39.DataSet API之Iterations

原文链接： https://ci.apache.org/projects/flink/flink-docs-release-1.8/dev/batch/iterations.html

flink 1.8

 

迭代次数Iterations

迭代算法在数据分析的许多领域都有应用，如机器学习或图计算。这些算法能够从大数据集中提取一些有意义的特征信息。为了在大数据集上运行这些算法，需要以大规模并行方式执行迭代。

Flink程序通过定义一个步进函数（step function）并将其嵌入一个特殊的迭代操作算子来实现迭代算法。这个操作算子有两种变体：Iterate和Delta Iterate。这两个操作算子都在当前迭代状态上反复调用step函数，直到达到一定的终止条件。

在这里，我们提供了这两种操作算子变体的背景知识，并概述了它们的用法。编程指南  programming guide解释了如何在Scala和Java中实现这些操作算子。我们还通过Flink的图形处理API  Gelly支持以顶点vertext为中心和聚集求和的迭代。

在这里，我们提供两种算子变体的背景并概述它们的用法。该节目指南介绍了如何实现算子在这两个Scala和Java。我们还通过Flink的图计算API Gelly支持以顶点为中心和聚类求和的迭代。

下表提供了这两种操作符的概述:

	Iterate	Delta Iterate
Iteration Input迭代输入	Partial Solution 迭代输入	Workset and Solution Set Workset 和 Solution Set两个数据集
Step Function 步长函数	Arbitrary Data Flows 任意的数据流
State Update 状态更新	Next partial solution 下一轮迭代的输入	1.Next workset 2.Changes to solution set ● 下一个workset数据集 ● 对solution set数据集更新
Iteration Result迭代结果	Last partial solution 最后的迭代结果	Solution set state after last iteration 最后一次迭代后的solution set数据集状态
Termination 终止	1.Maximum number of iterations (default) 2.Custom aggregator convergence ● 最大迭代次数（默认） ● 自定义聚合器收敛	1.Maximum number of iterations or empty workset (default) 2.Custom aggregator convergence ● 最大迭代次数（默认） ● 自定义聚合器收敛

Iterate Operator

Iterate Operator 是一种简单的迭代形式：每一轮迭代，Step function 消费整个数据集（前一个迭代的结果或初始数据集），计算出下一轮迭代的输入（也称为 Next Partial Solution）（例如map，reduce，join，等等。），满足迭代的终止条件后，会输出最终迭代结果。

分析上图的流程：

1. 迭代输入：前一个迭代的结果或初始数据集。
2. Step function：Step function 将在每次迭代中执行。由算子 map、reduce、join 等组成。
3. Next Partial Solution：在每次迭代中，Step function 的输出将反馈到下一次迭代。
4. 迭代结果：最后一次迭代的输出被写入 DataSink 或用作后续算子的输入。

有多个选项可指定迭代的终止条件：

• 最大迭代次数：没有任何其他条件，迭代将执行多次。
• 自定义聚合器收敛：迭代允许指定自定义聚合器和收敛条件，如SUM聚合已发出记录的数目（聚合器），如果该数目为零则终止（收敛条件）。

你也可以考虑伪代码中的迭代操作算子:

IterationState state = getInitialState();

while (!terminationCriterion()) {
	state = step(state);
}

setFinalState(state);

有关详细信息和代码示例，请参阅编程指南 Programming Guide。

 

例如:递增的数字

在以下示例中，迭代地递增一组数字：

 

1.迭代输入：初始输入从数据源读取的五个记录（整数1到5）。

2.Step function：单个 map 算子，将整数字段从i增加到i+1。将应用于输入的每个记录。

3.Next Partial Solution：Step function 的输出（map 算子的输出），反馈给下一次迭代。

4.迭代结果：经过十次迭代，最初的数字将被增加十，新的数据集为整数11到15。

// 1st           2nd                       10th
map(1) -> 2      map(2) -> 3      ...      map(10) -> 11
map(2) -> 3      map(3) -> 4      ...      map(11) -> 12
map(3) -> 4      map(4) -> 5      ...      map(12) -> 13
map(4) -> 5      map(5) -> 6      ...      map(13) -> 14
map(5) -> 6      map(6) -> 7      ...      map(14) -> 15

