本文主要分享 Datacake 在大數(shù)據(jù)治理中，AI 算法的應(yīng)用經(jīng)驗(yàn)。本次分享分為五大部分：第一部分闡明大數(shù)據(jù)與 AI 的關(guān)系，大數(shù)據(jù)不僅可以服務(wù)于 AI，也可以使用 AI 來(lái)優(yōu)化自身服務(wù)，兩者是互相支撐、依賴(lài)的關(guān)系；第二部分介紹利用 AI 模型綜合評(píng)估大數(shù)據(jù)任務(wù)健康度的應(yīng)用實(shí)踐，為后續(xù)開(kāi)展數(shù)據(jù)治理提供量化依據(jù)；第三部分介紹利用 AI 模型智能推薦 Spark 任務(wù)運(yùn)行參數(shù)配置的應(yīng)用實(shí)踐，實(shí)現(xiàn)了提高云資源利用率的目標(biāo)；第四部分介紹在 SQL 查詢(xún)場(chǎng)景中，由模型智能推薦任務(wù)執(zhí)行引擎的實(shí)踐；第五部分展望了在大數(shù)據(jù)整個(gè)生命周期中，AI 的應(yīng)用場(chǎng)景。

一、大數(shù)據(jù)與 AI

普遍觀(guān)念認(rèn)為，云計(jì)算收集存儲(chǔ)海量數(shù)據(jù)，從而形成大數(shù)據(jù)；再經(jīng)過(guò)對(duì)大數(shù)據(jù)的挖掘?qū)W習(xí)，進(jìn)一步形成 AI 模型。這種觀(guān)念默認(rèn)了大數(shù)據(jù)服務(wù)于 AI，但忽視了其實(shí) AI 算法也可以反哺于大數(shù)據(jù)，它們之間是一個(gè)雙向、互相支撐、依賴(lài)的關(guān)系。

大數(shù)據(jù)的全生命周期可以分成六個(gè)階段，每個(gè)階段都面臨一些問(wèn)題，恰當(dāng)?shù)厥褂?AI 算法有助于這些問(wèn)題的解決。

數(shù)據(jù)采集：這個(gè)階段會(huì)比較關(guān)注數(shù)據(jù)采集的質(zhì)量、頻率、以及安全性，例如采集到的數(shù)據(jù)是否完整，采集數(shù)據(jù)的速度是否過(guò)快或者過(guò)慢，采集的數(shù)據(jù)是否經(jīng)過(guò)脫敏或者加密等。這時(shí)候 AI 可以發(fā)揮一些作用，比如基于同類(lèi)應(yīng)用來(lái)評(píng)估日志采集的合理性、使用異常檢測(cè)算法來(lái)發(fā)現(xiàn)數(shù)據(jù)量暴增或驟減等情況。

數(shù)據(jù)傳輸：這個(gè)階段比較關(guān)注數(shù)據(jù)的可用性、完整性和安全性，可以使用 AI 算法來(lái)做一些故障的診斷和入侵檢測(cè)。

數(shù)據(jù)存儲(chǔ)：這個(gè)階段比較關(guān)注數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)是否合理、資源占用是否足夠低、是否足夠安全等，同樣可以用 AI 算法來(lái)做一些評(píng)估以及優(yōu)化。

數(shù)據(jù)處理：這個(gè)階段是影響及優(yōu)化收益最明顯的一個(gè)階段，其核心問(wèn)題就是提高數(shù)據(jù)的處理效率且降低資源的消耗，AI 可以從多個(gè)著手點(diǎn)進(jìn)行優(yōu)化。

數(shù)據(jù)交換：企業(yè)之間的合作越來(lái)越多，這就會(huì)涉及到數(shù)據(jù)的安全性問(wèn)題。算法在這方面也可以得到應(yīng)用，比如時(shí)下熱門(mén)的聯(lián)邦學(xué)習(xí)就可以幫助更好更安全地進(jìn)行數(shù)據(jù)的共享。

數(shù)據(jù)銷(xiāo)毀：數(shù)據(jù)不可能只存不刪，這就需要考慮什么時(shí)候可以去刪數(shù)據(jù)、是否有風(fēng)險(xiǎn)。在業(yè)務(wù)規(guī)則的基礎(chǔ)上，AI 算法可以輔助判斷刪除數(shù)據(jù)的時(shí)機(jī)及關(guān)聯(lián)影響。

