大数据技术原理与应用（第2版教材）-第11章-图计算.ppt

《大数据技术原理与应用（第2版教材）-第11章-图计算.ppt》由会员分享，可在线阅读，更多相关《大数据技术原理与应用（第2版教材）-第11章-图计算.ppt（70页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 厦门大学计算机科学系 2017年2月版本林子雨林子雨厦门大学计算机科学系厦门大学计算机科学系E-mail: 主页：主页：http:/ 图计算图计算 （PPT版本号：版本号：2017年年2月版本）月版本） http:/ 厦门大学计算机科学系 林子雨 本章配套教学视频http:/ 图计算在线视频观看地址大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 提纲11.1图计算简介图计算简介11.2Pregel简介简介11.3Pregel图计算模型图计算模型11.4Pregel的的C+ API11.5Pregel的体系结构的体系结构

2、11.6Pregel的应用实例的应用实例11.7 Pregel和和MapReduce实现实现PageRank算法的对比算法的对比11.8 Hama的安装和使用的安装和使用欢迎访问大数据技术原理与应用教材官方网站：http:/ （2017年2月第2版）ISBN:978-7-115-44330-4厦门大学 林子雨 编著，人民邮电出版社大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.1 图计算简介 11.1.1 图结构数据 11.1.2 传统图计算解决方案的不足之处 11.1.3 图计算通用软件大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 许多大数据都是以大规模图

3、或网络的形式呈现，如社交网络、传染病传播途径、交通事故对路网的影响许多非图结构的大数据，也常常会被转换为图模型后进行分析图数据结构很好地表达了数据之间的关联性关联性计算是大数据计算的核心通过获得数据的关联性，可以从噪音很多的海量数据中抽取有用的信息比如，通过为购物者之间的关系建模，就能很快找到口味相似的用户，并为之推荐商品或者在社交网络中，通过传播关系发现意见领袖11.1.1 图结构数据大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.1.2传统图计算解决方案的不足之处很多传统的图计算算法都存在以下几个典型问题：（1）常常表现出比较差的内存访问局部性（2）针对单个顶点的处理工

4、作过少（3）计算过程中伴随着并行度的改变大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.1.2传统图计算解决方案的不足之处针对大型图（比如社交网络和网络图）的计算问题，可能的解决方案及其不足之处具体如下：（1）为特定的图应用定制相应的分布式实现）为特定的图应用定制相应的分布式实现：通用性不好（2）基于现有的分布式计算平台进行图计算）基于现有的分布式计算平台进行图计算：在性能和易用性方面往往无法达到最优现有的并行计算框架像MapReduce还无法满足复杂的关联性计算MapReduce作为单输入、两阶段、粗粒度数据并行的分布式计算框架，在表达多迭代、稀疏结构和细粒度数据时，力不

5、从心比如，有公司利用MapReduce进行社交用户推荐，对于5000万注册用户，50亿关系对，利用10台机器的集群，需要超过10个小时的计算（3）使用单机的图算法库）使用单机的图算法库：比如BGL、LEAD、NetworkX、JDSL、Standford GraphBase和FGL等，但是，在可以解决的问题的规模方面具有很大的局限性（4）使用已有的并行图计算系统）使用已有的并行图计算系统：比如，Parallel BGL和CGM Graph，实现了很多并行图算法，但是，对大规模分布式系统非常重要的一些方面（比如容错），无法提供较好的支持大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨

6、 传统的图计算解决方案无法解决大型图的计算问题，因此，就需要设计能够用来解决这些问题的通用图计算软件 针对大型图的计算，目前通用的图计算软件主要包括两种： 第一种主要是基于遍历算法基于遍历算法的、的、实时的图数据库实时的图数据库，如Neo4j、OrientDB、DEX和 Infinite Graph 第二种则是以图顶点为中心的、基于消息传递批处理的并以图顶点为中心的、基于消息传递批处理的并行引擎行引擎，如GoldenOrb、Giraph、Pregel和Hama，这些图处理软件主要是基于BSP模型实现的并行图处理系统11.1.3 图计算通用软件大数据技术原理与应用（第2版） 厦门大学计算机科学系

