại học Công nghệ, ĐHQGHN đã tận tình đào tạo, cung cấp cho tôi những kiến thức vô cùng quý giá và đã tạo điều kiện tốt nhất cho tôi trong suốt quá trình học tập, nghiên cứu tại trường.

Đồng thời tôi xin cảm ơn tất cả những người thân yêu trong gia đình tôi cùng toàn thể bạn bè những người đã luôn giúp đỡ, động viên tôi những khi vấp phải những khó khăn, bế tắc.

Cuối cùng, tôi xin chân thành cảm ơn các đồng nghiệp của tôi tại Trung Tâm Phân Tích Dữ Liệu – Viettel, đã giúp đỡ, tạo điều kiện thuận lợi cho tôi học tập và nghiên cứu chương trình thạc sĩ tại Đại học Công nghệ, Đại học Quốc Gia Hà Nội.

2

LỜI CAM ĐOAN

TÍCH HÀNH VI SỬ DỤNG DỊCH VỤ VIỄN THÔNG CỦA KHÁCH HÀNG DỰA TRÊN THUẬT TOÁN PHÂN CỤM ĐƯA RA CHÍNH SÁCH KHUYẾN MẠI VỀ SẢN PHẨM VÀ THEO PHÂN KHÚC KHÁCH HÀNG” là công trình nghiên cứu của riêng tôi, không sao chép lại của người khác. Trong toàn bộ nội dung của luận văn, những điều đã được trình bày hoặc là của chính cá nhân tôi hoặc là được tổng hợp từ nhiều nguồn tài liệu. Tất cả các nguồn tài liệu tham khảo đều có xuất xứ rõ ràng và hợp pháp.

Tôi xin cam đoan rằng luận văn thạc sĩ công nghệ thông tin “PHÂN

Tôi xin hoàn toàn chịu trách nhiệm và chịu mọi hình thức kỷ luật theo

quy định cho lời cam đoan này.

Hà Nội, ngày …. tháng … năm …..

…..

3

Mục Lục

LỜI CẢM ƠN ....................................................................................................................... 2 LỜI CAM ĐOAN ................................................................................................................. 3 Chương 1: Giới thiệu ....................................................................................................... 7 Chương 2: Công cụ, nền tảng, thuật toán sử dụng và ứng dụng Phân tích dữ liệu .......... 9

2.1. Các công cụ nền tảng .............................................................................................. 9 2.1.1. Big Data ......................................................................................................... 9 2.1.2. Giới thiệu về Hadoop ................................................................................... 13 2.1.3. Các ứng dụng trên nền tảng Apache Hadoop .............................................. 14 2.1.4. HDFS ........................................................................................................... 16 2.1.5. Đọc ghi dữ liệu trên HDFS .......................................................................... 17 2.1.6. Map-Reduce ................................................................................................. 19 2.1.7. SPARK, nền tảng công cụ và ứng dụng ...................................................... 20

2.2. Giới thiệu về học máy ........................................................................................... 26 2.2.1. Một số khái niệm cơ bản .............................................................................. 27 2.2.2. Các vấn đề trong quá trình thực hiện đề tài ................................................. 30

Chương 3: PRF)

Spark và giải thuật rừng ngẫu nhiên song song (Parallel Random Forest - ..................................................................................................................... 32

3.1. Thuật toán rừng ngẫu nhiên .................................................................................. 33

3.2. Giải thuật xử lý song song rừng ngẫu nhiên cho dữ liệu lớn trong nền tảng Spark .. ............................................................................................................................... 36 3.2.1. Tối ưu hóa xử lý dữ liệu đồng thời. ............................................................. 37 3.2.2. Tối ưu hóa xử lý tiến trình đồng thời ........................................................... 44 3.2.3. Phân tích phương pháp xử lý task đồng thời ............................................... 49

3.3. Kmeans, tối ưu hóa xử lý Kmeans với Spark. ...................................................... 52 Triển khai thực nghiệm ................................................................................ 57

Chương 4:

4.1. Cơ sở dữ liệu Khách hàng 360 độ ......................................................................... 57

4.2. Mô hình ứng dụng ................................................................................................. 60 4.2.1. Quá trình Phân cụm dữ liệu huấn luyện: ..................................................... 63 4.2.2. Lựa chọn ngẫu nhiên các thuộc tính và đánh giá: ........................................ 67 4.2.3. Thực hiện huấn luyện dữ liệu với mô hình Parallel RandomForest ............ 67

4.3. Đánh giá hiệu suất: ................................................................................................ 73 4.3.1. Đánh giá thời gian xử lý với nhóm dữ liệu .................................................. 73 4.3.2. Đánh giá thời gian xử lý với từng cụm ........................................................ 73

4.4. Đánh giá hiệu quả thực tế: .................................................................................... 74 KẾT LUẬN VÀ ĐỊNH HƯỚNG NGHIÊN CỨU TIẾP THEO ........................................ 77 TÀI LIỆU THAM KHẢO ................................................................................................... 80

4

DANH MỤC HÌNH VẼ

Hình 2.1. Kiến trúc HDFS .............................................................................. 16 Hình 2.2. Luồng đọc dữ liệu trên HDFS ........................................................ 18 Hình 2.3. Luồng ghi dữ liệu trên HDFS ......................................................... 18 Hình 2.4. Mô hình Map-Reduce...................................................................... 19 Hình 2.5. Cơ chế Map-Reduce ........................................................................ 20 Hình 2.6. thành phần của Spark ..................................................................... 22 Hình 2.7. Cơ chế hoạt động của Spark ........................................................... 23 Hình 2.8. Cơ chế hoạt động của Spark và RDD ............................................. 25 Hình 2.9. Zeppelin và phương thức hoạt động ............................................... 26 Hình 2.10. Mô hình học có giám sát ............................................................... 28 Hình 2.11. Mô hình học bán giám sát ............................................................ 30 Hình 3.1. Đồ thị vòng DAG được hình thành khi xử lý dữ liệu song song trên Spark UI. ......................................................................................................... 32 Hình 3.2. Quá trình xây dựng thuật toán rừng ngẫu nhiên RandomForest ... 34 Hình 3.3. Quá trình phân chia dữ liệu theo chiều dọc của các RDDs trong Spark ............................................................................................................... 38 Hình 3.4. Quá trình xử lý ghép dữ liệu đồng thời của PRF ........................... 40 Hình 3.5. Ví dụ về 3 kịch bản khi phân chia dữ liệu....................................... 42 Hình 3.6. Ví dụ của task DAG cho một cây quyết định của PRF ................... 46 Hình 3.7. Hình dạng cụm dữ liệu được khám phá bởi k-means ..................... 53 Hình 3.8. Thuật toán Kmeans trong Spark ..................................................... 54 Hình 4.1. Quá trình kết hợp K-Means và RandomForest .............................. 60 Hình 4.2. Tỷ lệ độ đo theo ROC của các tập train, test và validation ........... 69 Hình 4.3. Important Feataures v1 .................................................................. 70 Hình 4.4. ROC - Receiver operating characteristic ....................................... 71 Hình 4.5. Cumulative Gain ............................................................................. 71 Hình 4.6. Tỷ lệ độ chính xác trung bình của các mô hình cây khác ............... 72 Hình 4.7. Phương pháp đo lường kết quả trong thực tế ................................. 74 Hình 4.8. So sánh tỷ lệ triển khai thực tế TG và MHO .................................. 75 Hình 4.9. So sánh tỷ lệ triển khai thực tế MHO và HO .................................. 76

5

DANH MỤC BẢNG

Bảng 3-1: Ví dụ về DSI của PRF .................................................................... 40 Bảng 4-1: Danh mục thuộc tính đánh giá xây dựng C360 ............................. 59 Bảng 4-2: Danh mục thuộc tính được sử dụng ............................................... 63 Bảng 4-3: Giá trị DaviesBouldin .................................................................... 64 Bảng 4-4: Kết quả phân cụm .......................................................................... 64 Bảng 4-5: Phân nhóm khách hàng trên 40 tuổi và dưới 40 tuổi ..................... 66 Bảng 4-6: So sánh tỷ lệ Accuracy giữa Precision, Recall .............................. 69 Bảng 4-7: So sánh thời gian chạy giữa KNN và PRF. ................................... 70

6

Chương 1: Giới thiệu

Trong thời đại ngày nay, để phát triển một doanh nghiệp, ngoài vốn và nhân lực, “dữ liệu” (data) được coi là nguồn lực không thể thiếu được. Ai cũng đã từng ngạc nhiên nhận thấy khi mua sắm trực tuyến trên các trang thương mại điện tử như eBay, Amazon, Sendo hay Tiki, các trang thương mại điện tử sẽ gợi ý một loạt các sản phẩm có liên quan và phù hợp với nhu cầu của bạn. Ví dụ khi xem điện thoại, trang mua sắm trực tuyến sẽ gợi ý cho bạn mua thêm ốp lưng, pin dự phòng; hoặc khi mua áo thun thì sẽ có thêm gợi ý quần jean và thắt lưng…

Bí ẩn đằng sau các trang web thông minh này là mọi sự chào mời sản phẩm đều dựa trên các nghiên cứu về sở thích, thói quen của khách hàng cũng như phân loại được các nhóm khách hàng khác nhau... Vậy những thông tin để phân tích này có được từ đâu và có tác động thế nào đến việc sản xuất kinh doanh của doanh nghiệp? Thứ nhất, dữ liệu khổng lồ về khách hàng có thể có từ các thông tin mà các doanh nghiệp thu thập trong lúc khách hàng ghé thăm, tương tác hay mua sắm trên website của mình; dữ liệu này cũng có thể được mua lại từ các công ty chuyên cung cấp dữ liệu khách hàng. Các thông tin này không chỉ giúp nhà cung ứng hàng hóa, dịch vụ tăng lợi nhuận cho chính họ mà còn tăng trải nghiệm mua sắm của người dùng. Một mặt, nhờ quá trình tìm hiểu, phân tích khách hàng, doanh nghiệp có thể tạo ra các sản phẩm đáp ứng nhu cầu của khách hàng, cũng như xây dựng chính sách phân phối và bán sản phẩm đến tay người tiêu dùng một cách có hiệu quả nhất. Mặt khác, bản thân người tiêu dùng có thể tiết kiệm thời gian và yên tâm trong trải nghiệm mua sắm của mình. Hơn thế nữa, ở tầm ngành và vĩ mô, ứng dụng dữ liệu lớn (Big Data) có thể giúp các tổ chức và chính phủ dự đoán được tỉ lệ thất nghiệp, xu hướng nghề nghiệp của tương lai để đầu tư cho những hạng mục đó, hoặc cắt giảm chi tiêu, kích thích tăng trưởng kinh tế... thậm chí là ra phương án phòng ngừa trước một dịch bệnh nào đó.

Việc xây dựng và ứng dụng nền tảng Big Data nếu được khai thác hiệu quả sẽ đem lại những lợi thế cạnh tranh và hiệu quả to lớn trong nhiều lĩnh vực, đặc biệt trong bối cảnh thị trường dịch vụ tài chính đang bão hòa, trên cơ sở đó phân tích những ứng dụng của Big Data và các điều kiện nhằm ứng dụng Big Data cùng với phân tích dữ liệu để sử dụng nguồn tài nguyên hợp lý và tối đa hóa doanh thu cũng như đưa các mục tiêu kinh doanh gắn liền với hành vi 7

khách hàng, nhằm mang lại cho doanh nghiệp phương án kinh doanh hiệu quả nhất.

Việc sử dụng và khai thác dữ liệu lớn như một nguồn tài nguyên tương tự như dầu khí, hay các nguồn tài nguyên khác là phương án để đưa doanh nghiệp tiếp cận đến người dùng một cách hiệu quả nhất, kết hợp với mục tiêu kinh doanh để hoàn thiện hơn các chính sách, tối đa hóa lợi ích cho người dùng và tăng trưởng doanh thu bền vững cho doanh nghiệp.

Với đề tài “Phân Tích Hành Vi Sử Dụng Dịch Vụ Viễn Thông Của Khách Hàng Dựa Trên Thuật Toán Phân Cụm Đưa Ra Chính Sách Khuyến Mại Về Sản Phẩm Và Theo Phân Khúc Khách Hàng” nhằm mục tiêu đưa ứng dụng Phân tích dữ liệu lớn vào khai thác nguồn tài nguyên đặc biệt – Big Data. Sử dụng các công cụ khai thác Big Data, các công cụ được sử dụng để lưu trữ và vận hành hệ thống Big Data - Hadoop, các công cụ xử lý học máy, xử lý dữ liệu lớn như Spark, Zeppelin (Spark ML), ứng dụng hệ khuyến nghị, học máy và các kỹ thuật phân tích hành vi khách hàng nhằm đưa ra kết quả phù hợp nhất với từng nhóm đối tượng khách hàng sử dụng dịch vụ.

Phần còn lại của luận văn được trình bày theo cấu trúc như sau.

Chương 2 trình bày các khái niệm cơ bản phục vụ cho nghiên cứu của đề tài, Big Data, các công cụ được sử dụng trong quá trình thực hiện đề tài, phương thức xây dựng hệ cơ sở dữ liệu khách hàng 360 – là bộ khung dữ liệu sử dụng xuyên suốt quá trình xây dựng các mô hình học máy và sử dụng để đánh giá các mô hình học máy, các thuật toán sẽ sử dụng trong quá trình thực hiện. Tính ứng dụng khi sử dụng thư viện Spark ML và các điểm ưu việt của Spark khi sử dụng để xây dựng và ứng dụng cho giải thuật rừng ngẫu nhiên song song.

Chương 3 sẽ trình bày về quá trình thực hiện, các phiên bản xây dựng

mô hình và kết quả thực nghiệm.

Cuối cùng sẽ là phần kết luận, ý nghĩa phương pháp triển khai, các kết

quả đạt được và định hướng nghiên cứu tiếp theo.

8

Chương 2: Công cụ, nền tảng, thuật toán sử dụng

và ứng dụng Phân tích dữ liệu

2.1. Các công cụ nền tảng

Với sự xuất hiện liên tục của nhiều phương thức phổ biến thông tin mới, cùng sự gia tăng của công nghệ điện toán đám mây và Internet vạn vật (IoT), dữ liệu không ngừng tăng lên với tốc độ cao. Quy mô dữ liệu toàn cầu liên tục tăng với tốc độ 2 lần sau mỗi hai năm [1]. Giá trị ứng dụng của dữ liệu trong mọi lĩnh vực đang trở nên quan trọng hơn bao giờ hết. Tồn tại một lượng lớn thông tin đáng giá trong dữ liệu có sẵn. Sự xuất hiện của thời đại dữ liệu lớn cũng đặt ra những vấn đề và thách thức nghiêm trọng bên cạnh những lợi ích rõ ràng. Do nhu cầu kinh doanh và áp lực cạnh tranh, hầu hết mọi doanh nghiệp đều có yêu cầu cao về xử lý dữ liệu theo thời gian thực và hợp lệ [2]. Do đó, vấn đề đầu tiên là làm thế nào để khai thác thông tin có giá trị từ dữ liệu khổng lồ một cách hiệu quả và chính xác. Đồng thời, dữ liệu lớn nắm giữ các đặc điểm như số chiều cao, độ phức tạp và nhiễu. Dữ liệu khổng lồ thường chứa các thuộc tính được tìm thấy trong các biến đầu vào khác nhau ở hàng trăm hoặc hàng nghìn cấp, trong khi mỗi một trong số chúng có thể chứa một ít thông tin. Vấn đề thứ hai là chọn các kỹ thuật thích hợp có thể dẫn đến hiệu suất phân loại tốt cho tập dữ liệu chiều nhiều chiều. Xem xét các sự kiện nói trên, khai thác và phân tích dữ liệu cho dữ liệu quy mô lớn đã trở thành một chủ đề nóng trong học thuật và nghiên cứu công nghiệp. Tốc độ khai thác và phân tích dữ liệu đối với dữ liệu quy mô lớn cũng đã thu hút nhiều sự quan tâm của cả giới học thuật và công nghiệp. Các nghiên cứu về khai thác dữ liệu phân tán và song song dựa trên nền tảng điện toán đám mây đã đạt được nhiều thành tựu thuận lợi [3],[4]. Hadoop [5] là một nền tảng đám mây nổi tiếng được sử dụng rộng rãi trong khai thác dữ liệu.

2.1.1. Big Data

Khái niệm Big Data

Big Data (Dữ liệu lớn) là thuật ngữ mô tả quá trình xử lý dữ liệu trên một tập dữ liệu lớn bao gồm cả dữ liệu có cấu trúc hay không có cấu trúc. Big Data rất quan trọng với các tổ chức, doanh nghiệp thì dữ liệu ngày một lớn và càng nhiều dữ liệu sẽ giúp các phân tích càng chính xác hơn. Việc phân tích

9

chính xác này sẽ giúp doanh nghiệp đưa ra các quyết định giúp tăng hiệu quả sản xuất, giảm rủi ro và chi phí.

Những dữ liệu này tới từ mọi nơi – ví dụ như từ những chiếc cảm biến để thu thập thông tin thời tiết, những thông tin được cập nhật trên các trang web mạng xã hội, những bức ảnh và video kỹ thuật số được đưa lên mạng, dữ liệu giao dịch của các hoạt động mua sắm trên mạng... – dưới mọi hình thức khác nhau (có cấu trúc, phi cấu trúc, bán cấu trúc). Đó chính là dữ liệu lớn.

Big Data là thuật ngữ dùng để chỉ một tập hợp dữ liệu rất lớn và hỗn tạp đến nỗi những công cụ, ứng dụng xử lí dữ liệu truyền thống khó có thể nào đảm đương được. Bằng việc tổng hợp một lượng thông tin lớn từ các nguồn khác nhau khiến cho Big Data trở thành một công cụ rất mạnh cho việc ra các quyết định kinh doanh, nhận diện hành vi và xu hướng nhanh hơn và tốt hơn rất nhiều so với cách thức truyền thống. Big Data được nhận diện trên ba khía cạnh chính: Dữ liệu (Data), Công nghệ (Technology), Quy mô (Size). Thứ nhất, dữ liệu (data) bao gồm các dữ liệu thuộc nhiều định dạng khác nhau như hình ảnh, video, âm nhạc… trên Internet [6]; gồm các dữ liệu thu thập từ các hệ thống cung ứng dịch vụ công nghệ thông tin có kết nối với hệ thống máy chủ; dữ liệu của khách hàng ở các ứng dụng thông minh và các thiết bị có kết nối mạng; dữ liệu của người dùng để lại trên các nền tảng của mạng xã hội, việc ứng dụng khai phá dữ liệu lớn sẽ tạo thành quy trình khép kín, việc bổ sung dữ liệu và huấn luyên được diễn ra liên tục [7]. Do các dữ liệu được cập nhật qua các thiết bị kết nối mạng từng giờ, từng phút, từng giây và đến từ nhiều nguồn khác nhau nên khối lượng dữ liệu này là rất lớn (Big). Hiện nay, Big Data được đo lường theo đơn vị Terabytes (TB), Petabytes (PB) và Exabytes (EB). Có thể dễ dàng lấy một vài ví dụ như Walmart xử lý hơn 1 triệu giao dịch của khách hàng mỗi giờ, dữ liệu nhập vào ước tính hơn 2,5 PB; Facebook có hơn 1.9 tỷ người dùng đồng thời, có hàng trăm server xử lý và lưu trữ dữ liệu [8]. Twitter là một hệ thống mạng xã hội với 1,3 tỷ người dùng đang hoạt động và trong giai đoạn đầu [9]. Yếu tố nhận diện thứ hai của Big Data là công nghệ (technology). Công nghệ thường được thiết kế và hình thành một hệ sinh thái từ dưới đi lên để có khả năng xử lý các dữ liệu lớn và phức tạp. Một trong những hệ sinh thái mạnh nhất hiện nay phải kể đến Hadoop với khả năng xử lý dữ liệu có thể được tăng lên cùng mức độ phức tạp của dữ liệu, năng lực này là một công cụ vô giá trong bất kỳ ứng dụng Big Data nào. Yếu tố nhận diện thứ ba của Big Data là quy mô dữ liệu. Hiện nay vẫn chưa có câu 10

trả lời chính xác cho câu hỏi dữ liệu thế nào gọi là lớn. Theo ngầm hiểu thì khi dữ liệu vượt quá khả năng xử lý của các hệ thống truyền thống thì sẽ được xếp vào Big Data.