整體來(lái)看，數(shù)據(jù)生命周期管理有三大目標(biāo)：高效、低成本，以及安全。以往的做法是依靠專(zhuān)家經(jīng)驗(yàn)來(lái)制定一些規(guī)則策略，其弊端非常明顯，成本高、效率低。恰當(dāng)?shù)夭捎?AI 算法可以避免這些弊端，反哺于大數(shù)據(jù)基礎(chǔ)服務(wù)的建設(shè)。

二、大數(shù)據(jù)任務(wù)健康度評(píng)估

在茄子科技，已經(jīng)落地的幾個(gè)應(yīng)用場(chǎng)景，首先是大數(shù)據(jù)任務(wù)健康度的評(píng)估。

在大數(shù)據(jù)平臺(tái)上，每天運(yùn)行著成千上萬(wàn)的任務(wù)。但是很多任務(wù)僅停留在能正確產(chǎn)數(shù)階段，對(duì)于任務(wù)的運(yùn)行耗時(shí)、資源消耗等并未給予關(guān)注，導(dǎo)致很多任務(wù)存在效率低下、資源浪費(fèi)的情況。

即使有數(shù)據(jù)開(kāi)發(fā)者開(kāi)始關(guān)注任務(wù)健康度，也很難準(zhǔn)確的評(píng)估任務(wù)究竟健康與否。因?yàn)槿蝿?wù)相關(guān)的指標(biāo)非常多，失敗率、耗時(shí)、資源消耗等，況且不同任務(wù)的復(fù)雜度及處理數(shù)據(jù)的體量存在天然差別，因此簡(jiǎn)單選擇某項(xiàng)指標(biāo)的絕對(duì)值作為評(píng)估標(biāo)準(zhǔn)顯然是不合理的。

沒(méi)有量化的任務(wù)健康度，就很難確定哪些任務(wù)不健康、需要治理，更不知道問(wèn)題在哪里、從哪著手治理，即使治理完也不知道效果如何，甚至出現(xiàn)某項(xiàng)指標(biāo)提升但別的指標(biāo)惡化的情況。

需求：面對(duì)上述難題，我們急需一種量化指標(biāo)來(lái)準(zhǔn)確反映任務(wù)的綜合健康狀況。人工制定規(guī)則的方式效率低且不全面，因此考慮借助機(jī)器學(xué)習(xí)模型的力量。目標(biāo)是模型能給出任務(wù)的量化評(píng)分及其在全局分布中的位置，并且給出任務(wù)的主要問(wèn)題及解決方案。

對(duì)此需求，我們的功能模塊方案是，在管理界面顯示 owner 名下所有任務(wù)的關(guān)鍵信息，如評(píng)分、任務(wù)成本、CPU 利用率、內(nèi)存利用率等。這樣任務(wù)的健康度一目了然，方便后續(xù)由任務(wù) owner 去做任務(wù)的治理。

其次，評(píng)分功能的模型方案，我們是把它作為一個(gè)分類(lèi)問(wèn)題來(lái)處理。直觀(guān)來(lái)看，任務(wù)評(píng)分顯然是一個(gè)回歸問(wèn)題，給出的應(yīng)該是 0 到 100 之間的任意實(shí)數(shù)。但這樣的話(huà)就要求有足夠多的帶評(píng)分的樣本，人工標(biāo)注成本高且不可靠。

因此我們考慮將問(wèn)題轉(zhuǎn)化為分類(lèi)問(wèn)題，分類(lèi)模型給出的類(lèi)別概率可以進(jìn)一步映射為實(shí)數(shù)分值。我們將任務(wù)分為好任務(wù) 1 和壞任務(wù) 0 兩類(lèi)，由大數(shù)據(jù)工程師標(biāo)注。所謂好任務(wù)，通常是指同等任務(wù)量與復(fù)雜度的情況下，耗時(shí)短、資源消耗少的任務(wù)。

模型訓(xùn)練過(guò)程為：

首先是樣本準(zhǔn)備，我們的樣本來(lái)自于歷史運(yùn)行的任務(wù)數(shù)據(jù)，樣本特征包括運(yùn)行時(shí)間、使用的資源、是否執(zhí)行失敗等等，樣本標(biāo)簽是由大數(shù)據(jù)工程師根據(jù)規(guī)則或經(jīng)驗(yàn)標(biāo)注成好、壞兩類(lèi)。然后就可以訓(xùn)練模型了，我們先后嘗試過(guò) LR、GBDT、XGboost 等模型，理論及實(shí)踐均證明 XGboost 具有更好的分類(lèi)效果。模型最終會(huì)輸出任務(wù)為“好任務(wù)”的概率，該概率越大，最終映射出的任務(wù)評(píng)分就越高。