7、 林子雨 11.1.3图计算通用软件一次BSP(Bulk Synchronous Parallel Computing Model，又称“大同步”模型)计算过程包括一系列全局超步（所谓的超步就是计算中的一次迭代），每个超步主要包括三个组件：局部计算局部计算：每个参与的处理器处理器都有自身的计算任务，它们只读取存储在本地内存中的值，不同处理器的计算任务都是异步并且独立的通讯通讯：处理器群相互交换数据，交换的形式是，由一方发起推送(put)和获取(get)操作栅栏同步栅栏同步(Barrier Synchronization)：当一个处理器遇到“路障”（或栅栏），会等到其他所有处理器完成它们的计算步

8、骤；每一次同步也是一个超步的完成和下一个超步的开始图9 1 一个超步的垂直结构图 大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.2 Pregel简介谷歌公司在2003年到2004年公布了GFS、MapReduce和BigTable，成为后来云计算和Hadoop项目的重要基石谷歌在后Hadoop时代的新“三驾马车”Caffeine、Dremel和Pregel，再一次影响着圈子与大数据技术的发展潮流Pregel是一种基于BSP模型实现的并行图处理系统为了解决大型图的分布式计算问题，Pregel搭建了一套可扩展的、有容错机制的平台，该平台提供了一套非常灵活的API，可以描述各种

9、各样的图计算Pregel作为分布式图计算的计算框架，主要用于图遍历、最短路径、PageRank计算等等大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.3 Pregel图计算模型 11.3.1有向图和顶点 11.3.2顶点之间的消息传递 11.3.3Pregel的计算过程 11.3.4实例大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.3.1有向图和顶点Pregel计算模型以有向图作为输入有向图的每个顶点都有一个String类型的顶点ID每个顶点都有一个可修改的用户自定义值与之关联每条有向边都和其源顶点关联，并记录了其目标顶点ID边上有一个可修改的用户自定

10、义值与之关联String类型的顶点ID可修改的用户自定义值边上有一个可修改的用户自定义值边e1顶点大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.3.1有向图和顶点在每个超步S中，图中的所有顶点都会并行执行相同的用户自定义函数每个顶点可以接收前一个超步(S-1)中发送给它的消息，修改其自身及其出射边的状态，并发送消息给其他顶点，甚至是修改整个图的拓扑结构在这种计算模式中，“边”并不是核心对象，在边上面不会运行相应的计算，只有顶点才会执行用户自定义函数进行相应计算表示顶点表示发送消息大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.3.2顶点之间的消息传递图

11、9 2 纯消息传递模型图 采用消息传递模型主要基于以下两个原因：（1）消息传递具有足够的表达能力，没有必要使用远程读取或共享内存的方式（2）有助于提升系统整体性能。大型图计算通常是由一个集群完成的，集群环境中执行远程数据读取会有较高的延迟；Pregel的消息模式采用异步和批量的方式传递消息，因此可以缓解远程读取的延迟 大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.3.3Pregel的计算过程Pregel的计算过程是由一系列被称为“超步”的迭代组成的在每个超步中，每个顶点上面都会并行执行用户自定义的函数，该函数描述了一个顶点V在一个超步S中需要执行的操作该函数可以读取前一个

12、超步(S-1)中其他顶点发送给顶点V的消息，执行相应计算后，修改顶点V及其出射边的状态，然后沿着顶点V的出射边发送消息给其他顶点，而且，一个消息可能经过多条边的传递后被发送到任意已知ID的目标顶点上去这些消息将会在下一个超步(S+1)中被目标顶点接收，然后象上述过程一样开始下一个超步(S+1)的迭代过程表示顶点表示发送消息123456123456123456大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.3.3Pregel的计算过程图9 3 一个简单的状态机图在Pregel计算过程中，一个算法什么时候可以结束，是由所有顶点的状态决定的在第0个超步，所有顶点处于活跃状态，都会

