Инфраструктура для изучения основ машинного обучения на локальном компьютере с помощью Apache Spark

Соавтор

Данная статья создана с помощью @svantonov за что ему отдельная благодарность и признательность за помощь. Без него данный результат был бы не достижим.

Описание задачи

Прочитав несколько книг по машинному обучению, я решил проверить идеи из книг в тестовых задачах. Тестовые задачи решил создать самостоятельно, опираясь на прошлый опыт.

Первой задачей будет следующая. Предположим, откуда-то получаются файлы нескольких типов, например 10 различных типов. Один из получаемых типов будет вызывать увеличение загрузки процессора.

Необходимо найти, какой тип файлов вызывает загрузку процессора, применив машинное обучение. Прекрасно понимая, что эту задачу можно решить с помощью SQL. Но в рамках этой и следующих статей изучается машинное обучение, а не SQL.

Эта статья посвящена описанию того, как создать исходные данные для анализа и запустить базовую инфраструктуру машинного обучения на локальном компьютере, но при этом готовую к практически бесконечному масштабированию благодаря использованию Apache Spark.

БД с исходными данными

Описание базы данных

Структура базы данных сделана максимально простой.

В качестве БД выбран PostgreSQL.

Для хранения информации о времени пришедших типов файлов создана таблица received_types. В ней два значимых поля: тип пришедшего файла и время его получения.

Для хранения информации о загрузке процессора создана таблица cpu_load. В ней три значимых поля:

1. time_frame_start — время начала периода сбора информации о загрузке CPU.

2. time_frame_finish — время окончания периода сбора информации о загрузке CPU.

3. Процент загрузки CPU

Прямой связи между таблицами received_types и cpu_load нет. Связь между ними будет создаваться через поля времени.

Скрипт заполнения базы данных

Для начального заполнения базы данных создан скрипт, работающий как анонимная процедура или анонимный блок кода.

Какой именно тип файла будет создавать увеличенную нагрузку на процессор, определяется в скрипте.

На первом этапе, скрипт последовательно создает записи в таблице received_types о пришедших типах файлов. Интервалы между записями выбираются в диапазоне до 10 минут случайным образом.

На втором этапе, в таблицу cpu_load создаются записи о загрузке процессора за каждые 5 секунд. Т. е. в выбранном диапазоне дат, для каждых 5 секунд создается запись.

Если в эти 5 секунд есть записи о пришедших типах файла с большой загрузкой, то для этих записей выбирается случайным образом загрузка процесса в диапазоне 70-99,99%.

Если в эти 5 секунд есть записи о пришедших других типах файлов, не вызывающих загрузку процессора, то выбирается случайным образом число в диапазоне 10-30%.

Если в эти 5 секунд, нет записей о пришедших файлах, то создается запись о загрузке процессора в пределах 1-5%.

В результате, если в таблице received_types есть запись о пришедших файлах, то в таблице cpu_load, в это окно времени, будет запись об увеличении загрузки процессора. Если же пришел файл с типом, вызывающим увеличение загрузки, то в этом диапазоне загрузка будет подскакивать.

Так как нет прямой связи между таблицами received_types и cpu_load, связь есть косвенная, через поля времени то и найти, какой тип вызывает увеличение нагрузки на процессор, простым соединением нельзя.

Понимаемые ограничения и упрощения

В описанном примере есть ограничения и упрощения, так как это учебный пример самого начального уровня:

1. Пришедший файл увеличивает загрузку ровно в том же диапазоне времени, в котором он пришел. В реальности файл, пришедший в конце периода, вызовет загрузку в следующем периоде.

2. Все типы распределяют свою нагрузку равномерно по времени. В реальности почти всегда есть колебания нагрузки, не связанные с искомой задачей.

Запуск инфраструктуры

PostgreSQL

Наиболее удобным и простым способом работы с PostgreSQL для локальной работы является запуск его в Docker. Описанию этого процесса посвящено множество инструкций, начиная с приведенной ссылки на сам сайт hub.docker.com, поэтому здесь не будет описания как устанавливать PostgreSQL.

Apache Spark

Причина выбора

В данном примере для инфраструктуры машинного обучения выбран Apache Spark в силу своей доступности, распространенности и возможности установки как в локальном варианте, показанном здесь, так и в рабочей инфраструктуре под большую нагрузку.

Как запускать

Сам Apache Spark имеет описание, как запускать его локально в Docker с помощью compose файлов. Однако для данного примера было решено разработать свой compose файл с целью решения следующих задач:

1. Добавление в Apache Spark jdbc драйвера для подключения к PostgreSQL.

2. Активация в Apache Spark работы через spark-connect, который облегчает работу с Apache Spark в задачах обучения и тестирования.

Проект для compose файла запуска Apache Spark с учетом описанных выше требований доступен по ссылке. Пояснения по используемому проекту:

1. При запуске в образ apache-spark добавляется jdbc драйвер для подключения к PostgreSQL.

2. В compose файл добавлен блок запуска spark-connect для облегчения работы с Apache Spark.

3. При запуске Apache Spark скачивается библиотека поддержки Hadoop.

4. Самым простым способом запуска выбран запуск проекта с помощью make файла командой make spark-up из корня проекта. Утилита make не входит в Windows. Для Windows ее придется искать и устанавливать отдельно.

Связь с PostgreSQL

Получается, что PostgreSQL и Apache Spark работают в разных виртуальных сетях Docker, и напрямую Apache Spark не сможет подключиться к PostgreSQL.

Для решения этой проблемы при запуске задач Apache Spark будет указываться адрес подключения PostgreSQL в таком виде:

DB_URL=jdbc:postgresql://host.docker.internal:5432/logs

где указание «host.docker.internal» приведет Apache Spark к IP-порту компьютера, на котором запущен Docker.

Конечно, можно создать общий docker compose файл для PostgreSQL и Apache Spark или связать их через общую docker сеть, но обсуждение таких нюансов выходит за рамки данной статьи.

Необходимые открытые IP порты

Для работы с PostgreSQL он должен быть доступен. Наиболее простым способом является открытие IP порта 5432 из Docker container для PostgreSQL.

IP порты для Apache Spark описаны в docker compose файле для Apache Spark в этом, этом и этом местах.

Версия Python

В следующей статье все примеры будут сделаны на Python с помощью PySpark. На текущий момент времени примеры работают на версии Python 3.12

Зависимости Python скриптов

Все зависимости описаны в requirements.txt. На данный момент времени они ограничены этими тремя:

1. pyspark

2. pyspark-client

3. pyspark-stubs

Выводы

Описанная инфраструктура позволяет:

1. Запустить на локальном компьютере, в Docker, связку Apache Spark + PostgreSQL.

2. Создать базу данных с тестовыми данными.

3. Подключиться к Apache Spark с целью запуска Spark задач.