Việc bản thân các doanh nghiệp cũng đang sở hữu Big Data của riêng mình đã trở nên phổ biến. Chẳng hạn, như trang bán hàng trực tuyến eBay thì sử dụng hai trung tâm dữ liệu với dung lượng lên đến 40 petabyte để chứa những truy vấn, tìm kiếm, đề xuất cho khách hàng cũng như thông tin về hàng hóa của mình. Hay nhà bán lẻ online Amazon.com phải xử lí hàng triệu hoạt động mỗi ngày cũng như những yêu cầu từ khoảng nửa triệu đối tác bán hàng. Tương tự, Facebook cũng phải quản lí 50 tỉ bức ảnh từ người dùng tải lên [10], YouTube hay Google thì phải lưu lại hết các lượt truy vấn và video của người dùng cùng nhiều loại thông tin khác có liên quan. Theo kết quả khảo sát được thực hiện bởi Qubole - công ty hàng đầu về cung cấp giải pháp, nền tảng quản lí dữ liệu hạ tầng đám mây phục vụ phân tích - và bởi Dimensional Research - một tổ chức nghiên cứu thị trường công nghệ, lĩnh vực chăm sóc khách hàng, kế hoạch công nghệ thông tin, quy trình bán hàng và hoạt động tài chính là các lĩnh vực thu lợi nhiều nhất từ Big Data. Qua đó, thấy được là mục đích khai thác Big Data của các nhà cung ứng hàng hóa, dịch vụ toàn cầu là hướng đến chăm sóc khách hàng, phân tích dữ liệu khách hàng để phát triển sản phẩm, dịch vụ; ứng dụng thông minh để tăng trải nghiệm của khách hàng và giữ chân khách hàng khi sự cạnh tranh ngày càng gay gắt giữa các nhà cung ứng ở hầu hết các lĩnh vực kinh doanh. Với các công cụ phân tích, đặc biệt là công cụ phân tích dự báo (Predictive Analytics) và khai thác dữ liệu (Data mining) [19], Big Data giúp các doanh nghiệp đo lường, phân tích các vấn đề liên quan đến sản phẩm, phát hiện các cơ hội và nguy cơ rủi ro, đồng thời, dự báo doanh thu từ hoạt động kinh doanh hàng ngày.

Big Data có thể bao gồm những kiểu dữ liệu sau:

Dữ liệu của các hệ thống doanh nghiệp truyền thống bao gồm các dữ liệu từ hệ thống quản lý khách hàng, các giao dịch của hệ thống tài chính doanh nghiệp, các dữ liệu kế toán, thông tin giao dịch của khách hàng và doanh nghiệp...

11

Dữ liệu sinh tự động hoặc do cảm biết: Bao gồm dữ liệu thông tin khách hàng sử dụng dịch vụ, lịch sử truy cập các trang web, các dữ liệu ghi lịch sử thiết bị sử dụng…

Dữ liệu mạng xã hội- bao gồm các dữ liệu được sinh ra từ quá trình sử dụng mạng xã hội của người dùng như ảnh, video, thông tin trên Facebook, Twitter, Instagram…

Đặc điểm của Big Data

Ba đặc điểm chính của Big Data bao gồm Dung lượng (volume), Tốc độ (velocity), Tính đa dạng (variety). Dung lượng của Dữ liệu lớn đang tăng lên mạnh mẽ từng ngày [10].Theo thông tin được Google công bố, cứ mỗi 1 giây, 87000 từ khóa tìm kiếm được thực hiện, hàng petabyte dữ liệu được tạo ra trên toàn thế giới. Về Tốc độ (Velocity) phản ánh tốc độ mà tại đó dữ liệu được phân tích bởi các công ty để cung cấp một trải nghiệm người dùng tốt hơn. Với sự ra đời của các kỹ thuật, công cụ, ứng dụng lưu trữ, nguồn dữ liệu liên tục được bổ sung với tốc độ nhanh chóng. Về Tính đa dạng (Variety) của dữ liệu, việc đa dạng hóa các nguồn dữ liệu đầu vào, từ dữ liệu có cấu trúc, bán cấu trúc cho đến dữ liệu không có cấu trúc, từ các loại dữ liệu dạng giao dịch cho đến các dữ liệu dạng văn bản sinh ngẫu nhiên trên internet.

Độ lớn dữ liệu (volume): Dữ liệu sinh ra tự động (machine-generated data) có số lượng nhiều hơn rất nhiều so với dữ liệu truyền thống. Dữ liệu có thể sinh ra hàng TB trong thời gian ngắn và dữ liệu lưu trữ có thể lên đến Petabytes. Cách đây vài năm, việc lưu trữ dữ liệu lớn là một vấn đề khó khăn. Tuy nhiên hiện nay, với việc phần cứng ngày càng rẻ cộng thêm công nghệ lưu trữ đám mây thì việc xác định giá trị cần thiết từ tập dữ liệu lớn mới là vấn đề cốt yếu.

Tốc độ xử lý dữ liệu (velocity): Dữ liệu lớn không đồng nghĩa với xử lý chậm. Ngày nay các hệ thống media cần xử lý nhanh và có phản hồi chấp nhận được với người dùng. Trong việc xử lý dữ liệu lớn ta luôn cần quan tâm đến Tốc độ xử lý dữ liệu

Tính đa dạng dữ liệu (variety): Với việc thu thập từ nhiều nguồn dữ liệu khác nhau (web, mobile…), Big Data không chỉ có dữ liệu kiểu truyền thống dạng schema mà ngày nay còn có nhiều loại dữ liệu khác như dạng image,

12

video, cấu trúc dữ liệu phức tạp khác… Big Data có thể xử lý dữ liệu có cấu trúc, phi cấu trúc và bán cấu trúc.

Để đáp ứng được về các tính chất đó của Big Data, các công ty lớn trên thế giới như Amazon, Google, FaceBook đều sử dụng nền tảng Hadoop làm công cụ lưu trữ và xử lý dữ liệu.

2.1.2. Giới thiệu về Hadoop

Apache Hadoop [11] là một framework cho phép xử lý phân tán một tập dữ liệu lớn qua cụm (cluster) các máy tính bằng việc sử dụng mô hình lập trình đơn giản. Được thiết kế để có thể giãn nở thực hiện trên một đến hàng nghìn máy tính là nơi tính toán và lưu trữ cục bộ. Một điểm mới của Apache Hadoop là thay vì thiết đặt cơ chế sẵn sàng cao (High Availability - HA) bằng phần cứng thì bản thân Hadoop được thiết kế để phát hiện và quản lý lỗi tại tầng ứng dụng, do đó sẽ đưa ra dịch vụ có tính sẵn sàng cao HA tại cụm các máy tính nơi có thể xảy ra lỗi bằng cách thiết đặt thêm một ứng dụng (node) dưới dạng hoạt động hoặc chế độ chờ (active/standby).

Apache Hadoop được tạo bởi 2 thành phần bao gồm một hệ thống file phân tán Hadoop Distributed Filesystem (HDFS) và một layer để tính toán theo mô hình xử lý Map Reduce. Hadoop là một open source cho phép xử lý dữ liệu theo lô và có khả năng xử lý khối lượng dữ liệu cực lớn.

Hadoop sử dụng một cụm các server thông thường để lưu trữ, tính toán. Việc tính toán trên Hadoop Distributed Filesystem (HDFS) được thực hiện một cách song song và trừu tượng với các developer giúp họ tránh được việc lập trình mạng và xử lý bài toán đồng bộ phức tạp. Không giống như nhiều hệ thống phân tán khác, Hadoop cung cấp việc xử lý logic trên nơi lưu dữ liệu mà không phải lấy dữ liệu từ các máy khác giúp tăng hiệu năng một cách mạnh mẽ.

Hadoop bao gồm những module sau:

Hadoop Common: Các tiện ích cơ bản hỗ trợ Hadoop

Hadoop Distributed File System (HDFS™): Hệ thống file phân tán cung cấp khả năng truy vấn song song tối đa hóa theo đường truyền truy cập bởi ứng dụng

13

Hadoop YARN: Framework quản lý lập lịch tác vụ và tài nguyên trên

cụm.

Hadoop MapReduce: Hệ thống YARN-based để xử lý tập dữ liệu lớn.

2.1.3. Các ứng dụng trên nền tảng Apache Hadoop

Apache phát triển một số ứng dụng để việc sử dụng MapReduce một cách dễ dàng hơn đồng thời hỗ trợ việc ghi và lấy dữ liệu trên HDFS được đơn giản. Sau đây là một số ứng dụng thông dụng chúng ta cần quan tâm đến:

Apache Hive

Hive tạo ra một cơ sở dữ liệu quan hệ dạng trừu tượng cho phép các developer có thể truy vấn dữ liệu bằng SQL. Thực chất đây là việc thi hành một hoặc nhiều job MapReduce trên các cụm.

Hive thực hiện việc tạo ra một schema dạng bảng trên tập các file đang tồn tại trên HDFS và quản lý các bản ghi được trích xuất khi chạy một query. Bản thân dữ liệu trên đĩa không thay đổi mà chỉ được lấy ra tại thời điểm query. Các câu lệnh HiveQL được dịch và thực thi trên các lớp map và reduce có sẵn tương ứng với câu lệnh SQL đó.

Apache Pig

Giống như Hive, Apache Pig được tạo ra để đơn giản việc sử dụng MapReduce job, mà không cần thiết phải viết Java Code. Thay vào đó, người dùng sẽ viết các job xử lý dữ liệu trên ngôn ngữ high-level script mà Pig đã xây dựng. Trong trường hợp cần thao tác xử lý dữ liệu đặc biệt mà Pig chưa hỗ trợ chúng ta có thể hoàn toàn mở rộng Pig script bằng Java.

Apache Sqoop

Việc chuyển đổi dữ liệu từ dữ liệu quan hệ sang dữ liệu trên Hadoop là một trong vấn đề quan trọng và phổ biến hiện nay. Sqoop viết tắt của “SQL to Hadoop” thực hiện chuyển đổi dữ liệu 2 chiều giữa Hadoop và hầu hết các cơ sở dữ liệu sử dụng JDBC driver. Sử dụng MapReduce, Sqoop thực hiện các hoạt động một cách song song mà không cần phải viết code. Sqoop hỗ trợ các plugin cho từng loại database cụ thể cung cấp các đặc tính cơ bản của hệ quản trị cơ sở dữ liệu quan hệ đó. Hiện nay Sqoop có hỗ trợ sẵn các khai kết nối 14

connectors (hỗ trợ trực tiếp) cho MySQL và PostgreSQL và kèm theo một số connector free cài đặt thêm để hỗ trợ Teradata, Netezza, SQL server và Oracle.

Apache Flume

Apache Flume là một hệ thống để tập hợp các dữ liệu streaming được thiết kế để truyền khối lượng lớn dữ liệu vào hệ thống ví dụ như Hadoop. Nó hỗ trợ kết nối và ghi dữ liệu trực tiếp tới HDFS.

Apache Oozie

Trong thực tế, sẽ có rất nhiều job Map Reduce được chạy do đó Apache Oozie được sinh ra với mục đích trở thành một workflow engine để điều phối các job này trên các Hadoop cluster. Workflow có thể hoạt động dựa trên cơ chế thời gian hoặc cơ chế sự kiện. Oozie là một REST service để quản lý workflow và trạng thái hoạt động của luồng.

Apache Whirr

Apache Whirr được xây dựng để đơn giản hóa việc tạo và deploy các

clusters trên môi trường cloud ví dụ như Amazon’s AWS.

Apache HBase

Apache HBase là cơ sở dữ liệu phân tán (non relational), độ trễ thấp được xây dựng trên nền HDFS. HBase đưa ra một mô hình dữ liệu linh hoạt có các thuộc tính scale-out với API rất đơn giản. Dữ liệu trên HBase được lưu trữ dưới dạng bán cột (semi-columnar) phân chia bởi các hàng trong các region. Các bảng trên HBase có thể lên tới hàng trăm terabyte hoặc một số trường hợp lên đến petabytes. Hiện nay, HBase được sử dụng để phục vụ một khối lượng lớn dữ liệu trong các hệ thống real-time.

Apache ZooKeeper

Apache ZooKeeper hỗ trợ các tính năng của hệ thống phân tán. Trong thực tế nhiều dự án sử dụng Hadoop có sử dụng ZooKeeper để hỗ trợ các tính năng cần thiết cho hệ thống phân tán (leader election, locking, group membership, service location, config-uration services)

15

Apache HCatalog

Apache HCatalog là một dịch vụ cung cấp khả năng chia sẻ schema và các dịch vụ truy cập dữ liệu giữa các ứng dụng trong cùng một hệ thống. Về lâu dài, HCatalog sẽ cung cấp việc kết hợp các tool ví dụ như Hive và Pig để chúng có thể chia sẻ các thông tin về dataset và metadata.

2.1.4. HDFS

Hadoop Distributed File System (HDFS) [12] là một hệ thống file phân tán được thiết kế để chạy trên phần cứng thông thường. HDFS cũng tương tự những hệ thống file phân tán hiện có. Tuy nhiên, sự khác biệt ở đây là HDFS có khả năng chịu lỗi cao (fault-tolerant) và được thiết kế để deploy trên các phần cứng rẻ tiền. HDFS cung cấp khả năng truy cập high throughput từ ứng dụng và thích hợp với các ứng dụng có tập dữ liệu lớn.

Hình 2.1. Kiến trúc HDFS

HDFS có kiến trúc master-worker, (Hình 2.1). Một cụm HDFS (HDFS cluster) bao gồm các Namenode và Datanode. Dữ liệu được lưu trên các block.

16

Một cụm HDFS bao gồm hai loại nút (node) hoạt động theo mô hình nút chủ - nút thợ (master-worker):

Một cụm HDFS có 1 namenode (master – nút chủ)

Một cụm HDFS có một hoặc nhiều các datanode (worker - nút thợ)

Namenode quản lý các namespace filesystem. Nó quản lý một filesystem tree và các metadata cho tất cả các file và thư mục trên tree. Thông tin này được lưu trữ trên đĩa vật lý dưới dạng không gian tên ảnh và nhật ký (edit log). Namenode còn quản lý thông tin các khối (block) của một tập tin được lưu trên những datanodes nào.

HDFS đưa ra một không gian tên cho phép dữ liệu được lưu trên tập tin. Trong đó một tập tin được chia ra thành một hay nhiều khối (block) và các block được lưu trữ trên một tập các DataNode. Namenode thực thi các hoạt động trên hệ thống quản trị không gian tên tập tin như mở, đóng, đổi tên tập tin và thư mục. Namenode còn quyết định việc kết nối các khối với các DataNode. Các DataNode có tính năng xử lý các yêu cầu về đọc ghi từ máy khách. Ngoài ra các DataNode còn thực hiện việc tạo, xóa, lặp các khối theo sự hướng dẫn của DataNode

Một phần mềm được thiết kế bao gồm NameNode và DataNode có thể chay trên những máy tính thông thường. Yêu cầu duy nhất chỉ là chạy hệ điều hành GNU/Linux. HDFS được xây dựng trên ngôn ngữ Java nên bất kỳ máy nào hỗ trợ Java đều có thể chạy phần mềm thực thi NameNode và DataNode.

2.1.5. Đọc ghi dữ liệu trên HDFS

a. Đọc dữ liệu

Với khối dữ liệu (block) ID và địa chỉ IP đích máy chủ (host) của Datanode, máy khách (client) có thể liên lạc với các Datanode còn lại để đọc các khối (block) cần thiết. Quá trình này lặp lại cho đến khi tất cả các khối trong file được đọc và máy khách đóng luồng đọc file trực tuyến.

17

Hình 2.2. Luồng đọc dữ liệu trên HDFS

Hình 2.2 mô tả quá trình đọc dữ liệu của NameNode từ DataNode thông

qua các API của Hadoop.

b. Ghi dữ liệu

Hình 2.3. Luồng ghi dữ liệu trên HDFS

18

Việc ghi dữ liệu sẽ phức tạp hơn việc đọc dữ liệu đối với hệ thống HDFS. Trong Hình 2.3 ban đầu, máy khách gửi yêu cầu đển tạo một file bằng việc sử dụng Hadoop FileSystem APIs. Một yêu cầu được gửi đến namenode để tạo tập tin metadata nếu user có quyền tạo. Thông tin Metadata cho tập tin mới đã được tạo; tuy nhiên lúc này chưa có một block nào liên kết với tập này. Một tiến trình trả kết quả được gửi lại cho máy khách xác nhận yêu cầu tạo file đã hoàn thành và bắt đầu có thể ghi dữ liệu. Ở mức API, một đối tượng Java là stream sẽ trả về. Dữ liệu của máy khách sẽ ghi vào luồng này và được chia ra thành các gói, lưu trong queue của bộ nhớ. Một tiến trình riêng biệt sẽ liên hệ với namenode để yêu cầu một tập datanode phục vụ cho việc sao lưu dữ liệu vào các khối (block). Máy khách sẽ tạo một kết nối trực tiếp đến datanode đầu tiên trong danh sách. Datanode đầu tiên đó sẽ kết nối lần lượt đến các datanode khác. Các gói dữ liệu được ghi dần vào các datanode. Mỗi datanode sẽ phản hồi dữ liệu ghi thành công hay không. Quá trình này kết thúc khi toàn bộ các gói dữ liệu đã được lưu tại các khối (block) của datanode

2.1.6. Map-Reduce

Map-reduce [13] là mô hình dùng để xử lý dữ liệu. Trong quá trình xử lý dữ liệu, MapReduce sẽ chia ra 2 giai đoạn: giai đoạn Map và giai đoạn Reduce. Cả hai giai đoạn này đều có đầu vào và đầu ra ở dạng key, value. Người lập trình cần viết 2 hàm chức năng để có thể xử lý dữ liệu đó là hàm chức năng Map và hàm chức năng Reduce.

Hình 2.4. Mô hình Map-Reduce

Về mặt định nghĩa thuật toán, ta có thể mô tả Map-Reduce như sau:

19

Input: dữ liệu dưới dạng Key → Value

Lập trình viên viết 2 thủ tục:

Map(k, v) → *

Reduce(k', *) → *

Map biến mỗi key k thu được bằng thành cặp . Reduce nhận đầu vào là khoá k' và danh sách cách giá trị v' và trả về kết quả là cặp .

Hình 2.5. Cơ chế Map-Reduce

Ví dụ với hình mô tả ở trên thì Map trả về danh sách: , còn Reduce nhận kết quả trên và trả về .

2.1.7. SPARK, nền tảng công cụ và ứng dụng

Hadoop là một nền tảng đám mây nổi tiếng được sử dụng rộng rãi trong khai thác dữ liệu. Trong phạm vi ứng dụng khai phá dữ liệu, khai thác tiềm năng dữ liệu lớn, một số thuật toán học máy đã được đề xuất dựa trên mô hình MapReduce. Tuy nhiên, khi các thuật toán này được triển khai dựa trên MapReduce, các kết quả trung gian thu được trong mỗi lần lặp được ghi vào Hệ thống tệp phân tán Hadoop (HDFS) và được tải từ đó. Điều này tốn nhiều thời gian cho các hoạt động I / O của đĩa và cũng tốn nhiều tài nguyên để truyền thông và lưu trữ. Apache Spark[24] là một nền tảng đám mây tốt khác phù hợp cho khai thác dữ liệu lớn. So với Hadoop, mô hình Tập dữ liệu phân tán linh hoạt (RDD) và mô hình Đồ thị vòng có hướng (DAG) được xây dựng trên khung tính toán bộ nhớ được hỗ trợ cho Spark. Cho phép lưu trữ một bộ nhớ

20

cache dữ liệu trong bộ nhớ và thực hiện tính toán và lặp lại cho cùng một dữ liệu trực tiếp từ bộ nhớ. Nền tảng Spark tiết kiệm một lượng lớn thời gian hoạt động I / O của đĩa. Do đó, Spark phù hợp hơn cho việc khai thác dữ liệu với tính toán lặp đi lặp lại. Thuật toán Rừng ngẫu nhiên (RF) [14] là một thuật toán khai thác dữ liệu phù hợp cho dữ liệu lớn. RF là một thuật toán học tập hợp sử dụng không gian con đặc trưng để xây dựng mô hình. Hơn nữa, tất cả các cây quyết định có thể được đào tạo đồng thời, do đó nó cũng thích hợp cho việc xử lý song song hóa. Apache Spark Mllib[22] đã song song hóa thuật toán RF (được gọi là Spark-MLRF) dựa trên tối ưu hóa song song dữ liệu để cải thiện hiệu suất của thuật toán.

a. Khái niệm Apache Spark

Theo [24], Spark là một ứng dụng mã nguồn mở được xây dựng được xây dựng để xử lý dữ liệu phân tán, nhằm tăng tốc độ xử lý, dễ sử dụng và linh hoạt. Sử dụng để xử lý dữ liệu lớn một cách nhanh chóng, bằng cách cho phép thực hiện tính toán trên cụm tạo ra khả năng phân tích dữ liệu tốc độ cao khi đọc và ghi dữ liệu. Tốc độ xử lý của Spark có được do việc tính toán được thực hiện cùng lúc trên nhiều máy khác nhau. Đồng thời việc tính toán được thực hiện ở bộ nhớ trong (in-memories) hay thực hiện hoàn toàn trên RAM. Spark hỗ trợ nhiều ngôn ngữ lập trình được sử dụng rộng rãi (Python, Java, Scala và R), bao gồm các thư viện cho các tác vụ đa dạng khác nhau, từ SQL đến phát trực tuyến và học máy, và chạy ở mọi nơi từ máy tính xách tay đến một cụm hàng nghìn máy chủ. Điều này hỗ trợ cho Spark trở thành một hệ thống dễ dàng bắt đầu và mở rộng quy mô để xử lý dữ liệu lớn hoặc quy mô cực kỳ lớn..