13、参与该超步的计算过程当一个顶点不需要继续执行进一步的计算时，就会把自己的状态设置为“停机”，进入非活跃状态一旦一个顶点进入非活跃状态，后续超步中就不会再在该顶点上执行计算，除非其他顶点给该顶点发送消息把它再次激活当一个处于非活跃状态的顶点收到来自其他顶点的消息时，Pregel计算框架必须根据条件判断来决定是否将其显式唤醒进入活跃状态当图中所有的顶点都已经标识其自身达到“非活跃（inactive）”状态，并且没有消息在传送的时候，算法就可以停止运行大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.3.4实例图9 4 一个求最大值的Pregel计算过程图 活跃非活跃ABCDABC

14、DABCD3662216666大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.4 Pregel的C+ APIPregel已经预先定义好一个基类Vertex类：template class Vertex public:virtual void Compute(MessageIterator* msgs) = 0;const string& vertex_id() const;int64 superstep() const;const VertexValue& GetValue();VertexValue* MutableValue();OutEdgeIterator GetO

15、utEdgeIterator();void SendMessageTo(const string& dest_vertex,const MessageValue& message);void VoteToHalt(); ;在Vetex类中，定义了三个值类型参数，分别表示顶点、边和消息。每一个顶点都有一个给定类型的值与之对应编写Pregel程序时，需要继承Vertex类，并且覆写Vertex类的虚函数Compute() 大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 在Pregel执行计算过程时，在每个超步中都会并行调用每个顶点上定义的Compute()函数允许Compute()方

16、法查询当前顶点及其边的信息，以及发送消息到其他的顶点Compute()方法可以调用GetValue()方法来获取当前顶点的值调用MutableValue()方法来修改当前顶点的值通过由出射边的迭代器提供的方法来查看、修改出射边对应的值对状态的修改，对于被修改的顶点而言是可以立即被看见的，但是，对于其他顶点而言是不可见的，因此，不同顶点并发进行的数据访问是不存在竞争关系的整个过程中，唯一需要在超步之间持久化的顶点级状态，是顶点和其对应的边所关联的值，因而，Pregel计算框架所需要管理的图状态就只包括顶点和边所关联的值，这种做法大大简化了计算流程，同时，也有利于图的分布和故障恢复11.4 Pre

17、gel的C+ API大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.4 Pregel的C+ API 11.4.1消息传递机制 11.4.2Combiner 11.4.3Aggregator 11.4.4拓扑改变 11.4.5输入和输出大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.4.1消息传递机制顶点之间的通讯是借助于消息传递机制来实现的，每条消息都包含了消息值和需要到达的目标顶点ID。用户可以通过Vertex类的模板参数来设定消息值的数据类型在一个超步S中，一个顶点可以发送任意数量的消息，这些消息将在下一个超步（S+1）中被其他顶点接收也就是说，在超

18、步（S+1）中，当Pregel计算框架在顶点V上执行用户自定义的Compute()方法时，所有在前一个超步S中发送给顶点V的消息，都可以通过一个迭代器来访问到。迭代器不能保证消息的顺序，不过可以保证消息一定会被传送并且不会被重复传送一个顶点V通过与之关联的出射边向外发送消息，并且，消息要到达的目标顶点并不一定是与顶点V相邻的顶点，一个消息可以连续经过多条连通的边到达某个与顶点V不相邻的顶点U，U可以从接收的消息中获取到与其不相邻的顶点V的ID大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.4.2CombinerPregel计算框架在消息发出去之前，Combiner可以将发往