經(jīng)過(guò)訓(xùn)練之后，從最初將近 50 個(gè)原始特征里面篩選出 19 個(gè)特征，這 19 個(gè)特征基本上能夠決定一個(gè)任務(wù)是否是一個(gè)好的任務(wù)。比如失敗次數(shù)多的任務(wù)、資源利用率低的任務(wù)，大部分得分不會(huì)太高，與人工的主觀(guān)感受基本一致。

使用模型對(duì)任務(wù)打分后可以看到，在 0 到 30 分以下屬于不太健康的、急需要治理的任務(wù)；30 到 60 之間的是健康度尚可的任務(wù)；60 分以上的是健康度比較好的，需要保持現(xiàn)狀的任務(wù)。這樣有了量化指標(biāo)，就可以引導(dǎo)任務(wù) owner 去積極地做一些任務(wù)的治理，從而實(shí)現(xiàn)降本增效的目標(biāo)。

模型應(yīng)用之后給我們帶來(lái)了如下收益：

① 首先，任務(wù) owner 對(duì)其名下任務(wù)的健康度可以做到心中有數(shù)，通過(guò)分?jǐn)?shù)、排名就能夠知道任務(wù)是否需要治理；

② 量化的指標(biāo)為后續(xù)開(kāi)展任務(wù)治理提供了依據(jù)；

③ 任務(wù)治理完成之后取得了多大的收益，有多少提升，同樣可以通過(guò)分?jǐn)?shù)得到量化的展示。

三、Spark 任務(wù)智能調(diào)參

第二個(gè)應(yīng)用場(chǎng)景是 Spark 任務(wù)的智能調(diào)參。Gartner 的一項(xiàng)調(diào)研揭示，云用戶(hù)消耗的 70% 的云資源都存在不必要的浪費(fèi)。在申請(qǐng)?jiān)瀑Y源時(shí)，很多人為了確保任務(wù)的成功執(zhí)行，可能會(huì)去多申請(qǐng)一些資源，這就會(huì)造成不必要的浪費(fèi)。還有很多人在創(chuàng)建任務(wù)時(shí)采用了默認(rèn)配置，但其實(shí)這并不是最優(yōu)配置。如果能夠認(rèn)真配置，可以達(dá)到非常好的效果，既能保證運(yùn)行效率，又能保證運(yùn)行成功，同時(shí)還能夠節(jié)省很多的資源。但任務(wù)參數(shù)配置對(duì)用戶(hù)有很高的要求，除了了解配置項(xiàng)的含義，還需要考慮配置項(xiàng)之間的關(guān)聯(lián)影響。即使依賴(lài)專(zhuān)家經(jīng)驗(yàn)也很難達(dá)到最優(yōu)，而且規(guī)則類(lèi)的策略難以動(dòng)態(tài)調(diào)整。

這就提出一個(gè)需求，希望由模型智能地推薦出任務(wù)運(yùn)行最優(yōu)的參數(shù)配置，使得在保持任務(wù)原有運(yùn)行時(shí)間不變長(zhǎng)的前提下，提高任務(wù)云資源的利用率。

對(duì)于任務(wù)調(diào)參功能模塊，我們?cè)O(shè)計(jì)的方案包含兩種情況：第一種是對(duì)于已經(jīng)在線(xiàn)上運(yùn)行了一段時(shí)間的任務(wù)，模型要能夠根據(jù)任務(wù)歷史運(yùn)行情況推薦出最合適的配置參數(shù)；第二種情況是對(duì)于用戶(hù)還沒(méi)上線(xiàn)的任務(wù)，模型要能夠通過(guò)對(duì)任務(wù)的分析給出合理的配置。

接下來(lái)就是訓(xùn)練模型了，首先要確定模型的輸出目標(biāo)?？膳渲庙?xiàng)有三百多條，不可能都由模型給出。經(jīng)過(guò)測(cè)試與調(diào)研，我們選擇了三項(xiàng)對(duì)任務(wù)運(yùn)行性能影響最大的參數(shù)，分別是執(zhí)行器 executor 的 cores 核心數(shù)、memory 內(nèi)存總量、instances 實(shí)例個(gè)數(shù)。每個(gè)配置項(xiàng)都有其默認(rèn)值及可調(diào)范圍，其實(shí)就是給定了一個(gè)參數(shù)空間，模型只需要在這個(gè)空間里去尋找最優(yōu)解即可。