Spark cho phép xử lý dữ liệu theo thời gian thực, vừa nhận dữ liệu từ các nguồn khác nhau đồng thời thực hiện ngay việc xử lý trên dữ liệu vừa nhận được (Spark Streaming).

Spark không có hệ thống file của riêng mình, nó sử dụng hệ thống file khác như: HDFS, Cassandra, S3,…. Spark hỗ trợ nhiều kiểu định dạng file khác nhau (text, csv, json…) đồng thời nó hoàn toàn không phụ thuộc vào bất cứ một hệ thống file nào.

Để chạy nhanh hơn, Spark cung cấp: Mô hình tối ưu các tính toán đồ thị một cách tùy ý (optimize arbitrary operator graphs). Hỗ trợ tính toán tại bộ nhớ trong. Spark cung cấp bộ API hỗ trợ các ngôn ngữ Scalar, Java, Python. Spark

21

hỗ trợ các thư viện ứng dụng cơ bản của học máy như Rừng ngẫu nhiên (Random Forest), cây quyết định (Decision Tree)… hay các thư viện phân cụm (KMeans).

b. Resilient Distributed Datasets - RDD

Resilient Distributed Datasets (RDD) [25] là một cấu trúc dữ liệu cơ bản của Spark. Nó là một tập hợp bất biến phân tán của một đối tượng, hỗ trợ tính toán xử lý trong bộ nhớ. Mỗi nhóm dữ liệu đối tượng trong RDD được chia ra thành nhiều phần vùng vật lý. Có thể được tính toán trên các nút khác nhau của một cụm máy chủ (cluster).

RDDs có thể chứa bất kỳ kiểu dữ liệu nào của Python, Java, hoặc đối tượng Scala, bao gồm các kiểu dữ liệu do người dùng định nghĩa. Thông thường, RDD chỉ cho phép đọc, phân mục tập hợp của các bản ghi. RDDs có thể được tạo ra qua điều khiển xác định trên dữ liệu trong bộ nhớ hoặc RDDs, RDD là một tập hợp có khả năng chịu lỗi mỗi thành phần có thể được tính toán song song.

c. Thành phần của Spark

Hình 2.6. thành phần của Spark

Hình 2.6 mô tả các thành phần cơ bản của Spark, cụ thể:

Spark Core: là lõi ứng dụng (engine) thực thi chung làm nền tảng cho Spark. Tất cả các chức năng khác được xây dựng dựa trên nền tảng là Spark Core.

22

Cung cấp khả năng tính toán trên bộ nhớ RAM và cả bộ dữ liệu tham chiếu trong các hệ thống cho phép mở rộng bộ nhớ vật lý (external storage).

Spark SQL: là một thành phần nằm trên Spark Core, giới thiệu một khái niệm trừu tượng hóa dữ liệu mới gọi là SchemaRDD, cung cấp hỗ trợ cho dữ liệu có cấu trúc và bán cấu trúc.

Spark Streaming: tận dụng khả năng lập lịch memory-base của Spark Core để thực hiện streaming analytics. Nó lấy dữ liệu theo mini-batches và thực hiện các phép biến đổi RDD (Bộ dữ liệu phân tán có khả năng phục hồi) trên các mini-batches dữ liệu đó.

MLlib (Machine Learning Library): là một framework machine learning phân tán trên Spark tận dụng khả năng tính toán tốc độ cao nhờ distributed memory-based của kiến trúc Spark.

GraphX: là một framework xử lý đồ thị phân tán. Nó cung cấp một API để thực hiện tính toán biểu đồ có thể mô hình hóa các biểu đồ do người dùng xác định bằng cách sử dụng API đã được tối ưu sẵn.

Hoạt động

Hình 2.7. Cơ chế hoạt động của Spark

Chương trình Spark chạy như một bô process độc lập trên mỗi cluster. Các process này được điều khiển bởi SparkContext trong chương trình điều khiển (Driver program), được thể hiện trong Hình 2.7. SparkContext sẽ kết nối với một số loại Cluster Manager (các trình quản lý cụm chạy standalone của Spark hoặc YARN hoặc MESOS) trình quản lý việc phân bố tài nguyên cho các ứng dụng để xác định các nút sẽ làm việc. Sau đó, Spark sẽ kết nối tới một số

23

Executor trên các nút này (thực chất là các tiến trình chạy các tác vụ tính toán, lưu trữ dữ liệu cho ứng dụng), sau đó sẽ gửi mã của ứng dụng (được gửi từ SparkContext) tới các Executor này. Cuối cùng SparkContext sẽ gửi các tác vụ tới các Executor để chạy.

Ưu điểm:

Mỗi ứng dụng sẽ được chạy trong một executor riêng biệt, các tác vụ sẽ được chạy đa luồng multithread. Các task của các ứng dụng khác nhau sẽ được chạy trong các JVM khác nhau, tách biệt được việc lập lịch chạy ứng dụng và việc thực thi ứng dụng. Nhược điểm ở đây là dữ liệu của các ứng dụng khác nhau không được chia sẻ trừ khi ghi vào một bộ nhớ bên ngoài.

Spark độc lập với các trình quản lý cụm (chỉ cần nó có thể liên hệ được với tiến trình executor), có thể tích hợp được với nhiều trình quản lý cụm khác nhau (YARN, MESOS …).

Các trình điều khiển lập lịch được đặt trên các cụm được đặt trong cùng mạng LAN với các Nút (Nodes), giúp cho quá trình điều khiển sẽ nhanh và tin cậy hơn.

d. Các cơ chế quản lý cụm mà Spark hỗ trợ:

Theo [26], các cơ chế quản lý cụm dữ liệu sẽ có một số cơ chế như sau:

Standalone – cơ chế quản lý cụm đơn giản được tích hợp ngay trong chính Spark.

Apache Mesos – cơ chế quản lý cụm cơ bản hỗ trợ chạy Spark, Hadoop MapReduce và các ứng dụng giao tiếp ngầm.

Hadoop YARN – quản lý tài nguyên trên Hadoop.

e. Spark vs Hadoop MapReduce

Theo [27], Về cơ chế hoạt động của Map-Reduce: dữ liệu đầu vào được đọc từ HDFS (ứng dụng phụ trách việc lưu trữ trong Hadoop), xử lý bằng các thao tác chỉ định, dữ liệu đầu ra được ghi vào HDFS, dữ liệu tiếp tục được đưa lên, thao tác tiếp theo được thực hiện, dữ liệu đầu ra tiếp tục ghi vào HDFS … chuỗi các bước [đọc - xử lý - ghi] đó được lặp cho đến khi hoàn thành tác vụ.

24

Vì dữ liệu đầu vào được chia thành các khối (block) độc lập với nhau, các tiến trình map-reduce được thực hiện song song, nên về cơ bản nó hữu ích để xử lí những bộ dữ liệu lớn. Tuy nhiên, map-reduce vẫn còn những tồn tại là quá trình xử lý không thực sự hiệu quả trong trường hợp phải lặp lại nhiều step, vì mỗi step cần thiết phải ghi đầu ra dữ liệu vào HDFS trước khi bước tiếp theo được thực hiện, việc này tạo ra các vấn đề trong việc lưu trữ và cơ chế tạo lặp các vùng lưu trữ, tăng độ trễ xử lý do phần lớn thực hiện trên Disk vốn có hiệu suất I/O không cao. Bên cạnh đó là việc thực hiện viết code với Map-Reduce có phần khó khăn vì viết lệnh giao tiếp khá dài dòng.

Hình 2.8. Cơ chế hoạt động của Spark và RDD

Cơ chế hoạt động của Spark: khắc phục những tồn tại của Hadoop MapReduce, Spark đưa ra một khái niệm mới RDD - Resilient Distributed Dataset đóng vai trò như 1 cấu trúc dữ liệu cơ bản trong Spark, RDD được định nghĩa là trừu tượng cho một tập hợp các phần tử bất biến (bản chất là được lưu trên các ô nhớ chỉ đọc readOnly), được phân vùng có thể được chia sẻ, tác động song song, theo Hình 2.8. Qua đó, dữ liệu vào từ hệ thống lưu trữ chỉ cần đẩy lên lần duy nhất, các bước thực hiện biến đổi, xử lý dữ liệu đầu vào được lên kế hoạch, tối ưu hóa và thực hiện một cách liên tục cho đến khi dữ liệu đầu ra được trả khi kết thúc công việc. Toàn bộ quá trình đó được diễn ra trên bộ nhớ RAM (khi hết RAM sẽ được chuyển sang xử lý trên Disk) tận dụng được hiệu suất I/O cao từ đó có thể giảm thời gian thực thi nhỏ hơn 10-100 lần Hadoop MapReduce.

25

f. Apache Zeppelin trên nền tảng Spark

Là một loại trình thông dịnh chú có thể chạy trên nhiều nền ứng dụng khác nhau như Spark Core; Python hay NoSQL. Việc sử dụng Spark MLib Machine Learning cùng với Zeppelin (Spark Interpreter for Zeppelin), cho phép thực thi các thư việc Machine Learning một cách tối đa hóa thời gian, sử dụng cơ chế hoạt động của Spark để tăng hiệu quả khi xây dựng và huấn luyện các mô hình học máy cũng như giảm thời gian huấn luyện.

Hình 2.9. Zeppelin và phương thức hoạt động

Việc sử dụng Apache Zeppelin sẽ nâng cao tốc độ xử lý các mô hình học máy và gia tăng được hiệu quả khi phải xử lý với dữ liệu lớn, Zeppelin cũng hỗ trợ tối đa cho các chuyên viên khoa học máy tính thực thi và xử lý các model. Hình 2.9 mô tả thành phần và các phân đoạn hoạt động của Zeppelin, lưu lại các thành phần và phân loại từng nhóm code. Ngoài ra, Zeppelin cũng có một số API cho phép cài đặt để huấn luyện các mô hình một cách tự động. Sử dụng cho quá trình tự động hóa các mô hình huấn luyện trong quá trình ứng dụng học máy vào triển khai thực tế, và vận hành khai thác. Cung cấp các ứng dụng nền tảng (service) cho các ứng dụng ngoài có thể gọi, thực thi câu lệnh cũng như trả về kết quả thông qua các ứng dụng ngầm này.

2.2. Giới thiệu về học máy

26

Học máy (machine learning) là một ngành khoa học nghiên cứu, xây dựng các kĩ thuật trên nền tảng của trí tuệ nhân tạo giúp cho máy tính có thể suy luận (dự đoán) kết quả tương lai thông qua quá trình huấn luyện (học) từ dữ liệu lịch sử.

Do việc xây dựng mô hình học máy và ứng dụng vào thực tế cần nhiều mô hình học máy và mô hình ứng dụng, việc sử dụng mô hình tổng hợp để cho ra kết quả tối ưu là điều cần thiết. Việc sử dụng và lựa chọn một mô hình đủ nhanh, mạnh và hiệu quả về chi phí và tài nguyên là cần thiết, theo [20], các loại học máy có thể phân chia thành 3 nhóm: Học có giám sát supervised, học không giám sát unsupervised, học bán giám sát semisupervised và học tăng cường Reinforcement Learning.

Trong số những mô hình đó, cây quyết định với những ưu điểm của mình được đánh giá là một công cụ mạnh, phổ biến và đặc biệt thích hợp cho khai thác dữ liệu lớn nói chung và phân lớp dữ liệu nói riêng. Có thể kể ra những ưu điểm của cây quyết định như: xây dựng tương đối nhanh; đơn giản, dễ hiểu. Hơn nữa các cây có thể dễ dàng được chuyển đổi sang các câu lệnh SQL để có thể được sử dụng để truy nhập cơ sở dữ liệu một cách hiệu quả. Cuối cùng, việc phân lớp dựa trên cây quyết định đạt được sự tương tự và đôi khi là chính xác hơn so với các phương pháp phân lớp khác.

Ngoài ra trong quá trình đề tài, các thuật toán được sử dụng nhằm mục tiêu kiểm định và phân lớp theo rừng ngẫu nhiên (random forest), phân cụm (K-Means) khách hàng để có thể tương tác tới tập khách hàng chính xác và mang lại tỷ lệ cao nhất.

Mô hình toán học: Cho một tập dữ liệu X: Một tập mẫu T  X Một hàm mục tiêu f: X → {đúng, sai} Một tập huấn luyện D = {(x, y) | x  T, y = f(x)} Tính toán một hàm f’: X → {đúng, sai} sao cho f’(x)  f(x), x X.

2.2.1. Một số khái niệm cơ bản

Không gian biểu diễn là một tập hợp:

27

Ký hiệu là X, mỗi phần tử thuộc X có thể được gọi là các dữ liệu, các

thể hiện, các đối tượng hay các ví dụ.

Mỗi phần tử S  X được biểu diễn bởi một tập gồm n thuộc tính:

S = (S1, S2 …, Sn)

Một đối tượng S cũng có thể được biểu diễn kết hợp với lớp liên thuộc

của nó hay nói cách khác có thể được biểu diễn dưới dạng nhãn: z = (s, c).

a. Học có giám sát

Học có giám sát (supervised learning) là một kỹ thuật của ngành học máy nhằm mục đích xây dựng một hàm f từ dữ tập dữ liệu huấn luyện (Training data). Dữ liệu huấn luyện bao gồm các cặp đối tượng đầu vào và đầu ra mong muốn. Đầu ra của hàm f có thể là một giá trị liên tục hoặc có thể là dự đoán một nhãn phân lớp cho một đối tượng đầu vào

Thuật toán học Mô hình Dữ liệu gán nhãn

Hình 2.10. Mô hình học có giám sát

Nhiệm vụ của chương trình học có giám sát là dự đoán giá trị của hàm f cho một đối tượng đầu vào hợp lệ bất kì, sau khi đã xét một số mẫu dữ liệu huấn luyện (nghĩa là các cặp đầu vào và đầu ra tương ứng). Để đạt được điều này, chương trình học phải tổng quát hóa từ các dữ liệu sẵn có để dự đoán được những tình huống chưa gặp phải theo một cách hợp lý, Hình 2.10.

Các mô hình mẫu

Các bước giải bài toán học có giám sát

Ứng dụng các giải thuật sử dụng trong đề tài:

Rừng ngẫu nhiên (RandomForest)

Phân lớp nhị phân (BinaryClassification)

Cây quyết định (Decision Tree)

28

b. Học không có giám sát

Học không có giám sát (unsupervised learning) [20] là một phương pháp học máy mà dữ liệu huấn luyện là dữ liệu hoàn toàn chưa được gán nhãn, nhằm tìm ra một mô hình phù hợp với các quan sát. Học không có giám sát khác với học có giám sát ở chỗ, là đầu ra đúng tương ứng cho mỗi đầu vào là chưa biết trước. Trong học không có giám sát, một tập dữ liệu đầu vào thường được thu thập một cách ngẫu nhiên, và sau đó một mô hình mật độ kết hợp sẽ được xây dựng cho tập dữ liệu đó.

Ta có thể kết hợp học không có giám sát với suy diễn Bayes để tạo ra xác suất có điều kiện cho bất kỳ biến ngẫu nhiên nào khi biết trước các biến khác. Hay nói cách khác khi đó ta đã chuyển từ việc học không có giám sát sang học có giám sát. Mọi giải thuật nén dữ liệu, về cơ bản hoặc là dựa vào một phân bố xác suất trên một tập đầu vào một cách tường minh hay không tường minh. Thuật toán Clustering sẽ phân tích và tìm các đặc trưng của dữ liệu rồi đưa vào thành các cụm khác nhau theo từng đặc trưng tìm được, sau đó, phân chia các cụm đầu vào mới vào từng cụm đã có sẵn theo từng loại đặc trưng của đầu vào.

Thuật toán này có 3 loại điển hình:

K-Means Clustering: Phân nhóm dữ liệu vào một số K cụm với quy luật

nhất định.

Hierarchical Clustering: Phân loại theo thứ bậc.

Probabilistic Clustering: Phân loại theo xác suất

c. Học bán giám sát

Học nửa giám sát (semi-supervised learning) là một phương pháp học máy mà dữ liệu huấn luyện là sự kết hợp của dữ liệu được gán nhãn và dữ liệu chưa được gán nhãn

29

Hình 2.11. Mô hình học bán giám sát

Như chúng ta đã biết khi áp dụng học có giám sát thì các dữ liệu huấn luyện đã được gán nhãn. Do đó sẽ thu được kết quả có độ chính xác rất cao. Tuy nhiên, khi đó ta sẽ gặp một vấn đề rất khó khăn là khi lượng dữ liệu lớn, thì công việc gán nhãn cho dữ liệu sẽ tốn rất nhiều thời gian và tài nguyên. Hay nói cách khác những dữ liệu được gán nhãn là rất đắt và việc tạo ra nhãn cho những dữ liệu đòi hỏi những nỗ lực rất lớn của con người.

Đối với mô hình học không có giám sát thì ngược lại, các dữ liệu huấn luyện không được gán nhãn. Do đó kết quả thu được có độ chính xác không cao. Tuy nhiên dữ liệu chưa được gán nhãn, có thể dễ dàng thu thập được rất nhiều. Hay nói cách khác là dữ liệu chưa gán nhãn có chi phí rất rẻ.

Học nửa giám sát đã khắc phục được các nhược điểm, và phát huy được ưu điểm của học có giám sát và học không có giám sát. Bằng cách kết hợp giữa học có giám sát và học không có giám sát, với một lượng lớn dữ liệu chưa gán nhãn và một lượng nhỏ những dữ liệu đã được gán nhãn, bằng các giải thuật học nửa giám sát sẽ thu được kết quả vừa có độ chính xác cao vừa mất ít thời gian công sức. Do đó, học nửa giám sát là một phương pháp học đạt được hiệu quả rất tốt trong lĩnh vực học máy.

Trong quá trình thực hiện đề tài, việc đưa ứng dụng các mô hình học máy và phân tích dữ liệu kết hợp nhằm đạt hiệu quả cao nhất và phù hợp nhất với khối lượng dữ liệu lớn.

2.2.2. Các vấn đề trong quá trình thực hiện đề tài

30

Trong quá trình thực hiện đề tài, vướng mắc cơ bản khi thực hiện cũng là vướng mắc tồn tại và thường xuyên gặp phải của các bài toán về học máy là chọn ra một thuật toán phù hợp và huấn luyện trên một tập dữ liệu xác định, sẽ có hai tình huống xấu nhất có thể xảy ra, tình huống đầu tiên, giải thuật không tốt, và tình huống thứ hai là dữ liệu chưa đủ tốt. Ngay cả khi dữ liệu đã được làm sạch, việc bị gây nhiễu bởi những yếu tố ngoại vi hoặc ảnh hưởng bởi thuộc tính đặc thù do các tình huống thực tế tạo nên là không thể tránh khỏi.

Theo [23], các vấn đề vướng mắc như: Không đủ dữ liệu đào tạo, dữ liệu đào tạo không mang đủ tính đại diện đặc trưng cho tập huấn luyện, dữ liệu chất lượng kém, các thuộc tính dữ liệu không liên quan, Overfitting dữ liệu huấn luyện, Underfitting dữ liệu huấn luyện. Qua thời gian thực hiện, việc xây dựng và bổ sung dữ liệu để loại bỏ các thuộc tính dữ liệu dư thừa, đưa thêm dữ liệu huấn luyện để giảm Underfitting, tách tập huấn luyện và tập test nhiều lần để tránh Overfitting. Và chọn tập dữ liệu có đặc thù phù hợp mang tính đại diện đặc trưng với nhóm dữ liệu huấn luyện để tăng hiệu quả mô hình. Kết hợp với việc lựa chọn giải thuật phù hợp, hướng xử lý tối ưu để mô hình, kết hợp với thử nghiệm nhiều lần để cho ra một mô hình phù hợp nhất để giải quyết mục bài toán. Sử dụng kết hợp giữa cơ chế xử lý của Spark, giải thuật Rừng Ngẫu Nhiên kết hợp với giải thuật Phân Cụm. Các giải thuật sử dụng chi tiết sẽ được giới thiệu trong phần 2.3, và 2.4 sẽ cụ thể hóa về thuộc tính dữ liệu sau khi loại bỏ các thuộc tính dư thừa, không mang tính khái quát hóa và gây nhiễu cho mô hình.