19、同一个顶点的多个整型值进行求和得到一个值，只需向外发送这个“求和结果”，从而实现了由多个消息合并成一个消息，大大减少了传输和缓存的开销在默认情况下，Pregel计算框架并不会开启Combiner功能，因为，通常很难找到一种对所有顶点的Compute()函数都合适的Combiner当用户打算开启Combiner功能时，可以继承Combiner类并覆写虚函数Combine()此外，通常只对那些满足交换律和结合律的操作才可以去开启Combiner功能，因为，Pregel计算框架无法保证哪些消息会被合并，也无法保证消息传递给 Combine()的顺序和合并操作执行的顺序图9-5 Combiner应用的

20、例子大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.4.3AggregatorAggregator提供了一种全局通信、监控和数据查看的机制在一个超步S中，每一个顶点都可以向一个Aggregator提供一个数据，Pregel计算框架会对这些值进行聚合操作产生一个值，在下一个超步（S+1）中，图中的所有顶点都可以看见这个值Aggregator的聚合功能，允许在整型和字符串类型上执行最大值、最小值、求和操作，比如，可以定义一个“Sum”Aggregator来统计每个顶点的出射边数量，最后相加可以得到整个图的边的数量Aggregator还可以实现全局协同的功能，比如，可以设计“an

21、d” Aggregator来决定在某个超步中Compute()函数是否执行某些逻辑分支，只有当“and” Aggregator显示所有顶点都满足了某条件时，才去执行这些逻辑分支大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.4.4拓扑改变Pregel计算框架允许用户在自定义函数Compute()中定义操作，修改图的拓扑结构，比如在图中增加（或删除）边或顶点对于全局拓扑改变，Pregel采用了惰性协调机制，在改变请求发出时，Pregel不会对这些操作进行协调，只有当这些改变请求的消息到达目标顶点并被执行时，Pregel才会对这些操作进行协调，这样，所有针对某个顶点V的拓扑修改

22、操作所引发的冲突，都会由V自己来处理对于本地的局部拓扑改变，是不会引发冲突的，顶点或边的本地增减能够立即生效，很大程度上简化了分布式编程大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.4.5输入和输出在Pregel计算框架中，图的保存格式多种多样，包括文本文件、关系数据库或键值数据库等在Pregel中，“从输入文件生成得到图结构”和“执行图计算”这两个过程是分离的，从而不会限制输入文件的格式对于输出，Pregel也采用了灵活的方式，可以以多种方式进行输出大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5 Pregel的体系结构 11.5.1Pregel的

23、执行过程 11.5.2容错性 11.5.3Worker 11.5.4Master 11.5.5Aggregator大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.1Pregel的执行过程图9-6图的划分图在Pregel计算框架中，一个大型图会被划分成许多个分区，每个分区都包含了一部分顶点以及以其为起点的边一个顶点应该被分配到哪个分区上，是由一个函数决定的，系统默认函数为hash(ID) mod N，其中，N为所有分区总数，ID是这个顶点的标识符；当然，用户也可以自己定义这个函数这样，无论在哪台机器上，都可以简单根据顶点ID判断出该顶点属于哪个分区，即使该顶点可能已经不存

24、在了大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.1Pregel的执行过程图9-7 Pregel的执行过程图 在理想的情况下（不发生任何错误），一个Pregel用户程序的执行过程如下：（1）选择集群中的多台机器执行图计算任务，每台机器上运行用户程序的一个副本，其中，有一台机器会被选为Master，其他机器作为Worker。Master只负责协调多个Worker执行任务，系统不会把图的任何分区分配给它。Worker借助于名称服务系统可以定位到Master的位置，并向Master发送自己的注册信息。（2）Master把一个图分成多个分区，并把分区分配到多个Worker。一

