大数据存储及处理-概述.ppt

二级存储器 从磁盘读入数据的时间是从内存读入数据的100000倍。磁盘读入数据的时间大约是10毫秒。 如果需要读取的数据在磁盘上的一个柱面上，则读入一批数据时不需要转动磁头，则读入每块数据的时间可以小于10毫秒。 * * 1.3.6 幂律分布 随机变量的概率分布可以写为 Y=c Xa Log y=b+a log(x) 变量的横轴和纵轴取对数后，是一条直线 * * 1.3.6 幂律分布 Web图中的节点度 商品的销量 Web网站的大小 词在文档中的分布 * * 1.3.6 幂律分布 原因来自于马太效应 某网站有较多的输入链接，将导致更多的人找到他，从而获得更多的输入链接 * * * * * 大数据的存贮和处理 赵永祥 * * 课程内容 概述 大规模文件系统和Mapreduce 相似项发现 数据流挖掘 链接分析 频繁项集 聚类 Web广告 推荐系统 教材 /~ullman/mmds/book.pdf 大数据-互联网大规模数据挖掘与分布式处理 / * * * * 第一章数据挖掘的基本概念 1·1 数据挖掘的定义 1.2 数据挖掘的统计限制 1·3 相关知识 数据挖掘的定义 数据挖掘是数据模型的发现过程。 什么是模型？ 统什模型: 研究可见数据遵从的总体概率分布。如已有一系列数据，先猜想服从高斯分布，从数据获取模型参数，验证与数据分布是附合 机器学习。 将数据当作某类算法的训练集训练算法。然后再用这个算法分析未知的数据 * * 什么是模型？ 机器学习的长处。当对要在数据中寻找的目标一无所知的时候。如不知道是哪些因素影响人们对影片的喜好。netflix竞赛。 如目标能明确描述，机器学习方法并不成功。如在web上寻找个人简历。机器学习方法.不如关键词或者短语更准确, * * 建模的计算方法 数据挖掘已被看成是一个算法问题。数据模型就是提供复杂查询的答案。 除了统计建模，其它大部分建模方法可分为如下两类 对数据进行简要汇总 从数据中抽取最突出的特征来代替数据并将剩余内容忽略。 * * 数据汇总 pagerank。谷歌成功的关键算法之一。Web的复杂结构可以由每个页面的pagerank描述，反映了一个web上的随机游走者在任意时刻处于该页面的概率。 聚类。数据被看成是多维空间的点。空间相互邻近的点被认为是相同的类别。每个类别可以析括表示，如质心或者是到质心的平均距离。 * * * * 特征抽取 从数据中寻找某个现象的特殊样例，用这些样例来表示数据。介绍两种方法： 频繁项集：在很多购物篮/订单里面寻找同时出现的项集/商品。 相似项：数据可以描述为一系列的集合。寻找共同元素较多的集合。亚马逊网站的顾客可以理解为他购买商品的集合。寻找相似的集合也就是寻找具有类似兴趣的人，把这些人购买过的东西推荐给该顾客。也称为协同过滤 数据挖掘的统计限制 2002年，布什政府提出一项对所有数据进行挖掘的计划，没有被国会通过。目的是追逐恐怖活动 问题：如果能够获得所有的数据，并且想从中获得恐怖活动的信息。是否会导致误报很多无辜的行为？ * * Bonferroni’s Principle 随着数据规模的增加，任何数据都会显现出一些不同寻常的特征，这些特征看上去非常重要，实际上却并不重要。 Bonferroni’s Principle。在数据随机性假设的基础上，计算所寻找的事件的发生的期望值，如果该期望值大于找到的真实事件的数目，则所找到的事件是假象。 * * * 关于整体情报预警的故事 设有一群坏人会偶尔在酒店聚会策划阴谋 想找出那些同一天在同一个酒店至少出现两次的人群. * 假设 109 可疑人. 1000 days. 每个人去酒店的概率 1% (1000天里住10天酒店). 酒店容纳100 人 (有 105 个酒店). 每个人行为都是随机的。数据挖掘能发现可疑行为吗？ * Calculations – (1) 人员 p 和人员 q 同一天在同一个酒店出现的概率 : 1/100 ? 1/100 ? 10-5 = 10-9. 人员p 和 q 在d1 和 d2 出现在同一个酒店的概率: 10-9 ? 10-9 = 10-18. 1000天任意两天的排列组合: 5?105. p at some hotel q at some hotel Same hotel * Calculations – (2) 人员 p 和 q 在任意两天出现在同一个酒店的概率: 5?105 ? 10-18 = 5?10-13. 可能的人数是10亿，任意两个人的排列组合是: 5?1017. 平均可疑的人员对的数目: 5?1017 ? 5?10-13 = 250,000. 实际上他们是纯随机导致的巧合 * 结论 假设真的有10 对坏人在同一个酒店出现两次. 需