31

Chương 3: Spark và giải thuật rừng ngẫu nhiên

song song (Parallel Random Forest - PRF)

Với điểm mạnh là xây dựng và ứng dụng xử lý dữ liệu phân tán song song của Spark, đưa vào xử lý các giải thuật và xây dựng các mô hình học máy ứng dụng, cần tối ưu về mặt thời gian, độ chính xác và phương án xử lý dữ liệu, sao cho đạt kết quả nhanh và có hiệu quả cao nhất. Theo đó, đề xuất ứng dụng xử lý song song giải thuật rừng ngẫu nhiên trên nền tảng Spark (Parallel Random Forest - PRF) nhằm đáp ứng nhu cầu đó, với khả năng xử lý phân tán, giúp giảm thời gian huấn luyện, tăng hiệu năng xử lý, và cho ra hiệu quả cao nhất.

Hình 3.1. Đồ thị vòng DAG được hình thành khi xử lý dữ liệu song song trên Spark UI.

Giải thuật xử lý song song rừng ngẫu nhiên được tối ưu hóa dựa trên phương pháp kết hợp giữa tối ưu hóa xử lý dữ liệu song song và phân chia xử lý đồng thời các luồng giao việc. Đối với khả năng tối ưu hóa xử lý dữ liệu

32

song song, cơ chế xử lý dữ liệu theo chiều dọc, cơ chế map – reduce được sử dụng để tối đa hóa hiệu quả và tái sử dụng dữ liệu, giảm được chi phí về tài nguyên do sử dụng dữ liệu phân nhóm nhỏ và lưu trên ram, cho phép sử dụng lại tập dữ liệu huấn luyện và tối ưu hóa kết quả nhờ vào việc giảm khối lượng dữ liệu trên mỗi máy. Đối với khả năng tối ưu hóa xử lý song song các luồng tiến trình, cho phép mỗi tiến trình xử lý song song đa luồng được thực thi trong quá trình huấn luyện mô hình RF, một luồng giao việc dạng đồ thị vòng có hướng (Directed Acyclic Graph - DAG) được tạo theo trình tự huấn luyện song song của PRF và các đối tượng dữ liệu phân tán RDD (Resilient Distributed Datasets - RDD). Sau đó, các tiến trình sẽ thực thi theo trình tự của DAG. Thêm nữa, việc cải thiện độ chính xác của thuật toán xử lý dữ liệu lớn, với dữ liệu nhiều chiều và nhiễu, đề xuất phương án sử lý giảm chiều dữ liệu trong quá trình huấn luyện mô hình và gán trọng số cho thuộc tính trong quá trình dự đoán trước khi đưa vào huấn luyện và xử lý song song. Kết quả thử nghiệm và ứng dụng mô hình chỉ ra tính ưu việt, những điểm tối ưu đáng chú ý so với các thuật toán khác liên quan được thực hiện bởi thư viện Spark ML và các nghiên cứu khác khi so sánh về độ chính xác, khả năng phân loại và khả năng mở rộng.

3.1. Thuật toán rừng ngẫu nhiên

Thuật toán rừng ngẫu nhiên là một thuật toán phân loại tập hợp dựa trên mô hình cây quyết định. Nó tạo ra k tập hợp con dữ liệu huấn luyện khác nhau từ tập dữ liệu ban đầu bằng cách sử dụng phương pháp lấy mẫu bootstrap (bootstrap sampling), và sau đó, k cây quyết định được xây dựng bằng cách huấn luyện các tập con này. Một tập hợp rừng ngẫu nhiên được xây dựng từ những cây quyết định này. Mỗi mẫu của tập dữ liệu thử nghiệm được dự đoán bởi tất cả các cây quyết định và kết quả phân loại cuối cùng được trả về tùy thuộc vào kết quả đánh giá của các cây này.

33

Hình 3.2. Quá trình xây dựng thuật toán rừng ngẫu nhiên RandomForest

Tập dữ liệu huấn luyện ban đầu: S = {f (xi; yj); i=1;2;…;N; j=1;2;…;M}, với x là một mẫu đại diện và y là một thuộc tính(feautre) đại diện của S. Cụ thể, tập dữ liệu đào tạo ban đầu chứa N mẫu và có M biến đặc trưng trong mỗi mẫu. Quy trình chính của việc xây dựng thuật toán RF được trình bày trong hình.

Các bước xây dựng thuật toán rừng ngẫu nhiên như sau:

Bước 1: lấy k mẫu con huấn luyện.

Trong bước này, k tập con huấn luyện được lấy mẫu từ tập dữ liệu huấn luyện ban đầu S theo phương pháp lấy mẫu bootstrap (bootstrap sampling). Cụ thể, N bản ghi được chọn từ S bằng phương pháp lấy mẫu và thay thế ngẫu nhiên trong mỗi lần lấy mẫu. Sau bước hiện tại, k tập con huấn luyện được xây dựng tạo thành một tập hợp các tập con huấn luyện STrain:

STrain = {S1; S2;…; Sk}.

Đồng thời, các bản ghi không được chọn trong mỗi giai đoạn lấy mẫu được tạo thành tập dữ liệu Out-Of-Bag (OOB). Theo cách này, k tập OOB được xây dựng tạo thành một tập hợp SOOB :

SOOB = {OOB1; OOB; …;OOBk},

34

Với k≪ N , Si ∩ OOBi = 𝜙 và Si ∪ OOBi = S. Để có được độ chính xác phân loại của từng cây, các bộ OOB này được sử dụng làm bộ kiểm tra sau quá trình huấn luyện.

Bước 2: Xây dựng mô hình cây quyết định.

Trong mô hình RF, mỗi cây quyết định (meta decision tree) được tạo bởi thuật toán C4.5 từ mỗi tập huấn luyện nhỏ Si. Trong quá trình sinh trưởng mỗi cây, m thuộc tính của tập Si sẽ được chọn ngẫu nhiên từ tập M. Trong quá trình phân tách mỗi nút (node) của cây, thuật toán xét tất cả các phép thử có thể để phân chia tập dữ liệu đã cho và chọn ra một phép thử có giá trị Gain Ratio tốt nhất. Gain Ratio là một đại lượng để đánh giá độ hiệu quả của thuộc tính dùng để thực hiện phép tách trong thuật toán để phát triển cây quyết định. Giá trị tốt nhất sẽ được chọn làm nút phân tách. Quá trình này lặp lại cho đến khi tạo ra nút lá. Cuối cùng, k cây quyết định được hình thành từ k tập con huấn luyện theo cùng một phương thức.

Bước 3: thu thập k cây vào trong một mô hình RF

𝑘

Toàn bộ k cây huấn luyện được thu thập vào một mô hình RF:

𝑖=1

𝐻(𝑋, 𝛩𝑖) = ∑ ℎ𝑖(𝑥, 𝛩𝑗), (𝑗 = 1,2, … , 𝑚),

Với hj(x, Θj) là số cây quyết định đại diện, X là là các vectơ thuộc tính đặc trưng đầu vào của tập dữ liệu huấn luyện, và Θj là một vectơ ngẫu nhiên độc lập và được phân phối giống hệt nhau để xác định quá trình tăng trưởng của cây.

Độ phức tạp của thuật toán

Độ phức tạp của thuật toán RF ban đầu là O(kMNlogN), với k là số lượng cây quyết định trong RF, M là số lượng thuộc tính, N là số lượng mẫu, và logN là ngưỡng trung bình độ sâu cây của toàn bộ các cây trong mô hình. Trong thuật toán cải tiến PRF, với phương pháp giảm chiều dữ liệu (có độ phức tạp là O(MN)), việc phân tách quá trình xử lý song song và phân chia các task trên Spark sẽ được thực hiện đồng thời trên các node. Quá trình phân chia và xử lý trên mỗi nút được gộp làm một, trong đó bao gồm các hàm tính toán như

35

entropy(), gain(), và gainratio() với mỗi không gian thuộc tính con đặc trưng. Theo đó, việc tính toán giảm chiều dữ liệu, sẽ giảm từ M xuống còn m (m << M). theo đó, độ phức tạp của quá trình huấn luyện phân lớp là 𝑂(𝑘(𝑀𝑁 + 𝑚𝑁𝑙𝑜𝑔𝑁)).

3.2. Giải thuật xử lý song song rừng ngẫu nhiên cho dữ

liệu lớn trong nền tảng Spark

Để xử lý dữ liệu với giải thuật Rừng ngẫu nhiên, đầu tiên, Spark sử dụng bộ dữ liệu phân tán linh hoạt (RDD) để đưa dữ liệu lên, phân chia và tạo một mô hình Đồ thị vòng có hướng (DAG) với để định hướng trình tự các bước xử lý trên bộ nhớ ram, sau đó các tiến trình xử lý được lập lịch và thực hiện các bước theo độ thị. Nền tảng Spark cho phép lưu trữ một bộ nhớ cache dữ liệu trong bộ nhớ và thực hiện tính toán và lặp lại cho cùng một dữ liệu trực tiếp từ bộ nhớ, tiết kiệm một lượng lớn thời gian hoạt động I / O của đĩa. Spark sẽ phù hợp hơn cho việc khai thác dữ liệu với tính toán lặp đi lặp lại. Thuật toán Rừng ngẫu nhiên (RF) là một thuật toán khai thác dữ liệu phù hợp cho dữ liệu lớn, là một thuật toán học được huấn luyện sử dụng không gian con đặc trưng để xây dựng mô hình. Hơn nữa, tất cả các cây quyết định đều có thể được huấn luyện đồng thời, thích hợp cho việc xử lý song song hóa, đặc biệt phù hợp với cơ chế xử lý đồng thời của Spark ML.

Ứng dụng giải thuật Rừng ngẫu nhiên xử lý song song (Parallel Random Forest) cho dữ liệu lớn được triển khai trên nền tảng Apache Spark. Thuật toán PRF được tối ưu hóa dựa trên phương pháp kết hợp kết hợp giữa tối ưu hóa xử lý dữ liệu song song và phân chia xử lý đồng thời các luồng giao việc. Để cải thiện độ chính xác khả năng phân loại của PRF, một phương pháp tối ưu hóa được đề xuất trước quá trình song song. Kết quả thử nghiệm mở rộng cho thấy tính ưu việt của PRF và lợi thế đáng kể so với các thuật toán khác về độ chính xác và hiệu suất phân loại cũng được cải thiện.

Các nội dung chi tiết trong phần này được tóm tắt như sau:

Phương pháp ứng dụng giảm chiều dữ liệu trong quá trình huấn luyện

và phương pháp gán trọng số trong quá trình trong quá trình dự đoán nhãn.

36

Phương pháp tiếp cận và xử lý song song của PRF, kết hợp tối ưu hóa xử lý dữ liệu song song và các tiến trình xử lý thuật toán đồng thời. Xử lý dữ liệu theo chiều dọc và phương pháp đánh giá cân bằng trọng số (weighted vote).

Cách thức hoạt động của Spark khi xử lý dữ liệu, tối ưu khi ứng dụng để xử lý. Cách thức xử lý dữ liệu của Spark, các bước huấn luyện theo DAG của PRF dựa theo các bước xử lý mô hình dữ liệu – sử dụng RDDs, các tiến trình được thực lập lịch và thực thi trong các bước đã được lập sẵn theo biểu đồ DAG. Việc thực hiện trên song song trên ram giữa các cụm Spark, xử lý đồng thời các tác vụ giúp giảm thiểu chi phí đường truyền, chi phí đọc ghi dữ liệu giữa các cụm của Spark, giúp cho cân bằng dữ liệu và tối ưu hóa thời gian xử lý.

3.2.1. Tối ưu hóa xử lý dữ liệu đồng thời.

Spark áp dụng Phương pháp tối ưu hóa xử lý dữ liệu đồng thời cho thuật toán PRF, bằng cách sử dụng phương pháp phân chia các vùng dữ liệu theo chiều dọc và phương pháp ghép dữ liệu đồng thời – chia và gộp.

Đầu tiên, căn cứ theo thuộc tính của thuật toán RF với các thuộc tính (features) đặc trưng độc lập và yêu cầu về tài nguyên của các tiến trình xử lý dữ liệu, một phương pháp về phân chia dữ liệu theo chiều dọc được sử dụng cho tập dữ liệu huấn luyện. Tập dữ liệu huấn luyện được chia nhỏ làm nhiều tập dữ liệu con với các thuộc tính độc lập, mỗi tập thuộc tính đó được phân bổ lại theo các cụm Spark để xử lý đồng thời theo phương pháp phân bổ dữ liệu tĩnh. Thứ hai, để giải quyết vấn đề về sự tăng trưởng khối lượng dữ liệu tuyến tính với sự gia tăng quy mô của RF, phương pháp ghép dữ liệu đồng thời được sử dụng thay cho phương pháp lấy mẫu thông thường. Phương pháp tối ưu hóa xử lý dữ liệu đồng thời cho thấy việc giảm khối lượng dữ liệu cần xử lý nhờ vào phân chia ra các cụm và việc Spark xử lý trên ram tối ưu hóa quá trình đọc ghi và không làm giảm độ chính xác của giải thuật. Việc gia tăng quy mô của PRF không làm thay đổi về kích thước và các vùng nhớ lưu trữ dữ liệu.

a. Phương pháp phân chia dữ liệu chiều dọc.

Trong quá trình xử lý PRF, quá trình xử lý các thuộc tính (features) dữ

liệu chiếm phần lớn thời gian huấn luyện.

37

Tập dữ liệu huấn luyện

Hình 3.3. Quá trình phân chia dữ liệu theo chiều dọc của các RDDs trong Spark

Tuy nhiên, quá trình này chỉ sử dụng giá trị thuộc tính của tập huấn luyện và giá trị thuộc tính của tập mục tiêu. Do đó, để giảm khối lượng dữ liệu và giảm chi phí đọc ghi, truyền dữ liệu trong môi trường phân tán, phương pháp phân chia dữ liệu theo chiều dọc cho PRF sử dụng tính độc lập của các thuộc tính và yêu cầu về tài nguyên khi xử lý đồng thời tại các cụm Spark. Các tập dữ liệu với các thuộc tính ban đầu sẽ được chia thành các tập dữ liệu nhỏ hơn với các thuộc tính độc lập.

Giả sử kích thước của tập dữ liệu huấn luyện S là N, có M thuộc tính (features) với mỗi bản ghi. y0 ~ yM-2 là số lượng thuộc tính đầu vào, yM-1 là thuộc tính mục tiêu. Với mỗi thuộc tính yi và biến thuộc tính yM-1 của tất cả các bản ghi được chọn và tạo thành một tập con thuộc tính đặc trưng FSj, được biểu diễn dưới dạng:

38

𝐹𝑠𝑗 =

< 0, 𝑦0𝑗, 𝑦0(𝑀−1) >, < 1, 𝑦1𝑗, 𝑦1(𝑀−1) >, … , < 𝑖, 𝑦𝑖𝑗, 𝑦𝑖(𝑀−1) >, … , < (𝑁 − 1), 𝑦(𝑁−1)𝑗, 𝑦(𝑁−1)(𝑀−1) >] [

Trong đó, i là chỉ số của mỗi bản ghi của tập dữ liệu huấn luyện S, và j là chỉ số của các thuộc tính hiện tại. Theo cách đó, tập S được phân tách thành ( M-1 ) tập con với thuộc tính đặc trưng trước khi đưa vào xử lý giảm chiều dữ liệu. Với mỗi tập dữ liệu con, sẽ được Spark đưa vào một đối tượng dạng RDD và độc lập với các tập dữ liệu con khác. Quá trình phân chia các vùng dữ liệu theo chiều dọc được mô tả theo hình 2.14.

b. Phương pháp ghép dữ liệu đồng thời.

Việc tăng trưởng dữ liệu về cả khối lượng và thuộc tính đầu vào luôn là vấn đề lớn đối với mọi thuật toán bao gồm cả thuật toán rừng ngẫu nhiên, việc tăng trưởng dữ liệu dẫn đến việc thuật toán RF cũng sẽ tăng trưởng về độ sâu, độ rộng của rừng. Để giải quyết vấn đề tăng trưởng về khối lượng dữ liệu mẫu khi huấn luyện, Spark sử dụng cơ chế ghép dữ liệu đồng thời để xử lý thay cho phương pháp lấy mẫu truyền thống. Trong mỗi chu kỳ lấy mẫu, thay vì sao chép lại toàn bộ dữ liệu mẫu, tiến trình xử lý sẽ lưu lại chỉ mục của tập dữ liệu mẫu vào bảng Data-Sampling-Index (DSI). Sau đó bảng DSI sẽ phân bổ lại cho tất cả các nút phụ (slave node) cùng với tập con thuộc tính (features). Các công việc tính toán xử lý trong quá trình huấn luyện của mỗi cây quyết định sẽ tải dữ liệu tương ứng từ một tập con thuộc tính thông qua bảng DSI. Do đó, với mỗi tập con thuộc tính sẽ được sử dụng lại một cách hiệu quả và độ lớn của tập dữ liệu đầu vào khi huấn luyện sẽ không bị ảnh hưởng tại mỗi node, trong khi quy mô của RF vẫn được mở rộng.

Chỉ mục dữ liệu của tập dữ liệu huấn luyện

3 8 5 10 0 … 1 Mẫui

u ẫ m y ấ l

4 1 9 7 8 … 2 Mẫu1

n ầ l

1 12 92 2 5 … 9 Mẫu2

ố S

8 87 62 0 2 … 3 Mẫu3

39

… … … … … … …

9 1 4 43 3 5 … … Mẫuk-1

Bảng 3-1: Ví dụ về DSI của PRF

Đầu tiên, một bảng DSI được tạo để lưu các chỉ mục dữ liệu được tạo trong tất cả các lần lấy mẫu. Như đã đề cập trong Phần 2.3.1, số cây của mô hình RF là k. Cụ thể, sẽ có k lần lấy mẫu cho tập dữ liệu huấn luyện và N chỉ mục dữ liệu được ghi lại trong mỗi lần lấy mẫu. Một ví dụ về bảng DSI của PRF được trình bày trong Bảng sau:

n o c

h n í t c ộ u h t

t e s b u s e r u t a e F

p ậ T

o i t a R n i a G

n ấ u h h n ì h

F R P n ệ y u l

ô M

Thứ hai, bảng DSI được sử dụng đồng thời cho tất cả các nút phụ (slave node) của cụm Spark với toàn bộ các thuộc tính con. Trong quá trình huấn luyện tiếp sau, độ đo Gain Ratio được sử dụng để tính toán và đánh giá sự khác biệt giữa các cây có cùng thuộc tính, sau đó chuyển lại giá trị đó cho các slaves nơi đang lưu trữ các tập dữ liệu con.

Hình 3.4. Quá trình xử lý ghép dữ liệu đồng thời của PRF

Thứ ba, mỗi Gain Ratio sẽ được tiến trình Spark sử dụng để truy cập các chỉ mục dữ liệu liên quan từ bảng DSI và lấy các bản ghi thuộc tính từ cùng

40

một nhóm các thuộc tính theo các chỉ mục này. Quá trình ghép dữ liệu đồng thời này được mô tả trong hình 15.