25、个Worker会领到一个或多个分区，每个Worker知道所有其他Worker所分配到的分区情况。每个Worker负责维护分配给自己的那些分区的状态(顶点及边的增删)，对分配给自己的分区中的顶点执行Compute()函数，向外发送消息，并管理接收到的消息。大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.1Pregel的执行过程图9-7 Pregel的执行过程图 （3）Master会把用户输入划分成多个部分，通常是基于文件边界进行划分。划分后，每个部分都是一系列记录的集合，每条记录都包含一定数量的顶点和边。然后，Master会为每个Worker分配用户输入的一部分。如果一个

26、Worker从输入内容中加载到的顶点，刚好是自己所分配到的分区中的顶点，就会立即更新相应的数据结构。否则，该Worker会根据加载到的顶点的ID，把它发送到其所属的分区所在的Worker上。当所有的输入都被加载后，图中的所有顶点都会被标记为“活跃”状态。大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.1Pregel的执行过程图9-7 Pregel的执行过程图 （4）Master向每个Worker发送指令，Worker收到指令后，开始运行一个超步。Worker会为自己管辖的每个分区分配一个线程，对于分区中的每个顶点，Worker会把来自上一个超步的、发给该顶点的消息传递给

27、它，并调用处于“活跃”状态的顶点上的Compute()函数，在执行计算过程中，顶点可以对外发送消息，但是，所有消息的发送工作必须在本超步结束之前完成。当所有这些工作都完成以后，Worker会通知Master，并把自己在下一个超步还处于“活跃”状态的顶点的数量报告给Master。上述步骤会被不断重复，直到所有顶点都不再活跃并且系统中不会有任何消息在传输，这时，执行过程才会结束。（5）计算过程结束后，Master会给所有的Worker发送指令，通知每个Worker对自己的计算结果进行持久化存储。大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.2容错性Pregel采用检查点机

28、制来实现容错。在每个超步的开始，Master会通知所有的Worker把自己管辖的分区的状态（包括顶点值、边值以及接收到的消息），写入到持久化存储设备Master会周期性地向每个Worker发送ping消息，Worker收到ping消息后会给Master发送反馈消息。如果Master在指定时间间隔内没有收到某个Worker的反馈消息，就会把该Worker标记为“失效”。同样地，如果一个Worker在指定的时间间隔内没有收到来自Master的ping消息，该Worker也会停止工作每个Worker上都保存了一个或多个分区的状态信息，当一个Worker发生故障时，它所负责维护的分区的当前状态信息就会

29、丢失。Master监测到一个Worker发生故障“失效”后，会把失效Worker所分配到的分区，重新分配到其他处于正常工作状态的Worker集合上，然后，所有这些分区会从最近的某超步S开始时写出的检查点中，重新加载状态信息大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.3Worker在一个Worker中，它所管辖的分区的状态信息是保存在内存中的。分区中的顶点的状态信息包括：顶点的当前值以该顶点为起点的出射边列表，每条出射边包含了目标顶点ID和边的值消息队列，包含了所有接收到的、发送给该顶点的消息标志位，用来标记顶点是否处于活跃状态在每个超步中，Worker会对自己所管辖

30、的分区中的每个顶点进行遍历，并调用顶点上的Compute()函数，在调用时，会把以下三个参数传递进去：该顶点的当前值一个接收到的消息的迭代器一个出射边的迭代器 大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 在Pregel中，为了获得更好的性能，“标志位”和输入消息队列是分开保存的对于每个顶点而言，Pregel只保存一份顶点值和边值，但是，会保存两份“标志位”和输入消息队列，分别用于当前超步和下一个超步在超步S中，当一个Worker在进行顶点处理时，用于当前超步的消息会被处理，同时，它在处理过程中还会接收到来自其他Worker的消息，这些消息会在下一个超步S+1中被处理，因此，需