訓(xùn)練階段，有兩種方案來(lái)進(jìn)行?。方案一是學(xué)習(xí)經(jīng)驗(yàn)規(guī)則：前期采用規(guī)則的方式推薦參數(shù)，上線(xiàn)之后效果還不錯(cuò)，因此先讓模型來(lái)學(xué)習(xí)這套規(guī)則，從而達(dá)到快速上線(xiàn)的目標(biāo)。模型訓(xùn)練樣本是之前根據(jù)規(guī)則計(jì)算出來(lái)的七萬(wàn)余條任務(wù)配置，樣本特征是任務(wù)的歷史運(yùn)行數(shù)據(jù)（比如任務(wù)處理的數(shù)據(jù)量、資源的使用量、任務(wù)耗時(shí)等），以及一些統(tǒng)計(jì)信息（比如過(guò)去七日的平均耗量、最大耗量等）。

基礎(chǔ)模型我們選擇了多因變量的多元回歸模型。常見(jiàn)的回歸模型是單輸出的，有很多自變量但只有一個(gè)因變量。這里我們希望能輸出三個(gè)參數(shù)，所以采用的是多因變量的多元回歸模型，它的本質(zhì)還是一個(gè)  LR 模型。?

?上圖展示的是這個(gè)模型的理論基礎(chǔ)。左側(cè)是一個(gè)多標(biāo)簽，就是三個(gè)配置項(xiàng)，β 是每個(gè)特征的系數(shù)，Σ 是誤差。訓(xùn)練方式和一元回歸一樣，用最小二乘法去做估計(jì)使得 Σ 中各元素的平方和達(dá)到最小。

方案一的好處，就是能快速學(xué)到規(guī)則經(jīng)驗(yàn)，成本也是比較小的。缺陷是其優(yōu)化上限最多能達(dá)到和規(guī)則一樣好的效果，但如果想超過(guò)會(huì)比較困難。?

第二種方案是貝葉斯優(yōu)化，其思路和強(qiáng)化學(xué)習(xí)比較類(lèi)似，通過(guò)在參數(shù)空間里做嘗試尋找最優(yōu)配置。這里采用了貝葉斯框架，原因是其能夠利用上一次嘗試的基礎(chǔ)，在下次嘗試時(shí)就會(huì)有一些先驗(yàn)的經(jīng)驗(yàn)，能夠快速找到較優(yōu)位置。整個(gè)訓(xùn)練過(guò)程會(huì)在一個(gè)參數(shù)空間里面進(jìn)行，隨機(jī)采樣一種配置來(lái)做驗(yàn)證，然后去運(yùn)行；運(yùn)行之后會(huì)關(guān)注一些指標(biāo)，比如使用率、成本等，判斷是不是最優(yōu)；然后重復(fù)以上步驟，直到調(diào)優(yōu)完成。模型訓(xùn)練好后，在使用過(guò)程中也有一個(gè)取巧的過(guò)程，假如新任務(wù)和歷史任務(wù)有一定的相似度，就不需要再去計(jì)算一遍配置，直接采用以往的最優(yōu)配置即可。

經(jīng)過(guò)這兩種方案的嘗試和實(shí)踐，能夠看到取得了一定的效果。對(duì)于已有的任務(wù)，按照模型推薦的配置參數(shù)來(lái)做修改后，80% 以上的任務(wù)能夠?qū)崿F(xiàn)大概 15% 的資源利用率的提升，部分任務(wù)資源的使用率甚至是翻倍的。但這兩種方案其實(shí)都存在缺陷：學(xué)習(xí)規(guī)則的回歸模型，其優(yōu)化上限較低；全局尋優(yōu)的貝葉斯優(yōu)化模型，缺點(diǎn)是要做各種嘗試，成本太高。