Trong hình trên, mỗi RDDFS được đưa vào một đối tượng thuộc tính con RDD, và với mỗi TGR được để tính gain-ratio. VD, Spark phân bổ các công việc (tasks) {TGR1.1, TGR1.2, TGR1.3} vào node Slave1 với tập thuộc tính con RDDFS1, phân bổ công việc {TGR2.1, TGR2.2, TGR2.3} vào node Slave2 với tập thuộc tính con RDDFS2 và phân bổ công việc {TGR3.1, TGR3.2, TGR3.3} vào node Slave3 với tập thuộc tính con RDDFS3. Theo thuật toán cây quyết định, các công việc thực thi trên cùng một nút phụ sẽ thuộc về các cây khác nhau. VD: các công việc thực thi trên Slave1 là TGR1.1, TGR1.2 và TGR1.3 sẽ thuộc về “Decision Tree1”, “Decision Tree2”, và “Decision Tree3” theo một cách tương đối. Các đầu công việc này (tasks) thực hiện thu thập từ tập con các thuộc tính (features subset) theo các chỉ số tương ứng trong bảng DSI và tính toán gain-ratio của tập thuộc tính cho các cây quyết định khác nhau. Sau đó kết quả trung gian của các đầu công việc (tasks) này được chuyển sử dụng làm đầu vào cho các công việc tiếp theo tương ứng để xây dựng, tạo nên xu thế cây chung của các quyết định. Kết quả của các đầu công việc tasks {TGR1.1, TGR2.1, TGR3.1} được kết hợp và sử dụng cho quá trình phân nhánh của cây quyết định “Decision Tree1”, và kết quả của các đầu công việc tasks {TGR1.1, TGR2.2, TGR3.2} được kết hợp và sử dụng cho quá trình phân nhánh của cây quyết định “Decision Tree2”.

c. Cơ chế phân bổ dữ liệu tĩnh

Để đạt được một cơ chế cân bằng khi lưu trữ và xử lý các đầu công việc, sau khi phân bổ dữ liệu theo chiều dọc, một cơ chế phân bổ dữ liệu tĩnh được sử dụng cho các tập thuộc tính con. Cụ thể, các tập con được lưu trữ vào một cụm Spark phân tán trước khi được đưa vào xử lý huấn luyện cho mô hình PRF. Hơn nữa, do sự khác nhau về kiểu dữ liệu và dung lượng của mỗi nhóm thuộc tính con, số lượng các tiến trình xử lý, khối lượng công việc xử lý tiếp sau cũng sẽ khác nhau. Như đã biết, cụm Spark được cấu thành bởi một nốt chính – master node và các node phụ - slave node. Spark ML sẽ sử dụng chức năng phân chia dữ liệu thành các tập con và giao lại cho từng nodes dựa theo khối lượng và độ lớn dữ liệu. Hình dưới sẽ trình bày về cơ chế phân bổ dữ liệu trong Spark:

41

Hình 3.5. Ví dụ về 3 kịch bản khi phân chia dữ liệu

Trong hình trên, trường hợp (a) kho khối lượng dữ liệu của tập thuộc tính con lớn hơn dung lượng đang có hiện tại của nút phụ, tập dữ liệu con này sẽ được phân chia vào nhiều slaves có đường dẫn tương tự. (b) Khi dung lượng của tập thuộc tính con tương đương với dung lượng đang có của nút phụ, thì tập con sẽ được cấp phát và lưu trữ trong một node. (c) Khi kích thước của một tập con nhỏ hơn dung lượng lưu trữ của một nút, nút đó sẽ được phân bổ chứa nhiều tập thuộc tính con. Trong trường hợp (a), việc tính toán gain-ratio sẽ được thực thi tại các nút phụ lưu trữ dữ liệu các tập thuộc tính con. Việc xử lý dữ liệu này là cục bộ trên toàn bộ các nút phụ có cùng một tập con thuộc tính dữ liệu lưu trữ, nhưng không phải là xử lý toàn bộ. Trong trường hợp (b) và (c), không có hoạt động giao tiếp của các tiến trình giữa các nút phụ khác nhau trong khi xử lý tính toán gain-ratio. Các bước phân chia dữ liệu theo chiều dọc và lưu trữ dữ liệu tính được trình bày trong mục 2.3.1.

Trong quá trình xử lý ứng dụng đã giới thiệu ở trên, đầu tiên, RDD0 được chia thành (M-1) đối tượng RDDFS thông qua xử lý phân chia dữ liệu theo chiều dọc – sử dụng key và các thuộc tính con. Sao đó, mỗi RDDFS được phân chia về các nút phụ với dung lượng để lưu trữ và xử lý tùy thuộc vào độ phù hợp của dữ liệu và nút phụ. Để sử dụng lại tập dữ liệu huấn luyện đã qua xử lý, mỗi đối tượng RDD của tập các thuộc tính con sẽ được phân bổ và cấp phát cho cụm Spark thông qua một hàm dataAllocation() và một hàm xử lưu trữ kết quả xử lý tạm thời persist().

Giải thuật 1: Phân vùng dữ liệu theo chiều dọc và phân bổ dữ liệu tĩnh

của PRF:

42

Input:

RDDo: một đối tượng RDD nguyên thủy của bộ dữ liệu ban đầu S

Output: LFS: một danh sách các chỉ số danh mục của mỗi nhóm đối tượng thuộc

tính con RDD và các nút phụ đã được phân bổ.

1: for j=0 to (M-2) do 2: 3: RDDFSj  RDDo.map <𝑖, 𝑦𝑖𝑗, 𝑦𝑖(𝑀−1)>  RDDo.verticalPartition(j);

end map.collect() slaves  findAvailableSlaves().sortbyIP(); if RDDFSj.size < slaves[0].availablesize then

4: 5: 6: 7: 8: slaves[i]. availablesize -

dataAllocation(RDDFSj , slaves[0]); slaves[0].availablesize  RDDFSj.size; LFS  < RDDFSj.id, slaves[0]:nodeid >;

′′ ) 

′

9: 10: else 11: 12: dataPartition(RDDFSj, , 𝑅𝐷𝐷𝐹𝑆𝑗

13: 14: .persist();

′

15:

.size;

16: 17:

while RDDFSj ≠ null do ′ (𝑅𝐷𝐷𝐹𝑆𝑗 slaves[i].availablesize)); dataAllocation(RDDFSj , slaves[i]); 𝑅𝐷𝐷𝐹𝑆𝑗 slaves[i].availabelsize  slaves[i]. availablesize - 𝑅𝐷𝐷𝐹𝑆𝑗 slavesids  slaves[i]:nodeid; ′′ RDDFSj  𝑅𝐷𝐷𝐹𝑆𝑗 i  i+1

end while LFS 

18: 19: 20: 21: else if 22: end for 23: return LFS.

43

3.2.2. Tối ưu hóa xử lý tiến trình đồng thời

Mỗi cây quyết định PRF dược xây dựng độc lập với nhau và mỗi nút con trong cây quyết định cũng được phân tách độc lập. Kiến trúc của mô hình PRF và cây quyết định giúp cho quá trình tính toán các đầu công việc trở nên đồng thời. Dựa trên kết quả của việc tối ưu hóa xử lý dữ liệu đồng thời, đề xuất phương án ứng dụng xử lý đồng thời các đầu việc của PRD và triển khai thông qua nền tảng Spark. Một tiến trình song song đồng thời được sử dụng trong quá trình huấn luyện PRF, và giản đồ công việc DAG cũng được khởi tạo theo các bước một cách song song hóa đồng thời các tiến trình xử lý và phụ thuộc vào các đối tượng RDD. Sau đó các tiến trình lập lịch được gọi để thực hiện các bước đã được tạo thành trên giản đồ DAG.

a. Quá trình xử lý đồng thời của PRF

Trong quá trình tối ưu các công việc xử lý đồng thời (task-parallel), SparkML sử dụng một phương pháp xử lý song song đồng thời để huấn luyện trong quá trình xây dựng PRF. Trong quá trình huấn luyện và xây dựng nhánh cây quyết định, ở mức đầu tiên, k cây quyết định của mô hình PRF được xây dựng cùng lúc. Và trong quá trình huấn luyện mô hình tiếp theo, (M-1) thuộc tính đặc trưng trong mỗi cây quyết định tiếp tục được tính toán đồng thời để tạo thêm ra các nút phân nhánh ở mức thứ hai.

Các task được tính toán xây dựng cây quyết định trong quá trình huấn luyện PRF. Căn cứ theo yêu cầu về tài luyện càn thiết và chi phí thực thi tính toán, các task thực thi sẽ được chia làm hai loại, các tác vụ tính toán gain-ratio và các task phân chia node, và được định nghĩa dưới đây.

Định nghĩa: Các tác vụ tính toán gain – ratio (Gain-ratio-computing task: TGR) là một tập hợp các tác vụ được sử dụng để tính toán gain-ratio từ các thuộc tính của một tập con các thuộc tính tương ứng, bao gồm một chuỗi các phép toán thực thi với mỗi thuộc tính đặc trưng, bao gồm tính entropy, quá trình tự phân tách thông tin, mức tăng trưởng bội quá thông tin và tỷ lệ tăng trưởng thông tin. Kết quả thực thi tác vụ TGR được gửi đến các nút con tương ứng.

Định nghĩa: các tác vụ phân chia nút (Node-splitting task: TNS) là một nhóm các tác vụ được sử dụng và thu thập kết quả của các tác vụ TGR và tách

44

ra thành các nodes của cây quyết định, bao gồm các phương thức tính toán cho mỗi nút của cây quyết định, như việc lựa chọn giá trị biến tốt nhất với gain- ratio cao nhất và sử dụng biến đó để phân tách nút cho cây. Sau quá trình phân chia node, kết quả của task TNS sẽ được phân chia cho từng nút phụ (slave) để bắt đầu bước tiếp theo của quá trình huấn luyện của PRF.

Các bước trong quá trình huấn luyện đồng thời của mô hình PRF được

diễn giải giải thuật sau:

Giải thuật 2: quá trình huấn luyện đồng thời của mô hình PRF. Input:

k: số cây quyết định của mô hình PRF; TDSI: bảng đồ thị các bước thực hiện DSI của PRF; LFS: danh sách các chỉ mục tập hợp các thuộc tính con của đối

tượng RDD và các nút phụ được phân chia. Đầu ra:

PRFtrained: mô hình PRF sau khi huấn luyện1.

load dữ liệu mẫu RDD(i;j)  (TDSI[i], RDDFSj); tính toán gain-ratio GR(i;j)  GR(RDD(i;j));

1: for i = 0 to (k - 1) do 2: 3: 4: 5: 6: 7: for j = 0 to (M - 2) do

tách node cây Nodej  < y(j;v); Value >; gắn thêm Nodej vào Ti;

load features subset RDDFSj  loadData(LFS[i]) //TGR: RDD(GR;best)  sc.parallelize(RDDFSj).map end map //TNS: RDD(GR;best).collect().sorByKey(GR).top(1); for với mỗi giá trị y(j,v) in RDD(GR;best) do end for

8: 9: 10: 11: 12: 13: end for 14: PRF 15: end for 16: return PRFtrained.

45

(a) Giản đồ DAG của một cây quyết định trong PRF

(b) một mô hình cây quyết định.

Hình 3.6. Ví dụ của task DAG cho một cây quyết định của PRF

Trong quá trình huấn luyện của mô hình PRF, phụ thuộc vào mỗi đối tượng RDD, mỗi job của quá trình huấn luyện PRF sẽ được chia nhỏ thành các bước, và sinh ra một giản đồ DAG phụ thuộc vào các bước đó. Đánh giá ví dụ của cây quyết định PRF, một giản đồ DAG của quá trình huấn luyện dữ liệu được hình thành, theo hình 2.17.

Trong một số task thực thi theo các bước của DAG, tương ứng với các phân cấp của mô hình cây quyết định. Trong bước 1, sau khi giảm chiều dữ liệu, có (m-1) TGR task được tạo (TGR1.0 ~ TGR1.(m-2)) cho (m-1) thuộc tính (features) đầu vào. Các TGR này sẽ tính toán gain ratio của biến thuộc tính, và đưa kết quả cho TNS1. TNS1 sẽ tìm các biến phân tách tốt nhất và thực hiện phân chia ra nút đầu tiên của nhánh cây quyết định. Giả sử với y0 là biến phân tách tốt nhất tại bước hiên tại, và giá trị của y0 nằm trong khoảng của {v01, v02, v03}, do đó, nút cây đầu tiên sẽ được xây dựng bởi y0 và 3 nút con được tách ra từ nhóm các node, theo hình 2.17(b). Sau khi phân tách các nút của cây, các kết quả trung gian của TNS1 sẽ được phân bổ về toàn bộ các nút phụ của Spark. Kết quả bao gồm thông tin của các biến phân tách và dữ liệu chỉ mục của danh sách {v01, v02, v03}.

46

Trong bước 2, vì y0 là một thuộc tính phân tách, nên sẽ không có task TGR cho FS0. Quá trình phân chia công việc ẩn sau vấn đề này sẽ được thảo luận trong phần thực hành. Một task TGR được tạo thành cho toàn bộ các thuộc tính con khác theo kết quả của TNS1. Do danh sách chỉ mục của nhóm nút này là {v01, v02, v03}, không tồn tại quá 3 tasks TGR cho mỗi nhóm thuộc tính con. Ví dụ, task TGR2:11, TGR2:12, và TGR2:13 được tính toán cho dữ liệu FS1 với dach sách chỉ mục tương ứng với v01, v02 và v03. Và điều kiện tương tự trong task cho FS2 ~ FS(m-2). Sau đó kết quả của tasks {TGR2.11, TGR2.21, TGR2.(m-2)1} được chuyển cho task TNS2.1 cho các cây con được phân tách giống nhau. Tasks của các nodes cây khác và các bước khác được thực hiện tương tự. Theo cách này, với mỗi giản đồ DAG của quá trình huấn huyện của mỗi cây mô hình quyết định được xây dựng. Thêm vào đó, có k giản đồ DAGs được xây dựng tương ứng với k cây quyết định trong mô hình PRF.

b. Lập lịch xử lý đồng thời

Sau khi xây dựng được biểu đồ task DAG của tất cả các cây quyết định, các bước tác vụ thực hiện (tasks) trong giảm đồ DAGs được đưa vào tiến trình lập lịch Spark. Có hai loại tác vụ tính toán trong DAG, một để xử lý trao đổi thông tin lấy tài nguyên theo yêu cầu, và một để xử lý song song hóa. Và để cải thiện hiệu năng của PRF một cách hiệu quả và giảm thiểu chi phí tài nguyên truyền dữ liệu của các task trong môi trường phân tán, Spark sử dụng hai bộ lập lịch đồng thời để thực hiện các task này, được gọi là nhóm các tiến trình lập lịch xử lý đồng thời. Tiến trình lập lịch xử lý đồng thời danh sách chỉ mục của mỗi nhóm các thuộc tính (features) con của đối tượng RDD và phân chia về các nút phụ.

Trong Spark, module Task-Scheduler-Listener giám sát các công việc đã được gửi lên, chia công việc thành các bước thực hiện với các nhiệm vụ khác nhau, sau đó gửi các nhiệm vụ này cho module Task-Scheduler. Module Task-Scheduler nhận các nhiệm vụ, phân bổ và thực thi thông qua các tiến trình xử lý công việc phù hợp (Spark - executor). Căn cứ theo các loại công việc cần thực hiện, Task-Scheduler bao gồm 3 module con là LocalScheduler (xử lý dữ liệu tại một nút có 1 driver – 1 executor), ClusterScheduler (module với cơ chế xử lý phân tán; lưu trữ vật lý theo từng nút của cụm và có 1 driver và 1 nút chứa nhiều executor), và MessosScheduler (module với cơ chế sử dụng cho PTDL lớn – mỗi cụm có nhiều executor và mỗi nút được chia 1 executor, trong

47

đó có 1 executor được sử dụng làm nút driver), với các phân bổ khác nhau, module Task-Scheduler sẽ xử lý khác nhau sử dụng các module con. Và sẽ có 5 cơ chế xử lý trong Spark như sau PROCESS LOCAL, NODE LOCAL, NO PREF, PACK LOCAL, và ANY. Quá trình sử dụng LocalScheduler cho các task TGR và ClusterScheduler thực hiện task TNS được trình bày sau đây.

(1) LocalScheduler với các task TGR.

Module LocalScheduler là một luồng tiến trình hoạt động cục bộ trên một máy, toàn bộ các task được đưa lên bởi DAGScheduler được thực thi trong các luồng tiến trình, và kết quả sẽ được trả về cho DAGScheduler. Việc gán thuộc tính cục bộ cho mỗi TGR là NODE_LOCAL và đưa chúng cho một module LocalScheduler. Trong LocalScheduler, toàn bộ TGR task của PRF sẽ được phân cho các nút phụ (slave nodes) nơi chứa các tập thuộc tính con tương ứng. Các task này là độc lập với nhau và không có sự đồng bộ phức tạp nào giữa các tiến trình. Và nếu một tập con thuộc tính được phân bổ cho nhiều nút phụ, task TGR tương tự với quá trình của mỗi cây quyết định phân chia các nút của cây. Và các tác vụ sẽ thực thi các hoạt động giao tiến về dữ liệu cục bộ xung quanh các nút này. Nếu một hoặc nhiều thuộc tính con được phân bổ cho một nút phụ, và các tác vụ TGR sẽ tăng lên tương ứng tại các nút hiện tại. Và sẽ không có hoạt động giao tiếp dữ liệu nào giữa các nút đang thực thi và các nút khác trong quá trình tính toán tiếp theo.

(2) ClusterScheduler với các task TNS.

Module ClusterScheduler giám sát quá trình cấp phát tài nguyên máy và các task trong toàn bộ cụm Spark và phân chia các task phù hợp cho các workers. Như đã đề cập ở trên, task TNS sẽ thu thập kết quả của các tác vụ TGR tương ứng và phân tách các nút của cây quyết định. Task TNS là độc lập với toàn bộ các tập con thuộc tính và có thể lập lịch và phân bổ các thuộc tính cho toàn bộ cụm Spark. Ngoài ra, các tác vụ TNS căn cứ theo kết quả của các tác vụ TGR tương ứng, do đó, sẽ có quá trình đợi và đồng bộ kết quả dữ liệu của các task này. Vì vậy module ClusterScheduler được sử dụng để thực thi tác vụ TNS. Đặt giá trị thuộc tính cục bộ của mỗi TNS là ANY và đưa lên một module ClusterScheduler. Lược đồ task lập lịch đồng thời (task-parallel) được mô tả trong Giải thuật 3. Sơ đồ lập lịch cho các task trong DAG được thể hiện trong hình 17.

48

Giải thuật 3: Lập lịch Task-parallel cho các task TNS. Input:

TSNS: một tập các nhiệm vụ của TNS được đưa lên thông qua

ERTS: kết quả thực thi của TSNS.

lấy thông tin về worker executora đang khả dụng từ workers; ERTS  executora.launchTask(Ti.taskid);

create starvationTimer  scheduleAtFixedRate(newTimerTask); đánh thứ tự độ ưu tiên của TS2  activeTSQueue.FIFO(); for each task Ti in TS2 do end for

DAGScheduler. Output: 1: khởi tạo manager  new TaskSetManager(TSNS); 2: thêm vào trình quản lý task activeTSQueue  manager; 3: if hasReceivedTask == false then 4: 5: 6: 7: 8: 9: 10: end if 11: return ERTS.

3.2.3. Phân tích phương pháp xử lý task đồng thời

Nội dung phần này sẽ đánh giá về phương pháp tối ưu hóa các mô hình đồng thời với 5 khía cạnh được đề cập theo 5 phần dưới. Khi so sánh Spark- MLRF với các phương pháp xử lý đồng thời khác, mô hình lai tối ưu hóa đồng thời kết hợp PRF đạt kết quả về hiệu suất, cân bằng tải, và có khả năng mở rộng.

49

Hình 2.17b. Quá trình lập lịch và thực thi task đồng thời dựa theo hình 2.17

a. Đánh giá độ phức tạp tính toán

Độ phức tạp khi tính toán đồng thời được với giải thuật PRF cải tiến sử dụng cơ chế giảm chiều dữ liệu có độ phức tạp ban đầu là O(k(MN+mNlogN)). Sau khi thực hiện song song hóa giải thuật PRF trên Spark, M thuộc tính của tập dữ liệu huấn luyện được tính toán đồng thời trong quá trình thực hiện giảm chiều dữ liệu, và k cây được huấn luyện đồng thời.

𝑘(𝑀𝑁+𝑚𝑁𝑙𝑜𝑔𝑁)

Theo đó, độ phức tạp tính toán theo lý thuyết của thuật toán PRF là:

𝑘 × 𝑀

𝑂 ( ) ≈ 𝑂(𝑁(𝑙𝑜𝑔𝑁 + 1))

50

b. Đánh giá khối lượng dữ liệu

Tận dụng phương pháp ghép kênh dữ liệu (data-multiplexing), dữ liệu sử dụng cho quá trình huấn luyện được sử dụng lại một cách hiệu quả. Giả sử khối lượng dữ liệu ban đầu là (N x M) và thang đo của mô hình RF là k, khối lượng của tập dữ liệu mẫu ban đầu của RF và Spark-MLRF khi xử lý theo phương pháp thông thường là (N x M x k). Trong quá trình huấn luyện đồng thời PRF, với khối lượng dữ liệu mẫu giữ nguyên, khối lượng dữ liệu cần xử lý trong quán trình huấn luyện là (𝑁 × 2 × (𝑀 − 1)) ≈ (2𝑁𝑀). Hơn nữa, việc tăng trưởng quy mô của PRF không làm thay đổi về kích thước dữ liệu hay bộ nhớ lưu trữ. Do đó, so với việc lấy mẫu của phương pháp RF cơ bản, phương pháp ứng dụng PRF giúp giảm tổng khối lượng cần xử lý trong quá trình huấn luyện cho PRF.

c. Đánh giá hiệu năng đường truyền dữ liệu

2𝑀𝑁

Trong PRF có một số tiến trình truyền tải dữ liệu phục vụ cho quá trình cấp phát tài nguyên và quá trình huấn luyện mô hình, hoạt động trong cụm dữ liệu Spark và giữa các slave. Giả sử có n slave trong cụm Spark, và khối lượng dữ liệu huấn luyện mẫu là (2NM). Trong quá trình cấp phát tài nguyên, chi phí cho

𝑛

đường truyền trung bình sẽ là . Trong quá trình huấn luyện mô hình PRF,

nếu một tập con thuộc tính được phân chia cho các nút trong cụm, sẽ có quá trình giao tiếp dữ liệu cục bộ của các task tính toán giữa các nút trong cụm. Nếu một hoặc vài tập thuộc tính con được phân chia vào cùng một nút, sẽ không có tiến trình giao tiếp của các task tính toán giữa các nút. Sẽ có một lượng nhỏ chi phí tài nguyên đường truyền được sử dụng để truyền tải thông tin cho các kết quả trung gian trong mỗi bước của quá trình huấn luyện cây quyết định. Việc phân vùng dữ liệu theo chiều dọc và phân chia dữ liệu tĩnh giúp tối ưu hóa đường truyền, giảm lượng dữ liệu cần truyền tải trong môi trường của cụm Spark, và khắc phục tình trạng nghẽn cổ chai của phương pháp xử lý song song truyền thống.

d. Đánh giá cân bằng tải và tài nguyên

Cơ chế huấn luyện của PRF trên toàn cụm Spark, sử dụng phương pháp tối ưu hóa đồng thời đã đạt được sự cân bằng về xử lý tài nguyên trong quá trình lưu trữ và phân chia công việc. Một lý do là đối với tập con các thuộc tính có kích thước khác nhau, sẽ có các task TGR với từng tập con. Sau đó việc phân phối công việc cho cụm Spark tùy thuộc vào khối lượng dữ liệu của từng tập con

51

thuộc tính. Một tập con thuộc tính với khối lượng dữ liệu lớn hơn khối lượng dữ liệu cho phép theo cấu hình của Spark executor sẽ được phân chia ra xử lý trên nhiều nút phụ (slave nodes). Và sẽ có TGR task tương đồng được lập lịch song song với các nút này. Một tập con thuộc tính với khối lượng dữ liệu nhỏ sẽ được phân bổ vào một nút phụ. Và cũng sẽ có TGR task tương đồng được lập lịch trên nút đó.