31、要两个消息队列用于存放作用于当前超步S的消息和作用于下一个超步S+1的消息如果一个顶点V在超步S接收到消息，那么，它表示V将会在下一个超步S+1中（而不是当前超步S中）处于“活跃”状态11.5.3Worker大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 当一个Worker上的一个顶点V需要发送消息到其他顶点U时，该Worker会首先判断目标顶点U是否位于自己机器上如果目标顶点U在自己的机器上，就直接把消息放入到与目标顶点U对应的输入消息队列中如果发现目标顶点U在远程机器上，这个消息就会被暂时缓存到本地，当缓存中的消息数目达到一个事先设定的阈值时，这些缓存消息会被批量异步发送出去

32、，传输到目标顶点所在的Worker上如果存在用户自定义的Combiner操作，那么，当消息被加入到输出队列或者到达输入队列时，就可以对消息执行合并操作，这样可以节省存储空间和网络传输开销11.5.3Worker大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.4MasterMaster主要负责协调各个Worker执行任务，每个Worker会借助于名称服务系统定位到Master的位置，并向Master发送自己的注册信息，Master会为每个Worker分配一个唯一的IDMaster维护着关于当前处于“有效”状态的所有Worker的各种信息，包括每个Worker的ID和地址信

33、息，以及每个Worker被分配到的分区信息虽然在集群中只有一个Master，但是，它仍然能够承担起一个大规模图计算的协调任务，这是因为Master中保存这些信息的数据结构的大小，只与分区的数量有关，而与顶点和边的数量无关大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 一个大规模图计算任务会被Master分解到多个Worker去执行，在每个超步开始时，Master都会向所有处于“有效”状态的Worker发送相同的指令，然后等待这些Worker的回应如果在指定时间内收不到某个Worker的反馈，Master就认为这个Worker失效如果参与任务执行的多个Worker中的任意一个发生了

34、故障失效，Master就会进入恢复模式在每个超步中，图计算的各种工作，比如输入、输出、计算、保存和从检查点中恢复，都会在“路障（barrier）”之前结束如果路障同步成功，说明一个超步顺利结束，Master就会进入下一个处理阶段，图计算进入下一个超步的执行11.5.4Master大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.4MasterMaster在内部运行了一个HTTP服务器来显示图计算过程的各种信息用户可以通过网页随时监控图计算执行过程各个细节图的大小关于出度分布的柱状图处于活跃状态的顶点数量在当前超步的时间信息和消息流量所有用户自定义Aggregator的值大

35、数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.5.5Aggregator 每个用户自定义的Aggregator都会采用聚合函数对一个值集合进行聚合计算得到一个全局值 每个Worker都保存了一个Aggregator的实例集，其中的每个实例都是由类型名称和实例名称来标识的 在执行图计算过程的某个超步S中，每个Worker会利用一个Aggregator对当前本地分区中包含的所有顶点的值进行归约，得到一个本地的局部归约值 在超步S结束时，所有Worker会将所有包含局部归约值的Aggregator的值进行最后的汇总，得到全局值，然后提交给Master 在下一个超步S+1开始时，M

36、aster就会将Aggregator的全局值发送给每个Worker大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.6 Pregel的应用实例 11.6.1 单源最短路径 11.6.2 二分匹配大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.6.1 单源最短路径Dijkstra算法是解决单源最短路径问题的贪婪算法大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 Pregel非常适合用来解决单源最短路径问题，实现代码如下：1 class ShortestPathVertex2 : public Vertex 3 void Compute(Mess

37、ageIterator* msgs) 4 int mindist = IsSource(vertex_id() ? 0 : INF;5 for (; !msgs-Done(); msgs-Next()6 mindist = min(mindist, msgs-Value();7 if (mindist GetValue() 8 *MutableValue() = mindist;9 OutEdgeIterator iter = GetOutEdgeIterator();10 for (; !iter.Done(); iter.Next()11 SendMessageTo(iter.Target