未來(lái)的探索方向有以下幾個(gè)：

語(yǔ)義分析：Spark 語(yǔ)義是比較豐富的，包含不同的代碼結(jié)構(gòu)和算子函數(shù)，其與任務(wù)參數(shù)配置、資源消耗息息相關(guān)。但是目前我們利用的只是任務(wù)的歷史運(yùn)行情況，忽略了 Spark 語(yǔ)義本身，這就是一種信息的浪費(fèi)。接下來(lái)要做的是滲透到代碼層面，分析 Spark 任務(wù)中包含的算子函數(shù)，據(jù)此做更細(xì)粒度的調(diào)優(yōu)。

分類(lèi)調(diào)優(yōu)：Spark 的應(yīng)用場(chǎng)景很多，比如用于純分析、用于開(kāi)發(fā)、用于處理等，不同場(chǎng)景的調(diào)優(yōu)空間與目標(biāo)也是不同的，所以有必要做分類(lèi)調(diào)優(yōu)。

工程優(yōu)化：在實(shí)踐過(guò)程中遇到的一個(gè)困難是樣本較少、測(cè)試成本較高，這需要相關(guān)方共同配合，在工程或流程上做優(yōu)化。

四、SQL 任務(wù)執(zhí)行引擎智能選擇

第三個(gè)應(yīng)用場(chǎng)景是 SQL 查詢(xún)?nèi)蝿?wù)執(zhí)行引擎的智能選擇。

背景：

（1）SQL 查詢(xún)平臺(tái)是大多數(shù)用戶(hù)接觸最多的、體驗(yàn)最明顯的一個(gè)大數(shù)據(jù)產(chǎn)品，不管是數(shù)據(jù)分析師、研發(fā)，還是產(chǎn)品經(jīng)理，每天都會(huì)寫(xiě)大量 SQL 來(lái)獲取自己想要的數(shù)據(jù)；

（2）很多人在運(yùn)行 SQL 任務(wù)的時(shí)候，并不會(huì)去關(guān)注底層的執(zhí)行引擎，比如 Presto 是基于純內(nèi)存的計(jì)算，在一些簡(jiǎn)單查詢(xún)的場(chǎng)景下，其優(yōu)勢(shì)就是執(zhí)行速度會(huì)比較快，但缺點(diǎn)就是假如存儲(chǔ)量不夠用的話(huà)會(huì)直接掛掉；與它形成對(duì)比的是 Spark，其比較適合執(zhí)行大數(shù)據(jù)量的復(fù)雜場(chǎng)景，即使出現(xiàn)了 oom 也會(huì)使用磁盤(pán)的存儲(chǔ)，從而避免任務(wù)的失敗。所以，不同的引擎是適合不同的任務(wù)場(chǎng)景的。

（3）SQL 查詢(xún)效果要綜合考慮任務(wù)的執(zhí)行時(shí)間以及資源的消耗，既不能過(guò)分追求查詢(xún)速度而不考慮資源消耗，也不能為了節(jié)省資源而影響查詢(xún)效率。

（4）業(yè)界傳統(tǒng)的引擎選擇方式主要有三種，RBO、CBO 和 HBO。RBO 是基于規(guī)則的優(yōu)化器，規(guī)則制定困難且更新頻率低；CBO 是基于成本的優(yōu)化，太過(guò)于追求成本的優(yōu)化，可能會(huì)導(dǎo)致任務(wù)執(zhí)行失敗；HBO 是基于歷史任務(wù)運(yùn)行情況的一種優(yōu)化器，比較局限于歷史數(shù)據(jù)。

在功能模塊上的設(shè)計(jì)，當(dāng)用戶(hù)編寫(xiě)完 SQL 語(yǔ)句提交執(zhí)行后，由模型自動(dòng)判斷使用哪種引擎并彈窗提示，由用戶(hù)最終決定是否采用推薦的引擎執(zhí)行。

模型的整體方案是基于 SQL 語(yǔ)句本身來(lái)推薦執(zhí)行引擎。因?yàn)閺?SQL 本身就能夠看到用了什么表、用到哪些函數(shù)等，這些信息直接決定了 SQL 的復(fù)雜度，從而影響執(zhí)行引擎的選擇。模型訓(xùn)練樣本來(lái)自于歷史運(yùn)行的 SQL 語(yǔ)句，模型標(biāo)簽是根據(jù)歷史執(zhí)行情況進(jìn)行標(biāo)注，比如任務(wù)執(zhí)行超長(zhǎng)、涉及數(shù)據(jù)量超大的任務(wù)會(huì)標(biāo)為適合在 Spark 上運(yùn)行，剩下的就是適合在 Presto 上去運(yùn)行的 SQL。樣本特征提取用到 NLP 技術(shù)，N-gram 加 TF-IDF 方法，大致原理是提取詞組去看它在語(yǔ)句中出現(xiàn)的頻率，這樣能夠提取出關(guān)鍵詞組。經(jīng)此操作后生成的向量特征非常大，我們先利用線(xiàn)性模型篩選出 3000 個(gè)特征，然后訓(xùn)練生成 XGBoost 模型作為最終的預(yù)測(cè)模型。