Một lý do khác nữa là với việc phân tách các nút của cây, tại các nút phụ (slave nodes) phân tách thuộc tính con sẽ đưa vào trạng thái chờ. Mỗi tập con thuộc tính được chia sẻ và sử dụng lại giữa các nút bởi tất cả các cây quyết định. Việc phân chia dữ liệu từ các cây quyết định cũng được chia đều cho các slave để thực thi, cho phép lưu trữ và dùng lại. Giúp cho việc cân bằng tải và tối ưu hóa về tài nguyên và thời gian trong quá trình xử lý.

e. Đánh giá khả năng mở rộng của thuật toán

Tính ổn định và khả năng mở rộng của giải thuật PRF được đánh giá theo 3 khía cạnh. (1) Việc xử lý dữ liệu với phương pháp ghép kênh dữ liệu của PRF giúp cho quá trình huấn luyện có thể sử dụng lại tối đa và hiệu quả. Khi PRF mở rộng, cụ thể là tăng trưởng về số lượng cây quyết định, dữ liệu và vùng lưu trữ không tăng lên. Sẽ chỉ có sự tăng trưởng về số task tính toán cho các cây mới và chi phí cho một lượng dữ liệu nhỏ để sử dụng cho quá trình tổng hợp và truyền dữ liệu giữa các bước trung gian của các task. (2) khi cụm Spark mở rộng, chỉ có một số tập con thuộc tính chiếm nhiều dung lượng cần san sang các nút (nodes) máy tính mới để đảm bảo cân bằng tải về tiến trình xử lý và lưu trữ. (3) khi quy mô của tập dữ liệu tăng lên, chỉ cần tách các tập thuộc tính con đặc trưng từ dữ liệu mới theo cùng một cách phân vùng dữ liệu theo chiều dọc và đưa thêm vào tập dữ liệu ban đầu tương ứng. Do vậy, PRF tối ưu hóa khi xử lý song song, có độ ổn định và khả năng mở rộng tốt.

3.3. Kmeans, tối ưu hóa xử lý Kmeans với Spark.

Thuật toán K-means cũng là một thuật toán quan trọng và được sử dụng phổ biến trong kỹ thuật phân cụm. Tư tưởng chính của nó là tìm cách phân nhóm các đối tượng ( objects ) cho trước vào K cụm ( K là số cụm và được xác định trước ) sao cho tổng bình phương khoảng cách giữa các đối tượng đến tâm nhóm ( centroid ) là nhỏ nhất.

52

(𝑡+1) = 𝑐𝑖

(𝑡)

Hình 3.7. Hình dạng cụm dữ liệu được khám phá bởi k-means

Nội dung thuật toán cụ thể như sau: Cho trước mạng lưới gồm N nút và số cụm k. Bước 1. Khởi tạo: Chọn ra ngẫu nhiên k nút làm trọng tâm {ci} i = 1, ..., k. Bước 2. Với mọi nút, tính khoảng cách giữa nó với các trọng tâm của các cụm. Gán nó vào cụm có trọng tâm gần nó nhất. Bước 3. Cập nhật lại các trọng tâm mới. 1 (𝑡)|

∑ 𝑥𝑗 𝑥𝑗∈𝑆𝑖

|𝑆𝑖 Bước 4. Lặp lại bước 2 và 3 cho đến khi không có sự thay đổi giữa các cụm

Thuật toán k-means trên được chứng minh là hội tụ và có độ phức tạp tính

toán là: 𝑂((3𝑛𝑘𝑑)τ𝑇𝑓𝑙𝑜𝑝)

Trong đó, n là số đối tượng dữ liệu, k là số cụm dữ liệu, d là số chiều, τ là số vòng lặp, Tflop là thời gian để thực hiện một phép tính cơ sở như phép tính nhân, chia,... Như vậy, do k-means phân tích phân cụm đơn giản nên có thể áp dụng đối với tập dữ liệu lớn.Tuy nhiên, nhược điểm của k-means là chỉ áp dụng với dữ liệu có thuộc tính số và khám phá ra các cụm có dạng hình cầu, k-means còn rất nhạy cảm với nhiễu và các phần tử ngoại lai trong dữ liệu. Hơn nữa, chất lượng phân cụm dữ liệu k của thuật toán k-means phụ thuộc nhiều vào các tham số đầu vào như: số cụm k và k trọng tâm khởi tạo ban đầu. Trong trường hợp các trọng tâm khởi tạo ban đầu mà quá lệch so với các trọng tâm cụm tự nhiên thì kết quả phân cụm của k-means là rất thấp, nghĩa là các cụm dữ liệu được khám phá rất lệch so với các cụm trong thực tế. Trên thực tế chưa có một giải pháp tối ưu nào để chọn các tham số đầu vào, giải pháp thường được sử dụng nhất là thử nghiệm với các giá trị đầu vào k khác nhau rồi sau đó chọn giải pháp tốt nhất.

53

Hình 3.8. Thuật toán Kmeans trong Spark

Khi xử lý phân cụm, dữ liệu đầu vào được đưa lên các RDDs , các RDDs này tương ứng được phân chia đồng thời vào các tasks và xử lý. Sau đó tính toán độc lập các tâm cụm với nhau và cập nhật lại tâm cụm. Việc cập nhật lại tâm của k cụm được thực hiện đồng thời và riêng biệt giữa các RDDs, sau đó, sẽ có một giản đồ DAGs được hình thành, với các bước cần thực hiện, khi có có quả tổng hợp, dữ liệu được xáo trộn và tính toán lại giữa các cụm được chuyển về cho Spark master, Spark master thực hiện tính toán lại tâm cụm và chuyển lại các task tính toán dữ liệu cho các Spark slave, quá trình này lặp lại tương ứng cho đến khi không còn thay đổi giữa các tâm cụm và trả ra dữ liệu kết quả.

Việc tối ưu các bước thực thi trong việc song song hóa quá trình xử lý và ghép dữ liệu trên Spark, hỗ trợ trong quá trình xử lý đồng thời dữ liệu lớn.

Theo [17] và [18], các độ đo chất lượng phân cụm được phân thành 3

loại là:

54

Đánh giá trong (internal evaluation): Kết quả phân cụm được đánh giá dựa trên chính dữ liệu được phân cụm bằng cách sử dụng các đại lượng đánh giá sự gắn kết cụm như mật độ ( density), khoảng cách giữa các phần tử bên trong cụm hay khoảng cách giữa các cụm với nhau, ... Hướng tiếp cận của loại này dựa trên tiêu chí: các thuật toán phân cụm tốt là các thuật toán tạo ra các cụm mà các phần tử bên trong mỗi cụm có độ tương tự với nhau lớn và độ tương tự với các phần tử bên ngoài nhỏ.

Đánh giá ngoài (external evaluation): Kết quả phân cụm được đánh giá dựa tập dữ liệu chuẩn(mẫu) đã được phân từ trước đó, còn được gọi là tập benchmark. Hướng tiếp cận của loại này đánh giá mức độ tương đồng giữa việc phân cụm bởi thuật toán với tập dữ liệu benchmark.

Đánh giá quan hệ (relative evalution): Đánh giá việc phân cụm bằng cách so sánh nó với các kết quả phân cụm khác được sinh ra bởi cùng thuật toán nhưng với các giá trị tham số khác nhau.

Việc đánh giá số cụm tốt nhất có thể kể đến một số chỉ số như Độ đo bóng (Silhouette), độ đo Davies – Bouldin, độ đo Dunn, độ đo Modularity... Trong quá trình thực hiện đề tài này, sẽ chỉ sử dụng độ đo Davies – Bouldin.

Độ đo Davies – Bouldin (DB)

Độ đo Davies-Bouldin được tính theo công thức theo [15]:

𝑛

𝐷𝐵 =

∑ 𝑀𝑎𝑥𝑖≠𝑗

1 𝑛

𝑖=1

𝜎𝑖 + 𝜎𝑗 𝑑(𝑐𝑖, 𝑐𝑗)

Trong đó: n là số cụm.

cx là trọng tâm của cụm x

σx là trung bình khoảng cách của tất cả các phần tử trong cụm x tới trọng tâm cx

d(ci , cj) là khoảng cách giữa hai trọng tâm của cụm i và j.

Giá trị DB càng nhỏ thì chất lượng phân cụm càng tốt.

Nhận xét: Do k-means phân tích phân cụm đơn giản nên có thể áp dụng đối với tập dữ liệu lớn. Nhưng k-means còn nhiều mặt hạn chế như: k-means chỉ áp dụng với dạng dữ liệu có thuộc tính số và có dạng hình cầu, k-means còn rất nhạy cảm với nhiễu và các phần tử ngoại lai trong dữ liệu. Ngoài ra, chất lượng phân cụm của thuật toán k-means phụ thuộc nhiều vào các tham số đầu vào như: số cụm k và k trọng tâm khởi tạo ban đầu. Trong trường hợp, các trọng tâm khởi tạo ban đầu mà quá lệch so

55

với các trọng tâm cụm tự nhiên thì kết quả phân cụm của k-means là rất thấp, cụm dữ liệu được khám phá rất lệch so với các cụm trong thực tế.

56

Chương 4: Triển khai thực nghiệm

Chương 2 và Chương 3 đã trình bày các kiến thức cơ bản về các phương pháp học máy, nền tảng cơ sở dữ liệu ứng dụng. Giới thiệt về việc việc ứng dụng sử dụng Spark để triển khai Parallel Random Forest và Kmeans, đánh giá về giải thuật và tối ưu hóa. Giới thiệu về cơ sở dữ liệu khách hàng 360 độ, được sử dụng làm nền tảng cho quá trình thực hiện đề tài, kèm theo là giới thiệu về các thuật toán sử dụng trong quá trình thực hiện đề tài. Chương 4 sẽ giới thiệu chi tiết hơn về quá trình thực hiện đề tài;

4.1. Cơ sở dữ liệu Khách hàng 360 độ

Các công ty sử dụng và xây dựng nền tảng Cơ sở dữ liệu quy mô lớn – kho dữ liệu lưu trữ BigData nhằm mục tiêu nắm bắt và có cái nhìn tổng thể về hành trình của khách hàng. Mục tiêu của nền tảng dữ liệu là để hiểu hành vi của khách hàng và ảnh hưởng đến sự hài lòng của khách hàng, thúc đẩy khách hàng tương tác nhiều hơn. Do hành vi khách hàng tại từng thời điểm là khác nhau, từ thời điểm khách hàng mới sử dụng dịch vụ cho đến khi khách hàng rời bỏ dịch vụ, hay từ khi khách hàng mua sản phẩm đầu tiên cho đến khi khách hàng sử dụng sản phẩm phụ kiện thứ hai… dữ liệu theo đó trải rộng khắp các nơi, rải rác ở nhiều dịch vụ và lưu trữ ở nhiều hệ thống khác nhau và không có sự liên kết rõ rệt. Do đó, thách thức là liên kết thông tin khách hàng của nhiều dịch vụ, tại nhiều địa điểm và thông qua các chuỗi chu kỳ thời gian khác nhau để có thể nắm bắt được thông tin, hành vi khách hàng, đưa ra các sản phẩm điều hướng hoặc sản phẩm theo mong muốn dịch vụ của khách hàng. Cần có cái nhìn 360 độ về toàn bộ hành trình khách hàng thông qua các thuộc tính được xây dựng từ hiểu biết của nhà cung cấp dịch vụ về khách hàng. Việc xây dựng cơ sở dữ liệu này phải đảm bảo linh hoạt, nhanh và có thể mở rộng để hỗ trợ các mẫu mới khi có thay đổi về bối cảnh dữ liệu của bạn phát triển.

Dữ liệu đầu vào của cơ sở dữ liệu khách hàng 360 được tổng hợp từ các nguồn: Server logs, Web pages, Web hyperlink, dữ liệu thị trường trực tuyến và các thông tin khác...

Web logs(dữ liệu đăng nhập Web): Khi người dùng duyệt Web, dịch vụ sẽ phân ra 3 loại dữ liệu đăng nhập: sever logs(dữ liệu đăng nhập trên server), error logs(dữ liệu đăng nhập lỗi), và cookie logs(thông số của từng người dùng

57

truy cập Wepsite). Thông qua việc phân tích các tài liệu đăng nhập này ta có thể khám phá ra những thông tin truy cập.

Web pages: Hầu hết các phương pháp KPDL Web được sử dụng trong

Web pages là theo chuẩn HTML.

Web hyperlink structure: Các trang Web được liên kết với nhau bằng các siêu liên kết, điều này rất quan trọng để khai phá thông tin. Do các siêu liên kết Web là nguồn tài nguyên rất xác thực.

Dữ liệu thị trường trực tuyến: Như lưu trữ thông tin thương mại điện tử

trong các site thương mại điện tử.

Các thông tin khác: Chủ yếu bao gồm các đăng ký người dùng, nó có

thể giúp cho việc khai phá tốt hơn.

Giải pháp Kho dữ liệu Khách hàng 360 độ được xây dựng qua việc thu thập dữ liệu từ hành trình của khách hàng trong thời gian quá khứ. Cho phép nhà cung cấp dịch vụ có được các hành vi chi tiết nhất về khách hàng của mình, hỗ trợ tối đa hóa dịch vụ và cung cấp cho khách hàng dịch vụ tốt nhất theo mong muốn của khách hàng.

Việc xây dựng được bắt đầu từ khâu đánh giá các số liệu của đơn vị kinh doanh và từ các nguồn dữ liệu đang có hiện tại. Xây dựng và đánh giá bộ giả thiết, từ đó tạo nên các thuộc tính dữ liệu để đưa vào phân tích và đưa vào model.

STT Giả thuyết Tính sẵn có dữ liệu

1 Có

2 Có

3 Có

4 Có

5 Khách hàng sử dụng trên 12 tháng có tỉ lệ rời mạng thấp hơn Khách hàng từng đóng cước trước lớn hơn 1 tháng có tỉ lệ rời mạng thấp hơn Khách hàng có hành vi truy cập truy cập web của đối thủ tháng cuối trước khi bị chặn 1 chiều Khách hàng có hành vi truy cập Hotline của đối thủ tháng cuối trước khi bi chặn 1 chiều Khách hàng giảm lưu lượng truy cập Internet tại tháng cuối trước khi bị chặn 1 chiều Có

58

6 Có

Khách hàng nhận được cuộc gọi CSKH của đối thủ tháng cuối trước khi bị chặn 1 chiều Khách hàng có lưu lượng sử dụng 3G/4G nhiều tại một địa điểm vào buổi tối

7 8 Số lượng thiết bị truy cập vào Modem thay đổi 9 Số lượng ngày Modem bật máy bị giảm Có Có Chưa có

10 Có

Khách hàng có gọi điện cho CSKH tháng cuối trước khi bị chặn 1 chiều Khách hàng có gọi điện cho nhân viên phụ trách tháng cuối trước khi bị chặn 1 chiều

11 12 Khách hàng Internet đơn lẻ, có tivi hiện đại Có

13

14

15

16

Khách hàng Internet có số lượng IP thiết bị truy cập modem trong ngày lớn (đặc biệt thời điểm 20h-0h) Khách hàng Internet có phát sinh lưu lượng data lớn (thời điểm 20h -0h) Khách hàng Internet có lưu lượng sử dụng của đường truyền theo khung giờ thường xuyên đạt max tốc độ gói HGĐ >2 người, có dùng di động, Internet đơn lẻ, thường xuyên gọi điện cho nhau, có sử dụng nhiều data có bán them được gói FMC hay không? Địa chỉ thiết bị có nhiều máy truy cập cùng lúc và là quán cafe/nhà hàng/ văn phòng ...

17 18 Hộ gia đình đã có TH bán thêm gói FMC Có

19 Có

Khách hàng truy cập vào URL liên quan đến dịch vụ Internet của Viettel và đối thủ Khách hàng liên hệ/ được liên hệ từ hotline dịch vụ FTTH của Viettel và đối thủ

20 21 Khách hàng sử dụng data và mất phí ngoài gói cao Có Có

22 Chưa có

23

Khách hàng sử dụng dịch vụ của đối thủ đến hạn đóng cước Khách hàng đang sử dụng dịch vụ ADSL có khả năng phát triển thành thuê bao FTTH Bảng 4-1: Danh mục thuộc tính đánh giá xây dựng C360

Việc xây dựng bộ cơ sở dữ liệu với 160 features thuộc tính và có hơn 400 features chi tiết (tham khảo phụ lục 1), giúp định hình rõ đối tượng khách hàng và củng cố kết quả tốt hơn cho các mô hình học máy. Hỗ trợ củng cố kết quả đầu ra. Với dữ liệu chi tiết khoảng 15 triệu bản ghi dữ liệu đầu vào, việc sử dụng nền tảng cơ sở dữ liệu C360 để khai thác và ứng dụng là điều thiết yếu

59

trong quá trình ứng dụng Phân tích dữ liệu vào thực tế. Chi tiết dữ liệu sử dụng và quá trình huấn luyện mô hình sẽ được trình bày trong Chương 3

4.2. Mô hình ứng dụng

Hình 4.1. Quá trình kết hợp K-Means và RandomForest

Phần này sẽ giới thiệu về quá trình huấn luyện và quá trình kiểm định, theo hình 3.1. Trong quá trình huấn luyện ban đầu, một tập lớn dữ liệu được phân nhóm bằng cách đưa vào quá trình phân cụm sử dụng K-Means. Sau đó, từ k cụm dữ liệu Kmeans này sẽ được sử dụng làm k nhóm đầu vào sử dụng huấn luyện cho mô hình PRF. PRF sẽ thực hiện việc lựa chọn ngẫu nhiên các tập thuộc tính (features) con để huấn luyện và đánh trọng số, sau đó tạo thành n tập mẫu con có đặc trưng riêng, tương ứng với k cụm dữ liệu được tạo. Tiếp theo đến quá trình kiểm định và đánh giá mô hình, PRF sẽ thực hiện đồng thời hóa việc xây dựng các cây quyết định con tương ứng, sau đó tạo ra các phân lớp theo thứ tự trọng số của các tập thuộc tính con, chọn ngẫu nhiên ra tập thuộc tính con để đánh giá tỷ lệ nhãn so với các tập con còn lại. Trong quá trình

60

này, đối với mỗi cây quyết định, các giá trị ngẫu nhiên được tạo ra, và cho đến bước cuối cùng, phân lớp dữ liệu tốt nhất sẽ được đưa ra căn cứ theo thuộc tính đa số.