38、(),12 mindist + iter.GetValue();13 14 VoteToHalt();15 16 ;11.6.1 单源最短路径大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 012340INFINFINFINFINF表表1 超步超步0开始时的顶点值开始时的顶点值每个顶点并行执行Compute()函数1234010030无10表3 顶点0向其他顶点发送消息0123400INFINFINFINF表表2 超步超步0结束时的顶点值结束时的顶点值超步0结束时，所有顶点非活跃11.6.1 单源最短路径大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.6.1

39、单源最短路径0123400INFINFINFINF表表5 超步超步1开始时的顶点值开始时的顶点值012340010030INF10表表6 超步超步1结束时的顶点值结束时的顶点值1234010030无10表表4 上一步（超步上一步（超步0）中发出的消息）中发出的消息超步1：顶点0：没有收到消息，依然非活跃顶点1：收到消息100（唯一消息），被显式唤醒，执行计算，mindist变为100，小于顶点值INF，顶点值修改为100，没有出射边，不需要发送消息，最后变为非活跃顶点2：收到消息30，被显式唤醒，执行计算， mindist变为30，小于顶点值INF，顶点值修改为30，有两条出射边，向顶点3发送

40、消息90（即：30+60），向顶点1发送消息90（即：30+60），最后变为非活跃顶点3：没有收到消息，依然非活跃顶点4：收到消息10，被显式唤醒，执行计算， mindist变为10，小于顶点值INF，顶点值修改为10，向顶点3发送消息60（即：10+50），最后变为非活跃剩余超步省略当所有顶点非活跃，并且没有消息传递，就结束大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.6.2二分匹配程序的执行过程是由四个阶段组成的多个循环组成的，当程序执行到超步S时，S mod 4就可以得到当前超步处于循环的哪个阶段。每个循环的四个阶段如下： （1）阶段）阶段0：对于左集合中的任意顶点

41、V，如果V还没有被匹配，就发送消息给它的每个邻居顶点请求匹配，然后，顶点V会调用VoteToHalt()进入“非活跃”状态。如果顶点V已经找到了匹配，或者V没有找到匹配但是没有出射边，那么，顶点V就不会发送消息。当顶点V没有发送消息，或者顶点V发送了消息但是所有的消息接收者都已经被匹配，那么，该顶点就不会再变为“活跃（active）”状态 （2）阶段）阶段1：对于右集合中的任意顶点U，如果它还没有被匹配，则会随机选择它接收到的消息中的其中一个，并向左集合中的消息发送者发送消息表示接受该匹配请求，然后给左集合中的其他请求者发送拒绝消息；然后，顶点U会调用VoteToHalt()进入“非活跃”状态

42、 （3）阶段）阶段2：左集合中那些还未被匹配的顶点，会从它所收到的、右集合发送过来的接受请求中，选择其中一个给予确认，并发送一个确认消息。对于左集合中已经匹配的顶点而言，因为它们在阶段0不会向右集合发送任何匹配请求消息，因而也不会接收到任何来自右集合的匹配接受消息，因此，是不会执行阶段2的 （4）阶段）阶段3：右集合中还未被匹配的任意顶点U，会收到来自左集合的匹配确认消息，但是，每个未匹配的顶点U，最多会收到一个确认消息。然后，顶点U会调用VoteToHalt()进入“非活跃”状态，完成它自身的匹配工作 大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.7 Pregel和Ma

43、pReduce实现PageRank算法的对比11.7.1 PageRank算法算法11.7.2 PageRank算法在算法在Pregel中的实现中的实现11.7.3 PageRank算法在算法在MapReduce中的实现中的实现11.7.4 PageRank算法在算法在Pregel和和MapReduce中实现的比较中实现的比较大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 PageRank是一个函数，它为网络中每个网页赋一个权值。通过该权值来判断该网页的重要性该权值分配的方法并不是固定的，对PageRank算法的一些简单变形都会改变网页的相对PageRank值（PR值）PageR

