Luận văn thạc sĩ phân tích hành vi sử dụng dịch vụ viễn thông của khách hàng dựa trên thuật toán phân cụm

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 dị

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

2

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

3

LỜI CAM ĐOAN

Tôi xin cam đoan rằng 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” 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 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 …

…

4

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: Spark và giải thuật rừng ngẫu nhiên song song (Parallel Random Forest - PRF) 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

Chương 4: Triển khai thực nghiệm 57

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

5

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

6

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

7

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

8

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

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

10

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

11

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

12

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,

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

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

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)

16

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

17

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

18

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

19

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:

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

21

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

22

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

23

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

24

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

25

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

26

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

27

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

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:

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)

Dữ liệu gán

nhãn

29

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

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

31

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

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

33

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

34

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

Tập dữ liệu huấn luyện ban đầu: S = {f (x i ; y j ); 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 S Train:

S Train = {S 1 ; S 2 ;…; S k }

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 S OOB :

S OOB = {OOB 1 ; OOB ; … ;OOB k },

35

Với k≪ N , S i ∩ OOB i = 𝜙 và S i ∪OOB i = 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 S i 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

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

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

𝑘

𝑖=1

Với h j (x, Θ j ) 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 Θ j 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

36

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

37

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

38

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 ~ y M-2 là số lượng thuộc tính đầu vào, y M-1 là

thuộc tính mục tiêu Với mỗi thuộc tính y i và biến thuộc tính y M-1 của tất cả các

bản ghi được chọn và tạo thành một tập con thuộc tính đặc trưng FS j, được biểu diễn dưới dạng:

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

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:

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