注意，1、2和4可以是任意的数据流。

Delta Iterate

Delta Iterate 实现了增量迭代。有选择地修改其解中的元素并演化解决方案，而不是完全重新计算它。

在适用的情况下，这会使算法更高效，因为解中的每个元素不会都出现在每次迭代中。这样可以专注于解中的的 hot part，并保持 cold part 不受影响。

 

分析上图的流程：

1. 迭代输入：读取初始 Workset 和 Solution Set 作为第一次迭代的输入。
2. Step function：在每次迭代中执行。它是由map、reduce、join等操作算组成的任意数据流，这取决于您的特定任务job。
3. Next Workset / Update Solution Set：Next Workset 驱动迭代计算，并将反馈到下一个迭代。此外，Solution Set 将被更新并隐式转发（不需要重建）。两个数据集都可以由 Step function 的不同算子更新。
4. 迭代结果：在最后一次迭代之后，Solution Set 被写入 DataSink 或用作后续算子的输入。

Delta Iterate 的默认达到指定的最大迭代次数或当生成的下一个工作集为空时，迭代将终止。还可以指定自定义聚合器和收敛标准函数。

你也可以考虑伪代码中的迭代操作符:

IterationState workset = getInitialState();
IterationState solution = getInitialSolution();

while (!terminationCriterion()) {
	(delta, workset) = step(workset, solution);

	solution.update(delta)
}

setFinalState(solution);

有关详细信息和代码示例，请参阅编程指南 programming guide 。

 

示例：在图表中传播最小值

在下面的例子中，每个顶点都有一个ID和一个着色。每个顶点将把它的顶点ID传播到相邻的顶点。目标是为子图中的每个顶点分配最小ID。如果接收到的ID小于当前顶点的ID，那么它将更改为使用接收到的ID的顶点的颜色。

 

初始输入被设置为workset and solution set。在上图中，颜色可视化solution set的演化过程。每次迭代时，最小ID的颜色在相应的子图中展开。同时，每次迭代的工作量（交换和比较顶点ID）都会减少。与此相对应的workset 数据集的大小也会减小，其在三次迭代之后七个顶点将变为零，此时迭代终止。得到的最终结论是，下半部分的子图（5-6-7）比上半部分的子图（1-2-3-4）先收敛，delta迭代能够通过workset是否为空来捕获到这一点。

在上半部分的子图（1-2-3-4）中，ID1(橙色)是最小的ID。在第一次迭代中，它将被传播到顶点2，顶点2随后将其颜色更改为橙色。顶点3和4将接收ID2(黄色)作为它们当前的最小ID并更改为黄色。因为顶点1的颜色在第一次迭代中没有改变，所以可以在下一个workset工作集中跳过它。

在下半部分的子图（5-6-7）中，ID 5(青色)是最小ID。下半部分的子图（5-6-7）的所有顶点将在第一次迭代中接收到它。同样，我们可以跳过未更改的顶点(顶点5)用于下一个workset。

在第二次迭代中，工作集的大小已经从7个元素减少到5个元素(顶点2、3、4、6和7)。在此迭代之后，下半部分的子图（5-6-7）已经收敛(图的cold part)，因为它在workset中没有元素，而上半部分的子图（1-2-3-4）需要对剩下workset数据集中两个元素(顶点3和4)进行进一步的迭代(图的hot part )。

当工作集在第三次迭代之后为空时，迭代终止。

 

Superstep Synchronization

我们将迭代操作算子的每个步骤函数的执行称为单个迭代。在并行设置中，在迭代状态的不同分区上并行计算step函数的多个实例。在许多设置中，对所有并行实例上的step函数的一次评估形成了所谓的superstep，这也是同步的粒度。因此，迭代的所有并行任务都需要在初始化下一个superstep之前完成superstep。终止准则也将被评估为superstep函数。

 

 

https://ci.apache.org/projects/flink/flink-docs-release-1.8/dev/batch/iterations.html

https://flink.sojb.cn/dev/batch/iterations.html#example-propagate-minimum-in-graph

https://www.jianshu.com/p/f70eb1312c03