經(jīng)過(guò)訓(xùn)練之后，能夠看到模型預(yù)測(cè)的準(zhǔn)確度還是比較高的，大概 90% 以上。

最終模型在線(xiàn)上的應(yīng)用流程是：用戶(hù)提交 SQL 后由模型推薦執(zhí)行引擎，假如與用戶(hù)最初選擇的引擎不一樣，則會(huì)調(diào)用語(yǔ)言轉(zhuǎn)換模塊完成 SQL 語(yǔ)句的轉(zhuǎn)換。假如切換引擎之后執(zhí)行失敗，我們會(huì)有 failover 機(jī)制切回到用戶(hù)原有引擎去執(zhí)行，保證任務(wù)執(zhí)行成功。

該實(shí)踐的收益是模型可以自動(dòng)選擇出最適合的執(zhí)行引擎，并且完成后續(xù)的語(yǔ)句轉(zhuǎn)換，不需要用戶(hù)再去做額外的學(xué)習(xí)。

另外，模型推薦的引擎基本上能夠保持原有的執(zhí)行效率不變，同時(shí)又能夠降低失敗率，所以整體上用戶(hù)體驗(yàn)會(huì)上升。

最后就是由于減少了不必要的高成本引擎的使用，以及任務(wù)執(zhí)行失敗率的下降，使得整體資源成本消耗下降。

第二部分到第四部分，我們分享了 AI 算法在大數(shù)據(jù)平臺(tái)上的三個(gè)應(yīng)用。能夠看到它的一個(gè)特點(diǎn)，就是使用的算法并不是特別復(fù)雜，但是效果會(huì)非常明顯。這就啟發(fā)我們要主動(dòng)去了解大數(shù)據(jù)平臺(tái)在運(yùn)行過(guò)程中有哪些痛點(diǎn)或者優(yōu)化空間，確定好應(yīng)用場(chǎng)景后就可以嘗試使用不同的機(jī)器學(xué)習(xí)方法去解決這些問(wèn)題，從而實(shí)現(xiàn) AI 算法向大數(shù)據(jù)的反哺。

五、AI 算法在大數(shù)據(jù)治理中的應(yīng)用展望

最后我們展望一下 AI 算法在大數(shù)據(jù)治理中的應(yīng)用場(chǎng)景。

以上介紹的三個(gè)應(yīng)用場(chǎng)景，比較集中在數(shù)據(jù)處理階段。其實(shí)呼應(yīng)一下第一章講的 AI 和大數(shù)據(jù)的關(guān)系，在整個(gè)數(shù)據(jù)生命周期里，AI 都能發(fā)揮比較好的作用。

比如在數(shù)據(jù)采集階段，能夠判斷日志是否合理；傳輸時(shí)能夠去做入侵檢測(cè)；處理時(shí)，還可以再進(jìn)一步的降本增效；交換時(shí)去做一些保障數(shù)據(jù)安全的工作；銷(xiāo)毀時(shí)能夠去判斷銷(xiāo)毀的時(shí)機(jī)與關(guān)聯(lián)影響等。AI 在大數(shù)據(jù)平臺(tái)的應(yīng)用場(chǎng)景是非常多的，這里僅是拋磚引玉。相信未來(lái) AI 與大數(shù)據(jù)的互相支撐關(guān)系會(huì)更加凸顯，AI 輔助大數(shù)據(jù)平臺(tái)更好地去采集處理數(shù)據(jù)，更好的數(shù)據(jù)質(zhì)量后續(xù)又能幫助訓(xùn)練更好的 AI 模型，從而實(shí)現(xiàn)良性循環(huán)。

六、問(wèn)答環(huán)節(jié)