44、ank作为谷歌的网页链接排名算法，基本公式如下：对于任意一个网页链接，其PR值为链入到该链接的源链接的PR值对该链接的贡献和，其中，N表示该网络中所有网页的数量，Ni为第i个源链接的链出度，PRi表示第i个源链接的PR值11.7.1 PageRank算法算法大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.7.1 PageRank算法算法网络链接之间的关系可以用一个连通图来表示，下图就是四个网页（A,B,C,D）互相链入链出组成的连通图，从中可以看出，网页A中包含指向网页B、C和D的外链，网页B和D是网页A的源链接大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨

45、在Pregel计算模型中，图中的每个顶点会对应一个计算单元，每个计算单元包含三个成员变量： 顶点值（Vertex value）：顶点对应的PR值 出射边（Out edge）：只需要表示一条边，可以不取值 消息（Message）：传递的消息，因为需要将本顶点对其它顶点的PR贡献值，传递给目标顶点每个计算单元包含一个成员函数Compute()，该函数定义了顶点上的运算，包括该顶点的PR值计算，以及从该顶点发送消息到其链出顶点11.7.2 PageRank算法在算法在Pregel中的实现中的实现大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.7.2 PageRank算法在算法在P

46、regel中的实现中的实现class PageRankVertex: public Vertex public: virtual void Compute(MessageIterator* msgs) if (superstep() = 1) double sum = 0;for (;!msgs-Done(); msgs-Next()sum += msgs-Value();*MutableValue() =0.15 / NumVertices() + 0.85 * sum;if (superstep() 30) const int64 n = GetOutEdgeIterator().size

47、(); SendMessageToAllNeighbors(GetValue()/ n); else VoteToHalt();大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.7.2 PageRank算法在算法在Pregel中的实现中的实现PageRankVertex继承自Vertex类，顶点值类型是double，用来保存PageRank中间值，消息类型也是double，用来传输PageRank值，边的value类型是void，因为不需要存储任何信息这里假设在第0个超步时，图中各顶点值被初始化为1/NumVertices()，其中，NumVertices()表示顶点数目在前

48、30个超步中，每个顶点都会沿着它的出射边，发送它的PageRank值除以出射边数目以后的结果值。从第1个超步开始，每个顶点会将到达的消息中的值加到sum值中，同时将它的PageRank值设为0.15/NumVertices()+0.85*sum到了第30个超步后，就没有需要发送的消息了，同时所有的顶点停止计算，得到最终结果大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 MapReduce也是谷歌公司提出的一种计算模型，它是为全量计算而设计采用MapReduce实现PageRank的计算过程包括三个阶段： 第一阶段：解析网页第一阶段：解析网页 第二阶段：第二阶段：PageRank分

49、配分配 第三阶段：收敛阶段第三阶段：收敛阶段11.7.3 PageRank算法在算法在MapReduce中的实现中的实现大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.7.3 PageRank算法在算法在MapReduce中的实现中的实现该阶段的任务就是分析一个页面的链接数并赋初值。一个网页可以表示为由网址和内容构成的键值对，作为Map任务的输入。阶段1的Map任务把映射为URL，后进行输出，其中，PRinit是该URL页面对应的PageRank初始值，url_list包含了该URL页面中的外链所指向的所有URL。Reduce任务只是恒等函数，输入和输出相同。对右图，每个网

50、页的初始PageRank值为1/4。它在该阶段中:Map任务的输入为： Map任务的输出为：AURL，1/4，BURL，1/4，CURL，DURL，1/4，1. 阶段阶段1：解析网页：解析网页大数据技术原理与应用（第2版） 厦门大学计算机科学系 林子雨 11.7.3 PageRank算法在算法在MapReduce中的实现中的实现该阶段的任务就是多次迭代计算页面的PageRank值。在该阶段中，Map任务的输入是URL，其中，cur_rank是该URL页面对应的PageRank当前值，url_list包含了该URL页面中的外链所指向的所有URL。对于url_list中的每个元素u，Map任务输出