Aprendizado de Máquina para Previsão do Tempo de Execução de Aplicações Spark

  • Alexandre Maros Universidade Federal de Minas Gerais
  • Jussara Almeida DCC-UFMG
  • Fabricio Murai Universidade Federal de Minas Gerais
  • Ana Paula Couto da Silva UFMG

Resumo


Aplicações de big data têm associada uma série de problemas desafiadores envolvendo a alocação de recursos de hardware e software. Tipicamente, essas aplicações são conhecidas por serem computacionalmente custosas e por possuírem uma grande heterogeneidade e irregularidades na forma em que operam, tornando desafiadora a tarefa de estimar os tempos de conclusão de resultados. Embora esta seja uma tarefa difícil, ainda assim é possível buscar uma relação entre atributos extraídos da configuração do ambiente de execução e do conjunto de dados de entrada e o tempo total de execução de certas aplicações. Tal relação pode ser utilizada na predição do tempo de execução a partir apenas destes atributos. Este trabalho parte desta premissa e explora modelos de aprendizado de máquina para a previsão de tempos de execução de aplicações na plataforma Spark, popular na área de processamento de dados em larga escala. O trabalho investiga quatro modelos e diferentes atributos, além de comparar os resultados com o estado-da-arte atual. Todos os modelos são avaliados em diversos cenários e configurações, produzindo resultados significativamente melhores que o estado-da-arte em alguns casos.

Palavras-chave: Sistemas Distribuídos, Big Data, Spark, Aprendizado de Máquina

Referências

Ardagna, D., Bernardi, S., Gianniti, E., Aliabadi, S. K., Perez-Palacin, D., and Requeno, J. I. (2016). Modeling performance of hadoop applications: A journey from queueing networks to stochastic well formed nets. In International Conference on Algorithms and Architectures for Parallel Processing, pages 599–613. Springer.

Armbrust, M., Xin, R. S., Lian, C., Huai, Y., Liu, D., Bradley, J. K., Meng, X., Kaftan, T., Franklin, M. J., Ghodsi, A., et al. (2015). Spark sql: Relational data processing in spark. In Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data, pages 1383–1394. ACM.

Arthur, D. and Vassilvitskii, S. (2007). K-means++: The advantages of careful seeding. In Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, SODA ’07, pages 1027–1035, Philadelphia, PA, USA. Society for Industrial and Applied Mathematics.

Hsu, C., Chang, C., and Lin, C. (2008). A practical guide to support vector classification. BJU International, 101:1396–1400.

Karau, H., Konwinski, A., Wendell, P., and Zaharia, M. (2015). Learning spark: lightning-fast big data analysis. ”O’Reilly Media, Inc.”.

Liang, D.-R. and Tripathi, S. K. (2000). On performance prediction of parallel computations with precedent constraints. IEEE Transactions on Parallel and Distributed Systems, 11(5):491–508.

Liaw, A., Wiener, M., et al. (2002). Classification and regression by randomforest. R news, 2(3):18–22.

Low, C., Chen, Y., and Wu, M. (2011). Understanding the determinants of cloud computing adoption. Industrial management & data systems, 111(7):1006–1023.

Mak, V.W. and Lundstrom, S. F. (1990). Predicting performance of parallel computations. IEEE Transactions on Parallel and Distributed Systems, 1(3):257–270.

Menasce, D. A., Almeida, V. A., Dowdy, L. W., and Dowdy, L. (2004). Performance by design: computer capacity planning by example. Prentice Hall Professional.

Meng, X., Bradley, J., Yavuz, B., Sparks, E., Venkataraman, S., Liu, D., Freeman, J., Tsai, D., Amde, M., Owen, S., et al. (2016). Mllib: Machine learning in apache spark. The Journal of Machine Learning Research, 17(1):1235–1241.

Pinto, T. B., da Silva, A. P. C., and Almeida, J. M. (2018). Previs ão do tempo de resposta de aplicac¸ ˜oes de big data em ambientes de nuvem. In Simp´osio Brasileiro de Redes de Computadores (SBRC), volume 36.

Popescu, A. D. (2015). Runtime prediction for scale-out data analytics. Technical report, EPFL.

Robert, C. (2014). Machine learning, a probabilistic perspective.

Song, G., Meng, Z., Huet, F., Magoules, F., Yu, L., and Lin, X. (2013). A hadoop mapreduce performance prediction method. In 2013 IEEE International Conference on High Performance Computing and Communications, pages 820–825. IEEE.

Stokes, C., Kumar, A., Choi, F., and Weischedel, R. (2015). Scaling nlp algorithms to meet high demand. In Big Data (Big Data), 2015 IEEE International Conference on, pages 2839–2839. IEEE.

Venkataraman, S., Yang, Z., Franklin, M. J., Recht, B., and Stoica, I. (2016). Ernest:
Efficient performance prediction for large-scale advanced analytics. In USENIX Symposium on Networked Systems Design and Implementation, pages 363–378.

Wang, K. and Khan, M. M. H. (2015). Performance prediction for apache spark platform. In 2015 IEEE 17th International Conference on High Performance Computing and Communications, pages 166–173.

Zaharia, M., Xin, R. S., Wendell, P., Das, T., Armbrust, M., Dave, A., Meng, X., Rosen, J., Venkataraman, S., Franklin, M. J., et al. (2016). Apache spark: a unified engine for big data processing. Communications of the ACM, 59(11):56–65.

Zhang, Q., Zhu, Q., and Boutaba, R. (2011). Dynamic resource allocation for spot markets in cloud computing environments. In 2011 Fourth IEEE International Conference on Utility and Cloud Computing, pages 178–185.

Zhang, Y., Qiu, M., Tsai, C.-W., Hassan, M. M., and Alamri, A. (2017). Health-cps: Healthcare cyber-physical system assisted by cloud and big data. IEEE Systems Journal, 11(1):88–95.
Publicado
27/08/2019
Como Citar

Selecione um Formato
MAROS, Alexandre ; ALMEIDA, Jussara ; MURAI, Fabricio ; COUTO DA SILVA, Ana Paula . Aprendizado de Máquina para Previsão do Tempo de Execução de Aplicações Spark. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 37. , 2019, Gramado. Anais do XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. Porto Alegre: Sociedade Brasileira de Computação, aug. 2019 . p. 197-210. ISSN 2177-9384. DOI: https://doi.org/10.5753/sbrc.2019.7360.