Việc lựa chọn giải thuật PRF và Kmeans cho phép tối ưu hóa tài nguyên khi sử dụng nền tảng SparkML, tối ưu hóa thời gian xử lý cũng như giảm thiểu chi phí khi xử lý dữ liệu lớn phân tán. Với bộ dữ liệu đầu vào hơn 15 triệu bản ghi và hơn 684 thuộc tính tương ứng của một ID định danh. Không bao gồm các thuộc tính thông tin cơ bản – là các thuộc tính định danh của khách hàng. Các thuộc tính cơ bản trong được thể hiện trong bảng dưới, với mỗi thuộc tính hành vi trong bảng dưới sẽ được xử lý và tạo ra các thuộc tính dạng: Chuỗi thời gian theo tháng:

tháng n-1; tháng n-2; tháng n-3; 3 tháng gần nhất;

Theo delta tăng giảm:

delta tháng n-1 = (tháng n-1) - (tháng n-2); delta tháng n-2 = (tháng n-2) - (tháng n-3); delta tháng n-3 = (tháng n-3) - (tháng n-4)

Theo từng Quý

Quý_n = tổng số lần/giao dịch trong 3 tháng gần nhất = (tháng n-1 +

tháng n-2+tháng n-3)

Quý_n_1 = tổng số lần/giao dịch trong 3 tháng gần nhất = (tháng n-4

+ tháng n-5+tháng n-6)

Quý_n_2 = tổng số lần/giao dịch trong 3 tháng gần nhất = (tháng n-7

+ tháng n-8+tháng n-9) Delta giữa các Quý

Delta Quý = Quý_n - Quý n_1 Delta Quý_n_1 = Quý n_1 - Quý n_2

Tên trường

Chú thích

Nhóm trường

Kiểu dữ liệu

Numeric Numeric

Định danh khách hàng

Mã thuê bao ISDN Mã khách hàng Mã account gline Mã account ftth Tên khách hàng Tuổi khách hàng

sub_id isdn cust_id account_gline account_ftth name customer_age

Nominal Numeric Numeric Nominal Nominal

Tính độ lệch chuẩn STD theo chu kỳ từng tháng và quý.

61

Giới tính Ngày đăng kí sử dụng Ngày đầu tiên kết nối Ngày kết thúc Tháng cắt kết nối Tháng bị chặn 1 chiều Địa điểm lắp đặt Loại sản phẩm sử dụng Dịch vụ sử dụng Tuổi thuê bao Số tháng sử dụng Tình trạng hợp đồng Loại thuê bao usage_day_n

Numeric sex Nominal sta_datetime Nominal first_connect Nominal end_datetime Nominal end_month Nominal block_month Nominal register_province Nominal product_code Nominal telecom_service_name Nominal sub_age Nominal num_usage_month Nominal contract_status sub_type Nominal Số ngày phát sinh lưu lượng trong tháng Numeric

non_usage_day_n

Numeric

Số ngày không phát sinh lưu lượng trong tháng lớn nhất

non_usage_day_n

Numeric

Số ngày liên tục không phát sinh lưu lượng trong tháng lớn nhất

Numeric Numeric

no_prepaid_payment avg_amt_prepaid_payment

Số lần đóng cước trước Trung bình số tháng đóng cước trước

no_month_last_prepaid_payment Số tháng đóng cước trước gần nhất

Numeric

Hành vi Sử dụng dịch vụ cơ bản

amt_last_prepaid_paymnet reserve_prepaid_charge

Số tiền đóng cước trước gần nhất Số tháng tiền đóng cước trước còn lại

Numeric Numeric

no_month_prom_last_payment

Numeric

reserve_days_to_block

Numeric

no_days_to_churn

Số tháng khuyến mại cho lần đóng cước trước gần nhất Số ngày nợ cước đến ngày bị chặn 1 chiều Số ngày nợ cước đến ngày bị cắt dịch vụ Numeric

no_report_cskh_n

Numeric

Số lần phản ánh tới hệ thống CSKH trong tháng

no_call_cskh_n

Số lần gọi điện tới CSKH trong tháng

Numeric

Hành vi CSKH và phản ánh

no_staff_n

Numeric

Số lần gọi điện tới nhân viên phát triển khách hàng trong tháng

no_reason_n

Nội dung phản ánh nhiều nhất

Numeric

flag_change_province

flag đã từng thay đổi địa chỉ lắp đặt

Binominal

flag_change_techonology

flag đã từng nâng cấp hạ tầng

Binominal

flag_change_ftth_product

Binominal

flag đã từng thay đổi gói sản phẩm ftth đang sử dụng

Hành vi sử dụng hạ tầng

flag_change_th_product

Binominal

flag đã từng thay đổi gói sản phẩm th đang sử dụng

flag_fmc_product

flag đang sử dụng sản phẩm FMC

Binominal

62

flag_churn_order

flag yêu cầu hủy dịch vụ

Binominal

reason_id_churn fmc_product

Lí do hủy dịch vụ. Sản phẩm FMC sử dụng

Numeric Numeric

flag_use_duration_12month

flag khách hàng đã sử dụng trên 12 tháng Binominal

no_modem_active prepaid_last_datetime

Số ngày Modem bật trong tháng Tháng hết hạn đóng cước

Numeric Numeric

prepaid_last_datetime_prom

Numeric

Tháng hết hạn đóng cước trước + tháng được khuyến mại

flag_prepaid_1month

flag đã từng đóng trước chu kì 1 tháng

Binominal

flag_prepaid_3month

flag đã từng đóng trước chu kì 3 tháng

Binominal

flag_prepaid_6month

flag đã từng đóng trước chu kì 6 tháng

Binominal

Hành vi đóng cước

flag_prepaid_12month

flag đã từng đóng trước chu kì 12 tháng

Binominal

flag_sms_prepaid

Binominal

Flag có nhận được tin nhắn báo hết cước dịch vụ

flag_call_prepaid

Binominal

Flag có nhận được cuộc gọi báo hết cước dịch vụ

flag_nv_prepaid

Flag có nhân viên đến thu cước dịch vụ

Binominal

Bảng 4-2: Danh mục thuộc tính được sử dụng

Trong đó, mã thuê bao là id định danh của 1 bản ghi. Với mục tiêu tìm ra tập khách hàng có nguy cơ rời mạng, đánh giá và đưa ra chính sách phù hợp với từng phân nhóm khách hàng.

4.2.1. Quá trình Phân cụm dữ liệu huấn luyện:

Toàn bộ quá trình thực hiện thử nghiệm được thực hiện trên nền tảng Spark, với một cụm Spark gồm 1 nút (node) chính (Master) và 100 nút (node) phụ (Slaves). Cấu hình tại mỗi nút:

Hệ điều hành: Ubuntu 12.04.4 và Mỗi nút thực thi được cấu hình một CPU Pentium (R) Dual-Core 3,20GHz và bộ nhớ Ram 8GB. Tất cả các nút được kết nối bằng mạng Gigabit tốc độ cao và được cấu hình với Hadoop 2.5.0 và Spark 2.0.2. Thuật toán và giải thuật được thực hiện xây dựng trên nền tảng Scala 2.10.4. Sử dụng Zeppelin để tạo viết code, script và lấy thuộc tính, tăng tính linh hoạt trong quá trình xây dựng, sử dụng và tái sử dụng dữ liệu.

63

a. Phân nhóm/cụm khách hàng

Trong quá trình thực hiện phân nhóm khách hàng sử dụng KMeans, sử dụng độ đo DaviesBouldin để đánh giá số cụm phù hợp nhất, với số cụm tối thiểu là 4 (do nhóm khách hàng cơ bản ban đầu cần đánh giá nằm ở 4 phân khúc khách hàng). Với E là số cụm tối ưu.

E = evalclusters(X,'kmeans','DaviesBouldin','klist',[1:12])

Các thuộc tính sẽ căn cứ theo kinh nghiệm để lựa chọn ra các thuộc tính cho lần đầu tiên khi phân cụm, sau khi có thuộc tính lần đầu tiên; ta sử dụng thuộc tính được xếp hạng từ các cụm chạy mô hình rừng ngẫu nhiên để đánh giá.

Căn cứ theo đánh giá khi sử dụng độ đo Davies – Bouldin (DB), thực

2

3

4

5

6

7

8

9

hiện thử nghiệm lần lượt với số cụm và sử dụng độ đo DB đã nêu ở chương 3 ta có bảng sau:

10

11

12

K

Davies–Bouldin

0.63 0.74 0.89 0.91 0.88 0.94 1.00 0.99 0.88 1.09 1.09

Bảng 4-3: Giá trị DaviesBouldin

Sau khi sử dụng độ đo DaviesBouldin đánh giá với các giá trị thuộc tính dữ liệu đầu vào, thử nghiệm lần lượt từng số cụm, kết quả số cụm phù hợp nhất ứng dụng giải thuật K-Means là 10. Với việc đánh giá số lượng cụm và số lượng dữ liệu cần đánh giá – là số bản ghi của KH phát triển mới trong tháng tại mỗi cụm được chia như sau:

0

1

2

3

4

5

6

7

8

9

34876

1201

2107

1769

517

101

2337

4947

704

416

2583267 32302 82032 61519 11711 1725 106359 281188 20002 21584

Cụm Số lượng thuê bao rời mạng SLTB đang sử dụng dịch vụ

Bảng 4-4: Kết quả phân cụm

b. Đánh giá kết quả phân cụm:

64

Việc đánh giá kết quả phân cụm sẽ căn cứ theo các thuộc tính đã sử dụng để phâm cụm, sau đó hỗ trợ đưa ra các đặc điểm chung giữa các cụm để có các chính sách gắn tương ứng với các cụm. Đánh giá ngẫu nhiên các thuộc tính có tại mỗi cụm bằng cách so sánh các tâm cụm và độ tuổi trung bình, ta tạm chia độ tuổi ra làm 2 nhóm KH.

Cluster_0

Cluster_1

Cluster_2

Cluster_3

Cluster_9

Giá trị trung bình các thuộc tính ngẫu nhiên: usage_day_n

3.48

5.33

0.35

4.03

4.57

non_usage_day_n

1.18

0.35

0.62

1.43

0.97

usage_night_n

2.59

4.3

6.34

1.25

7.15

no_prepaid_payment

6.49

2.03

2.67

3.38

1.08

avg_amt_prepaid_payment

1.38

7,799.01

1.99

5,141.49

7,015.60

no_month_last_prepaid_payment

15.04

0.74

0.38

13.23

20.13

amt_last_prepaid_paymnet

60,003.98 65,645.89 76,525.54 120,106.92 134,622.28

reserve_prepaid_charge

60,268.09 65,782.48 76,731.32 118,093.22 133,608.60

no_month_prom_last_payment

5.01

4.74

5.65

3.13

6.02

reserve_days_to_block

1.10

0.01

0.01

7.91

1.10

no_days_to_churn

47.27

45.61

52.92

57.87

62.27

no_report_cskh_n

32.23

24.72

35.44

63.28

73.28

no_call_cskh_n

34.98

0.68

0.17

1.65

25.68

flag_change_province

0.96

0.41

0.04

0.02

0.05

flag_change_techonology

0.39

0.14

0.21

0.08

0.07

flag_change_ftth_product

0.05

0.01

0.01

0.05

0.05

flag_change_th_product

0.02

0.04

0.04

0.01

0.02

flag_fmc_product

0.01

0.00

0.00

0.01

0.01

flag_churn_order

0.74

0.21

0.28

0.75

0.77

no_modem_active

2.36

1.54

1.47

4.92

1.24

age

28.50 2618143

29.24 33503

36.40 84139

32.70 63288

32.90 22000

SL bản ghi

Nhóm KH dưới 40 tuổi:

Nhóm KH có độ tuổi trên 40 tuổi

65

Giá trị trung bình các thuộc tính ngẫu nhiên: usage_day_n

Cluster_4 Cluster_5 Cluster_6 Cluster_7 Cluster_8 2.71

3.18

2.63

3.44

3.05

non_usage_day_n

1.20

0.82

1.56

0.71

1.91

non_usage_day_n

1,527.45

7,954.27

1.29

1,401.84

5.12

no_prepaid_payment

5,938.54 23,788.83

224.35

2,727.05

14.33

avg_amt_prepaid_payment

270.19

159.32

261.83

74.32

98.01

no_month_last_prepaid_payment

8.38

2.47

6.20

2.01

6.34

amt_last_prepaid_paymnet

68,504.44 69,128.46 69,802.66 12,822.42 72,465.80

reserve_prepaid_charge

68,600.89 69,144.72 69,938.38

1.02 72,878.50

no_month_prom_last_payment

44,698.14 46,532.31 43,894.30

0.00 48,446.43

reserve_days_to_block

16

47

10

70

10

no_days_to_churn

55.65

90.13

95.63

124.22

55.84

no_report_cskh_n

no_call_cskh_n

no_staff_n

2,670.96 1,435.56 690.90

no_reason_n

258.35 5,834.13 23,586.71 0.06 1,680.95 14,147.57 3,695.27 3,643.28 4,495.25 40,672.46 38,309.58 35,767.14

0.65 0.98 4,300.80 8,197.68 46,575.51

flag_change_province

4,908.36 10,200.93 12,944.46

1,555.15

18.07

flag_change_techonology

14,360.23 11,546.19 12,296.76

1,418.13 14,332.91

flag_change_ftth_product

0.25

0.05

0.05

0.02

0.03

flag_change_th_product

0.24

0.04

0.04

0.04

0.07

flag_fmc_product

flag_churn_order

0.03 0.02

0.01 0.54

0.01 0.75

0.01 0.32

0.01 0.70

no_modem_active

age

6,221.33 12,953.91 16,688.80 58.60 108696

44.50 12228

54.80 1826

1,952.86 46.70 286135

3.24 42.50 20706

SL bản ghi

Bảng 4-5: Phân nhóm khách hàng trên 40 tuổi và dưới 40 tuổi

Các thuộc tính trong Bảng 4-5: Phân nhóm khách hàng trên 40 tuổi và dưới 40 tuổi là kết quả các thuộc tính đến hiện tại khi đưa vào đánh giá phân

66

cụm và thực hiện lặp lại nhiều lần mô hình ứng dụng kết hợp giữa K-Means và rừng ngẫu nhiên xử lý song song

Các cụm cơ bản cho thấy nhóm hành vi phân bổ theo độ tuổi và phân nhóm theo hành vi người dùng. Đánh giá thêm về số tháng đóng trước và đánh giá sự liên quan đến hành vi đóng trước của KH theo từng tháng.

4.2.2. Lựa chọn ngẫu nhiên các thuộc tính và đánh giá:

Việc sử dụng ngẫu nhiên các thuộc tính đánh giá nội dung thực hiện sẽ bao gồm việc đánh giá các đặc trưng mỗi cụm, đánh giá các thuộc tính (features) ảnh hưởng đến kết quả dữ liệu đầu ra đầu ra của việc phân nhóm khách hàng.

VD: khách hàng có độ tuổi lớn hơn hoặc bằng 58 (thuộc nhóm 6) tuổi sẽ có ít khả năng rời bỏ dịch vụ hơn các nhóm còn lại, có hành vi ổn định theo thời gian, sử dụng dịch vụ và đóng cước dài hạn, ít các dịch vụ phát sinh như đăng ký phim ngoài hoặc mua thêm các chương trình như K+.

Việc đánh giá các cụm dữ liệu đưa vào cây quyết định cần rõ ràng về nhãn sử dụng, rõ ràng về ngữ nghĩa dữ liệu và không bị mất cân bằng nhãn. Cụ thể - loại bỏ cụm dữ liệu cụm 0 do cụm này đang chưa thể hiện rõ rệt về thuộc tính dữ liệu.

Thực hiện đánh giá các thuộc tính có ảnh hưởng trên cụm 4 (12228), cụm 5 (1826), cụm 8 (20706) và cụm 9 (22000) do có số lượng bản ghi ít, thuộc tính hành vi khá rõ ràng, có thể đưa ra chính sách trực tiếp khi căn cứ vào kinh nghiệm triển khai thực tiễn. VD: Độ tuổi trung bình của cụm cụm 8 là độ tuổi 42, với số tháng đóng trước thấp, nhỏ hơn 6 tháng, số tháng đóng trước trung bình là 6 tháng. Với cụm 4, cụm 5, đã hết cước, cần đưa cho kinh doanh đánh giá hình thức tác động, đánh giá thêm một số thuộc tính có trọng số cao để hỗ trợ đưa ra quyết định.

Tiếp tục ứng dụng mô hình học máy và cắt ngưỡng triển khai với các

cụm 2, cụm 3, cụm 6 và cụm 7.

4.2.3. Thực hiện huấn luyện dữ liệu với mô hình Parallel

RandomForest

67

Việc huấn luyện dữ liệu sẽ được thực hiện đồng thời với toàn bộ các cụm dữ liệu đầu vào, sử dụng ma trận - confusion matrix để đánh giá và biểu đồ ROC để thể hiện.

Kết quả huấn luyện với các cụm như sau: Cụm 2:

Cụm 3:

Cụm 6

Cụm 7

68

Hình 4.2. Tỷ lệ độ đo theo ROC của các tập train, test và validation

Các biểu đồ thể hiện độ ROC theo hình 3.2. Cho thấy tỷ lệ giữa Precision

và Recall của mỗi cụm.

Accuracy Precision Recall

Giải thuật Mạng Neural PRF KNN

75.61% 74.22% 72.21%

81.86% 78.30% 76.80%

88.89% 88.45% 86.74%

Tổng thời gian huấn luyện là 1.5 tiếng cho toàn bộ quá trình, bao gồm quá trình huấn luyện, kiểm định và đánh giá lại mô hình, sau đó ghi kết quả đầu ra tổng hợp.

Bảng 4-6: So sánh tỷ lệ Accuracy giữa Precision, Recall

Việc đánh giá thời gian huấn luyện sẽ đánh giá theo 2 chiều, đầu tiên, đánh giá về thời gian huấn luyện một mô hình chạy đơn lẻ, sau đó đo thêm trung bình thời gian huấn luyện đồng thời toàn bộ các mô hình, và độ chênh lệch thời gian giữa các mô hình.

Giải thuật

Chạy toàn bộ các cụm

Độ chênh lệch

Chạy 1 cụm

Các mô hình KNN và PRF được thực hiện trên cùng một môi trường có cài đặt Spark, đối với mạng Neural, cài đặt Python trên một máy có cấu hình tương đương: Ram 32GB; CPU 3.2 ghz trên một máy. Việc so sánh về thời gian và cấu hình tương đương với Mạng Neuron là không hợp lý, do việc xây dựng, cài đặt và cấu hình cho giải thuật không tương đồng, môi trường không tương đồng, do mạng Neural xử lý trên một máy. Với Mạng Neural, chạy trên một máy với 1 cụm là 3240s, đồng thời toàn bộ các cụm là 24486s, độ chênh lệch giữa các lần thử là 190s.

69

358s

PRF KNN

2378s 2488s

4898s 6898s

482s

Bảng 4-7: So sánh thời gian chạy giữa KNN và PRF.

Việc xử lý dữ liệu của cụm Spark tính theo khả năng xử lý đồng thời có thể lên đến 800GB (100 nút phụ - slave node, 8GB Ram/node). Giúp cho quá trình tính toán cũng như đảm bảo đầu ra sản phẩm khi đưa vào triển khai thực tế.

Kết quả thực hiện lần 1 với mô hình học máy sử dụng rừng ngẫu nhiên

để đánh giá mức độ cắt ngưỡng phù hợp chung với toàn bộ các mô hình:

Tỷ lệ nhãn 0/1: 21.693/15.917.905

Sử dụng toàn bộ thuộc tính của C360 để huấn luyện và đưa ra tập kết

quả. Tương đương 1,2T dữ liệu xử lý đồng thời.

Hình 4.3. Important Feataures v1

Hình 3.3 cho thấy kết quả huấn luyện phân loại thuộc tính ban đầu; được sử dụng để phân loại thuộc tính và đánh giá nhóm các cụm thuộc tính. Gồm nhóm 30 thuộc tính có điểm trọng số ảnh hưởng lớn nhất đối với mỗi Key Id.

70

Hình 4.4. ROC - Receiver operating characteristic

Biểu đồ theo hình 3.4 đánh giá độ chính xác theo biểu đồ ROC thể hiện

độ phù hợp tập dữ liệu đầu ra sau quá trình huấn luyện.

Hình 4.5. Cumulative Gain

Biểu đồ AUROC – Cumulative Gain hình 3.5 cho thấy tính hiệu quả và độ phủ của model. Biểu đồ này sử dụng để đánh giá hiệu năng triển khai và đánh giá độ phủ sau triển khai. Sử dụng đánh giá về độ phủ và đánh giá về nhóm tiềm năng.

3.1. Đánh giá độ chính xác phân loại cho mô hình cây

khác nhau.

71

0.2

0.18

0.16

0.14

0.12

0.1

0.08

0.06

0.04

y c a r u c c A e g a r e v A

0.02

0

10

30

50

70

90 200 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400

PRF

SpartLib

DRF

RF

Decision tree

Để minh họa cho độ chính xác phân loại (accuracy) của PRF, các thí nghiệm được thực hiện cho các thuật toán khác nhau, bao gồm 3 thuật toán được so sánh: PRF,DRF (Dinamic Random Forest) [16], và RF, SparkLib MLRF [22]. Mỗi trường hợp liên quan đến độ đo khác nhau của cây quyết định. Kết quả thử nghiệm được trình bày trong hình 26.