Q1：使用的規(guī)則引擎是哪種，是開(kāi)源的嗎？

A1：這里所謂的調(diào)參規(guī)則是前期我們大數(shù)據(jù)同事根據(jù)手動(dòng)調(diào)優(yōu)經(jīng)驗(yàn)制定的，比如任務(wù)的執(zhí)行時(shí)間超出多少分鐘、或者處理的數(shù)據(jù)量超出多大，給任務(wù)推薦多少核心數(shù)或者內(nèi)存量等。這是一套經(jīng)過(guò)長(zhǎng)時(shí)間積累形成的規(guī)則，而且上線(xiàn)后效果比較好，所以使用這一套規(guī)則來(lái)訓(xùn)練我們的參數(shù)推薦模型。

Q2：因變量只有參數(shù)的調(diào)整嗎？是否有考慮到大數(shù)據(jù)平臺(tái)的性能不穩(wěn)定性，對(duì)計(jì)算結(jié)果帶來(lái)的影響？

A2：在做參數(shù)推薦的時(shí)候，我們并不是只一味的追求成本要低，否則推薦的資源會(huì)偏低導(dǎo)致任務(wù)失敗。因變量確實(shí)只有參數(shù)調(diào)整，但為了防止不穩(wěn)定性我們加了額外限制。首先是模型特征，我們選取的是某段時(shí)間的平均值而非孤立某天的數(shù)值；其次對(duì)于模型推薦的參數(shù)，我們會(huì)比較其與實(shí)際配置值之間的差別，如果差別過(guò)大則會(huì)采用緩升緩降策略，避免一次性調(diào)整過(guò)大導(dǎo)致任務(wù)失敗。

Q3：回歸模型與貝葉斯模型是否同時(shí)使用？

A3：不是的。剛剛講到在做參數(shù)推薦這塊，我們是有用過(guò)兩種方案：學(xué)習(xí)規(guī)則用的是回歸模型；再往后是用的貝葉斯優(yōu)化的框架。它們兩個(gè)并不是同時(shí)使用的，我們是做了兩種嘗試。前一種學(xué)習(xí)規(guī)則，好處就是能夠快速的把歷史以往的經(jīng)驗(yàn)給使用起來(lái)；第二個(gè)模型在前一個(gè)的基礎(chǔ)上，能夠去尋找一個(gè)更優(yōu)，甚至是最優(yōu)的配置。他們兩個(gè)是屬于一種先后的，或者是遞進(jìn)的關(guān)系，而不是同時(shí)使用。

Q4：引入語(yǔ)義分析是從拓展更多特征來(lái)考慮的嗎？

A4：是的。剛剛有講到，在做 Spark 調(diào)參的時(shí)候我們用到的信息只有它的歷史執(zhí)行情況，但對(duì)于 Spark 任務(wù)本身目前還沒(méi)去關(guān)注。Spark 本身其實(shí)包含非常多的信息，有各種各樣的算子、階段等。如果不去分析它的語(yǔ)義，會(huì)丟失很多信息。所以我們下一步的計(jì)劃就是去分析 Spark 任務(wù)的語(yǔ)義，拓展更多的特征來(lái)輔助參數(shù)計(jì)算。

Q5：參數(shù)推薦是否會(huì)出現(xiàn)參數(shù)推薦不合理，導(dǎo)致任務(wù)異常甚至失敗，然后對(duì)于這樣的場(chǎng)景怎么降低異常任務(wù)報(bào)錯(cuò)和任務(wù)波動(dòng)？

A5：如果完全依賴(lài)模型，有可能它追求的就是盡可能高的提升資源的利用率，這時(shí)候推薦的參數(shù)有可能會(huì)比較激進(jìn)，比如內(nèi)存一下子由 30g 縮到 5g。因此除了模型推薦外，我們會(huì)增加額外的限制條件，比如調(diào)參跨度不能超過(guò)多少 g 等，也即緩升緩降策略。

Q6：sigmoid 2022 有一些參數(shù)調(diào)優(yōu)相關(guān)的文章，有進(jìn)行參考嗎？

A6：任務(wù)智能調(diào)參還是比較熱門(mén)的研究方向，不同領(lǐng)域的團(tuán)隊(duì)采用了不同的方法模型。我們?cè)谥肿鲋罢{(diào)研了比較多的業(yè)界方法，包括你提到的 sigmoid 2022 論文。經(jīng)過(guò)比較與實(shí)踐，最終嘗試了我們分享的這兩種方案。后續(xù)我們會(huì)繼續(xù)關(guān)注這個(gè)方向的最新進(jìn)展，嘗試更多方法來(lái)提高推薦效果。

今天的分享就到這里，謝謝大家。