Hình 4.6. Tỷ lệ độ chính xác trung bình của các mô hình cây khác

Hình 3.6 cho thấy độ chính xác phân loại trung bình của tất cả các thuật toán so sánh không cao khi số lượng cây quyết định bằng 10. Khi số lượng cây quyết định tăng lên, độ chính xác phân loại trung bình của các thuật toán này tăng dần và có xu hướng hướng tới một sự hội tụ. Độ chính xác phân loại của PRF trung bình cao hơn RF 8,9% và cao hơn 10,6% trong trường hợp tốt nhất khi số lượng cây quyết định bằng 1500. Cao hơn DRF trung bình 6,1% và cao hơn 7,3% trong trường hợp tốt nhất khi số lượng cây quyết định bằng 1300. Độ chính xác phân loại của PRF cao hơn so với Spark-MLRF trung bình 4,6% và 5,8% trong trường hợp tốt nhất khi số lượng cây quyết định bằng 1500. Do đó, so với RF, DRF và Spark-MLRF, PRF cải thiện độ chính xác phân loại đáng kể.

Độ chính xác phân loại của PRF trong tất cả các trường hợp đều cao hơn so với RF, DRF và Spark-MLRF rõ ràng cho từng quy mô dữ liệu. Độ chính xác phân loại của PRF cao hơn DRF trung bình 8,6% và cao hơn 10,7% trong trường hợp tốt nhất khi số lượng mẫu bằng 3.000.000. Độ chính xác phân loại của PRF cao hơn trung bình là 8,1% của Spark-MLRF và cao hơn 11,3% trong trường hợp tốt nhất khi số lượng mẫu bằng 3.000.000. Đối với Spark-MLRF, do phương pháp lấy mẫu cho từng phân vùng của tập dữ liệu, khi kích thước

72

của tập dữ liệu tăng lên, tỷ lệ lựa chọn ngẫu nhiên của tập dữ liệu tăng và độ chính xác của Spark-MLRF chắc chắn sẽ giảm. Do đó, so với RF, DRF và Spark-MLRF, PRF cải thiện độ chính xác phân loại đáng kể cho các quy mô khác nhau của bộ dữ liệu

4.3. Đánh giá hiệu suất:

Nhiều thí nghiệm khác nhau được xây dựng để đánh giá hiệu suất của PRF bằng cách so sánh với các thuật toán RF và Spark-MLRF về thời gian thực hiện, tốc độ xử lý, khối lượng dữ liệu và chi phí đường truyền trong quá trình huấn luyện dữ liệu.

4.3.1. Đánh giá thời gian xử lý với nhóm dữ liệu

Khi kích thước dữ liệu nhỏ (ví dụ: dưới 1,0GB), thời gian thực thi của PRF và Spark-MLRF cao hơn của RF. Lý do là cần có một thời gian cố định để gửi các thuật toán đến cụm Spark và cấu hình các chương trình. Khi kích thước dữ liệu lớn hơn 1,0GB, thời gian thực thi trung bình của PRF và Spark- MLRF nhỏ hơn của RF trong bốn trường hợp. Ví dụ: trong trường hợp dữ liệu lấy mẫu có tính rải rác, khi kích thước dữ liệu tăng từ 1,0 lên 500,0 GB, thời gian thực thi trung bình của RF tăng từ 19,9 lên 517,8 giây, trong khi của Spark- MLRF tăng từ 24,8 lên 186,2 giây và thời gian thực thi của PRF tăng từ 23,5 đến 101,3 giây. Do đó, thuật toán PRF trong quá trình thử nghiệm đạt được tốc độ xử lý nhanh hơn RF và Spark-MLRF. Khi kích thước dữ liệu tăng lên, hiệu quả càng dễ nhận thấy, đặc biệt là chi phí huấn luyện về dữ liệu và thời gian. Tận dụng tối ưu hóa việc xử lý đồng thời kết hợp song song, PRF đạt được những điểm mạnh đáng kể so với Spark-MLRF và RF về hiệu suất và thời gian xử lý.

4.3.2. Đánh giá thời gian xử lý với từng cụm

Hiệu suất của PRF trên nền tảng Spark đối với các quy mô khác nhau của các nút phụ được xem xét. Số lượng nút phụ (slave nodes) được tăng dần từ 10 lên 100. Do kích thước dữ liệu và nội dung dữ liệu huấn luyện khác nhau, thời gian Xử lý PRF trong mỗi trường hợp là khác nhau. Khi số lượng nút phụ tăng từ 10 lên 50, thời gian thực thi trung bình của PRF trong mọi trường hợp giảm đi một cách rõ rệt. Ví dụ, thời gian thực hiện trung bình của PRF giảm từ 405,4 xuống 182,6 giây trong trường hợp của cụm 7 và từ 174,8 xuống 78,3 giây trong trường hợp cụm 6. Để so sánh, thời gian thực thi trung bình của PRF

73

trong các trường hợp khác giảm ít rõ ràng hơn khi số lượng nút phụ (slave nodes) tăng từ 50 lên 100. Ví dụ: thời gian thực thi trung bình của PRF giảm từ 182,4 xuống 76,0 giây trong trường hợp cụm 3 và từ 78,3 xuống 33,0 giây trong trường hợp cụm 2. Điều này là do khi số lượng Spark Slaves lớn hơn số lượng thuộc tính của tập dữ liệu huấn luyện, mỗi tập hợp con tính năng có thể được phân bổ cho nhiều nút phụ, dẫn đến việc xử lý dữ liệu và trao đổi thông tin giữa các nút phụ tăng lên, ảnh hưởng đến thời gian thực thi PRF cũng tăng.

4.4. Đánh giá hiệu quả thực tế:

Việc sử dụng kết quả triển khai ứng dụng vào thực tế là điều cần thiết,

thay vì chỉ đo dựa trên các chỉ số precision, hay recall.

Hình 4.7. Phương pháp đo lường kết quả trong thực tế

CONTROL

TARGET

Chọn ngẫu nhiên; nhận được tin

Chọn bởi mô hình; nhận được

nhắn truyền thông

tin nhắn truyền thông

Thực hiện

truyền

Đánh giá tỷ lệ phản hồi truyền thông không có mô hình

Đánh giá tỷ lệ phản hồi truyền thông qua mô hình

thông

HOLD OUT

MODEL HOLD OUT

Chọn ngẫu nhiên; không nhận

Chọn bởi mô hình; không nhận

được tin nhắn truyền thông

được tin nhắn truyền thông

Không

truyền

Sử dụng đánh giá tỷ lệ phản hồi

Sử dụng đánh giá tỷ lệ phản hồi tự nhiên.

tự nhiên của tập được chọn bởi mô hình.

thông

Có huấn luyện Không huấn luyện

Theo [21], thực hiện chia các tập thử nghiệm ra làm 4 nhóm TB từ tập

sau khi huấn luyện, Tiếp tục phân chia thành các nhóm như hình 3.7:

74

Lấy ra hai tập Control Group và Hold Out: sử dụng để triển khai, theo dõi tỷ lệ tự nhiên, so sánh giữa việc áp dụng model vào triển khai so với chỉ số thực tế:

• Tập CG (Control Group): Tập lấy ngẫu nhiên số lượng 10% các cụm

triển khai để thử nghiệm

• Tập HO (hold out): lấy ra khối lượng ngẫu nhiên với cụm 2 – lấy ra mẫu 10% từ các cụm triển khai để đánh giá hiệu quả chương trình triển khai so với tỷ lệ tự nhiên

Với 2 tập Target và tập Model hold out: là tập tối ưu nhất của cụm – sử dụng 3 nhóm dữ liệu đánh giá tiềm năng là cụm 3, cụm 6, cụm 7 có chỉ số ROC tốt nhất để triển khai sau khi có phân tích và đánh giá, lấy theo tỷ lệ phản hồi (TakeUpRate) cắt ngưỡng theo lift charge – hình 24; cắt ngưỡng triển khai là 28%, tương đương với 896 nghìn, không bao gồm nhóm đã cắt bỏ riêng:

• Tập TG (target): sử dụng top 90% của tập 896 nghìn để đánh giá hiệu

quả mô hình trong thực tế.

• Tập MHO (model hold out): sử dụng top 10% của tập 896 nghìn để tách

riêng theo dõi tỷ lệ tự nhiên.

Hình 4.8. So sánh tỷ lệ triển khai thực tế TG và MHO

75

Hình 4.9. So sánh tỷ lệ triển khai thực tế MHO và HO

So sánh MHO và TG: Đánh giá hiệu quả của chương trình truyền thông

với nhóm có điểm cao được chọn bởi mô hình.

So sánh Control và TG: Đánh giá hiệu quả mô hình giữa việc thực hiện

truyền thông và không truyền thông.

Tỷ lệ triển khai trong thực tế đã chứng minh hiệu quả của mô hình kết hợp, theo Hình 4.8. So sánh tỷ lệ triển khai thực tế TG và MHO và Hình 4.9. So sánh tỷ lệ triển khai thực tế MHO và HO; hỗ trợ và đánh giá được kết quả của mô hình ứng dụng, kết quả triển khai khi áp dụng vào thực tế và hiệu quả khi thực hiện một chương trình. Tỷ lệ triển khai hơn so với nhóm không triển khai 1.7 lần. Ngoài ra cũng cho thấy việc đưa thông tin về nhóm thuộc tính quan trọng có hiệu quả, giúp cho việc triển khai trong thực tế đạt kết quả tốt.

76

KẾT LUẬN VÀ ĐỊNH HƯỚNG NGHIÊN CỨU TIẾP THEO

Trong luận văn đã đề xuất mô hình kết hợp giữa thuật toán phân cụm và rừng ngẫu nhiên song song. Với mục tiêu xử lý các vấn đề gặp phải trong quá trình khai phá dữ liệu lớn trong điều kiện thực tế, giải quyết vướng mắc gặp phải khi ứng dụng học máy vào quá trình sản xuất kinh doanh. Quá trình thực hiện ứng dụng mô hình học máy vào triển khai được lặp lại, trước tiên, thực hiện phân dữ liệu ra các cụm, sau đó, đưa dữ liệu các cụm vào mô hình PRF, kết hợp tối ưu hóa song song dữ liệu và xử lý đồng thời được thực hiện với nền tảng Apache Spark. Tận dụng lợi thế của việc tối ưu hóa song song dữ liệu, tập dữ liệu huấn luyện được sử dụng lại và khối lượng dữ liệu xử lý tại mỗi bước được giảm đáng kể. Kết quả mang lại từ việc tối ưu hóa xử lý đồng thời, chi phí đường truyền dữ liệu được giảm xuống một cách hiệu quả và hiệu suất của thuật toán được cải thiện rõ rệt. Sau khi thử nghiệm cho thấy tính ưu việt và điểm mạnh đáng chú ý của mô hình kết hợp giữa xử lý phân cụm và phân nhóm PRF so với các thuật toán khác về độ chính xác phân loại, hiệu suất và khả năng mở rộng.

1) Tính sáng tạo và khoa học: Sử dụng các mô hình, giải thuật học máy để giải quyết các vấn đề gặp phải trong thực tế. Kết hợp các mô hình để đưa ra mô hình học máy ứng dụng kết hợp giữa phân cụm và phân lớp dữ liệu, tìm ra nhóm dữ liệu có đặc trưng tương đồng, đánh giá dữ liệu dựa vào thuộc tính sau khi sử dụng kết hợp các mô hình học máy, nhằm nâng cao kết quả khi triển khai ứng dụng thực tế.

2) Tính ứng dụng: Sau khi có kết quả huấn luyện các mô hình, phân loại được nhóm dữ liệu tối ưu, từ đó ứng dụng vào quá trình thử nghiệm. Việc sử dụng kết quả mô hình ứng dụng vào thực tế đã được đánh giá, việc ứng dụng triển khai sẽ được lặp lại qua mỗi chu kỳ để đánh giá và nâng cao hiệu quả mô hình, loại bỏ các thuộc tính dữ liệu dư thừa không cần thiết, bổ sung dữ liệu và phân cụm khách hang chính xác hơn. Tìm ra nhóm khách hàng tiềm năng và đưa ra các nhóm dữ liệu tiềm năng để triển khai.

3) Tính hiệu quả:

77

Sau khi triển khai, mô hình được đánh giá là mang lại được kết quả rõ rệt, đặc biệt là việc tìm ra nhóm dữ liệu tiềm năng để triển khai, trả lời được thuộc tính của nhóm dữ liệu ít tiền năng, bổ sung vào phân tích và đánh giá, đưa dữ liệu cho nhóm kinh doanh để đánh giá và phân tích, bổ sung được thuộc tính dữ liệu mới để tối ưu hóa kết quả triển khai trong các chu kỳ sau. Tính hiệu quả của mô hình được trả lời bằng kết quả triển khai thực tế khi so sánh tỷ lệ phản hồi của mỗi nhóm: Target; Model Hold Out; Control; Hold Out được đề cập đến trong chương 3, mục 3.4.

4) Tính hoàn thiện: Việc hoàn thiện giải thuật nâng cao hiệu quả triển khai trong thực tế, được lặp đi lặp lại, quá trình thực hiện đề tài có thể đánh giá là toàn trình phát triển, xây dựng, tối ưu cho đến việc đánh giá kết quả. Cho phép tối ưu kết quả qua mỗi chu kỳ, các nhóm dữ liệu căn cứ theo tỷ lệ triển khai thực tế tốt, và các nhóm chưa tốt, đưa ra được phương án tối ưu cho các lần triển khai tiếp sau.

5) Nhược điểm: Các mô hình ứng dụng chưa phải là tối ưu, do vẫn có một số bước chưa sử dụng được mô hình và vẫn phải dựa vào ý kiến chủ quan của người có kinh nghiệm. Việc ứng dụng cũng chưa phủ được toàn bộ các nhóm dữ liệu và cần có nhân sự tham gia. Cần tối ưu hóa kết quả và nâng cao hiệu năng hơn.

Đối với giải thuật, việc tối ưu giải thuật khi sử dụng KMeans và RandomForest vẫn chưa thực sự đạt kết quả tốt khi chia nhóm, khi xây dựng ra bộ thuộc tính tối ưu. Cần đề xuất ra một giải thuật để lựa chọn thuộc tính có trọng số thay cho phương án lựa chọn bởi số đông, đặc biệt khi dữ liệu bị mất cân bằng. Chưa tái sử dụng được dữ liệu của các cây quyết định, và phải huấn luyện lại ở mỗi cụm dẫn đến chưa tối ưu được thời gian triển khai trong thực tế.

Chưa sử dụng được các mô hình học sâu để tối ưu kết quả triển khai cũng là một nhược điểm. Việc trả lời khi sử dụng mô hình ứng dụng được đánh giá bằng hiệu năng về thời gian, xử lý dữ liệu lớn và liên tục, tối ưu kết quả trong thực tế.

6) Định hướng phát triển:

78

Đối với công việc trong tương lai, việc nghiên cứu sẽ tập trung vào thuật toán rừng ngẫu nhiên song song gia tăng cho các luồng dữ liệu trong môi trường đám mây và cải thiện cơ chế phân bổ dữ liệu và lập lịch tác vụ cho thuật toán trên môi trường phân tán và xử lý đồng thời. Tự động hóa quá trình huấn luyện và gán nhãn để tăng hiệu suất trong thực tế. Đánh giá và bổ sung phương án lựa chọn có trọng số, đánh giá phương thức tối ưu dùng lại dữ liệu theo cơ chế cache trong khi huấn luyện và đánh giá thuộc tính nhằm tối ưu thời gian xử lý trong quá trình huấn luyện đồng thời. Xa hơn nữa, đánh giá việc ứng dụng học sâu và triển khai các mô hình học sâu, nhằm tối đa hóa được hiệu năng, ứng dụng và nâng cao kết quả và phải cân bằng được chi phí thời gian và hiệu suất khi đưa ứng dụng vào thực tế.

79

TÀI LIỆU THAM KHẢO

[1] U. Sivarajah, M. Kamal, Z. Irani and V. Weerakkody, "Critical analysis of Big Data challenges and analytical methods", Journal of Business Research, vol. 70, no.1, pp.263-286, Jan 2017.

[2] A. Azar and A. Hassanien, "Dimensionality reduction of medical big data using neural-fuzzy classifier", Soft Computing, vol. 19, no. 4, pp. 1115-1127, June 2014.

[3] A. Nega and A. Kumlachew, "Data Mining Based Hybrid Intelligent System for Medical Application", International Journal of Information Engineering and Electronic Business, vol. 9, no. 4, pp. 38-46, 2017.

[4] P. K. Ray, S. R. Mohanty, N. Kishor, and J. P. S. Catalao, “Optimal feature and decision tree-based classification of power quality disturbances in distributed generation systems,” Sustainable Energy, IEEE Transactions on, vol. 5, no. 1, pp. 200–208, January 2014.

[5] T. White, “Hadoop: The Definitive Guide.” O’Reilly Media Inc./Yahoo

Press, 2012.

[6] J. Corbett, P. Hochschild, W. Hsieh, S. Kanthak, E. Kogan, H. Li, A. Lloyd, et al., “Spanner: Google’s globally distributed database,” ACM Transactions on Computer Systems, vol. 31, no. 3, pp. 1-22, 2013.

[7] Gordon S. Linoff, Michael J. A. Berry (2011): “Data Mining Techniques - For

Marketing, Sales, and Customer Relationship Management 3rd”. pp. 23-29.

[8] L. Abraham, S. Subramanian, J. Wiener, O. Zed, J. Allen, O. Barykin, et al., “Scuba: Diving into data at FaceBook,” Proceedings of the VLDB Endowment, vol. 6, no. 11, pp. 1057-1067, 2013.

[9] G. Lee, J. Lin, C. Liu, A. Lorek, and D. Ryaboy, “The unified logging infrastructure for data analytics at Twitter,” Proceedings of the VLDB Endowment, vol. 5, no.12, pp.1771-1780, 2012

[10] Sam B. Siewert: “Big data in the cloud - Data velocity, volume, variety and

veracity”. pp. 2-8 (2013).

[11] Eric Sammer: “Hadoop Operations”, CHAPTER 1, pp.1 – 6. September 2012. [12] Eric Sammer: “Hadoop Operations”, CHATER 2. HDFS, pp.7 – 23. September

2012.

[13] Eric Sammer: “Hadoop Operations”, CHATER 3. MAPREDUCE, pp.25 – 37.

September 2012.

[14] L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5–32,

October 2001.

Tiếng Anh

80

[16] S. Bernard, S. Adam, and L. Heutte (September 2012): “Dynamic random

forests,” Pattern Recognition Letters, vol. 33, no. 12, pp. 1580–1586.

[17] Darius Pfitzner, Richard Leibbrandt, David M. W. Powers (2009): Characterization and evaluation of similarity measures for pairs of clusterings. Knowl. Inf. Syst. 19(3): 361-394.

[18] Maria Halkidi, Yannis Batistakis, Michalis Vazirgiannis (2001): “On Clustering Validation Techniques.”, J. Intell. Inf. Syst. 17(2-3): 107-145. [19] Frank, Eibe Hall, Mark A. Pal, Christopher J. Witten, Ian H (2017): “Data

mining, practical machine learning tools and techniques”. pp.7-9.

[20] Aurélien Géron (2017): “Hands-On Machine Learning with Scikit-Learn & TensorFlow - Concepts, Tools, And Techniques To Build Intelligent Systems”, Chapter 1. The Machine Learning Landscape, pp 7-14.

[21] Gordon S. Linoff, Michael J. A. Berry (2011): “Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management 3rd”, Figure 5.13, pp. 137-141

[22] A. Spark, “Spark mllib

- random

forest,” Website, June 2016,

http://spark.apache.org/docs/latest/mllib-ensembles.html.

[23] Aurélien Géron (2017): “Hands-On Machine Learning with Scikit-Learn & TensorFlow - Concepts, Tools, And Techniques To Build Intelligent Systems”, Chapter 1. The Machine Learning Landscape, Overfitting the Training Data, Underfitting the Training Data, pp 26-28.

[24] Holden Karau, Andy Konwinski, Patrick Wendell, and Matei Zaharia:

“Learning Spark: Lightning-Fast Big Data Analysis”, pp 1 - 7.

[25] Hien Luu: “Beginning Apache Spark 2: With Resilient Distributed Datasets, Spark SQL, Structured Streaming and Spark Machine Learning library”, Chapter 3 Resilient Distributed Datasets, pp 51-55.

[26] Bill Chambers and Matei Zaharia: “Spark: The Definitive Guide”, pp 20 – 28 [27] Hien Luu: “Beginning Apache Spark 2: With Resilient Distributed Datasets, Spark SQL, Structured Streaming and Spark Machine Learning library”, Chapter 1: Introduction to Apache Spark, pp 1-11.

[15] Eréndira Rendón, Itzel Abundez, Alejandra Arizmendi and Elvia M. Quiroz (2011): Internal versus External cluster validation indexes. Issue 1, Volume 5. 27-33.

81