取代而非补充，Spark Summit 2014精彩回顾

Apache Spark开源生态系统在2014上半年大幅增长，已迅速成为大数据领域中最活跃的开源项目，HDFS位列第二，其代码变动次数（commits）和行数仅仅有Spark的一半：

• 有超过50个机构250个工程师贡献过代码
• 和去年六月相比，代码行数几乎扩大三倍。

随着1.0版本于5月30日推出，Spark提供了一个稳定的API，开发人员可以依靠它来保证代码的兼容性。所有主流的Hadoop发行商，包括Hortonworks、IBM、Cloudera、MapR和Pivotal都提供了Spark的包装和技术支持。

会议第三日培训

伴随着Spark平台的发展，Spark Summit 2014于6月30日在旧金山正式展开为期三天的峰会，也是有史以来最大的Spark会议。

• 大会收到了包括SAP、IBM、Intel、Amazon和Cloudera等近30个公司的赞助
• 1000多位从事大数据应用和开发的专家注册了会议
• 300多名开发者和数据科学家参加了第三天的培训
• 12位来自Databricks、SAP、Cloudera、MapR、DataStax和Jawbone等公司的高管发表了主题演讲
• 大会共设50个技术讲座，分为特色应用、开发、数据科学与研究三个领域

在这篇文章中，我们将一同回顾这次峰会的亮点。

Spark开源生态系统的现在和未来

1. Spark创始人、Databricks CTO Matei Zaharia：Spark在大数据领域的角色

Matei Zaharia在加州大学伯克利分校AMPLab博士生涯的时候设计和编写了第一个版本的Spark，在圆满完成博士生涯后，目前是Databricks公司的CTO，并将在麻省理工学院出任助理教授职位。Matei是此次峰会的第一个演讲人，他首先回顾了Spark在社区规模和技术能力上的最新进展。自2013年12月的首次Spark Summit以来，Spark的开源贡献者已经从100位增加至250+，已成为大数据领域最活跃的开源项目。Spark新增了一些重要的组件，如Spark SQL运行机制，一个更大的机器学习库MLLib，以及丰富的与其它数据处理系统的集成。关于Spark在大数据领域未来角色，Matei设想Spark很快会成为大数据的统一平台，各种不同的应用，如流处理，机器学习和SQL，都可以通过Spark建立在不同的存储和运行系统上。

2. Databricks联合创始人Patrick Wendell：展望Spark的未来

Patrick Wendell是Apache Spark的项目管理会成员，曾在伯克利分校攻读博士学位，与2013年离开伯克利帮助创建了Databricks。目前他在Databricks从事开源管理工作，在技术上侧重于Spark和网络操作系统的关系。在这个演讲中，Patrick回顾了Spark的快速增长，他强调Spark的未来将提供由各领域的专家领导开发的强大的程序库。为了实现这一目标，他阐述了应该采用的发布流程和节奏，以提供完整的互操作性与稳定的版本，同时支持快速的开发。各种程序库应与Spark核心API高度策划和整合在一起。Spark核心会不断改进，以推动未来的创新。Patrick讲解了现有的主要Spark库和它们各自的发展方向，包括支持结构化数据的Spark SQL、Spark Streaming、用于机器学习的MLLib以及SparkR和GraphX。

Databrick Cloud 产品发布

1. Databricks CEO Ion Stoica：Databricks公司的进展和产品发布

Databricks CEO Ion Stoica

Ion Stoica是Databricks公司的CEO。他是加州大学伯克利分校计算机科学系的教授，并与2013年参与创办了Databricks。Ion首先阐述了Databricks公司为推进Spark在工业界的应用所采取的两个措施。

• Databricks和Spark的分销商：Cloudera，DataStax，MAPR和SAP，建立了伙伴关系，以提高用户的体验。
• 今年二月，Databricks推出了Spark认证计划，以确保经认证的应用程序可以运行在任何经过认证的Spark发布上。

Ion主题演讲的重点是推出Databricks Cloud。Ion列举了当前从数据到价值过程中的种种障碍，Databricks Cloud的推出就是为了使大数据容易。Databricks Cloud能够使用户方便的创建数据处理的整个流程，同时支持Spark现有的应用，并加入了许多增强和附加功能。Databricks Cloud的设计初衷就是要大大简化大数据处理的的复杂性，它会吸引更多的企业用户从事到利用大数据来实现全新的价值。

Databricks Cloud由Databricks Platform，Spark和Databricks Workspace三部分组成。

Databricks Platform使用户非常容易的创建和管理Spark计算机群，目前运行在Amazon AWS上，不久将扩展到更多的云供应商的设施上。 Databricks Workspace由notebook、dashboard和一个job launcher组成：

1. Notebook提供了丰富的界面，允许用户进行数据的发现和探索，交互式绘制结果，把整个工作流程变为脚本执行，并支持用户之间的交互协作。
2. 使用dashboard，用户可以选择任何以前创建的notebook，通过WISIWYG编辑器将所选的notebooks组装成一个dashboard，并发布给更多的用户。Dashboard上的数据和查询还可以定期刷新。
3. Job launcher允许用户运行任意的Apache Spark任务，从而简化构建数据产品的过程。

2. Databricks联合创始人Ali Ghodsi：现场演示Databricks Cloud

Ali Ghodsi与2013年共同创立Databricks，现任工程主管。通过Databricks Cloud，Ali希望轻松完成简单的任务，并使复杂的分析成为可能。他演示了仅需点击鼠标几次就可以方便的在AWS上建立一个Spark计算机群。使用一个关于FIFA世界杯的示例数据，他演示了notebook，交互式用户界面，绘图，参数化的查询和dashboard。关于大数据分析，他使用Spark SQL交互处理了一个3.4 TB的推特数据集。Ali重点演示了通过机器学习来进行实时概念搜索。他首先使用MLlib在一个60GB维基百科数据上建立了一个TF-IDF词模型，并用Scala基于此模型建立了一个不同词之间的相似函数，还在Spark SQL上注册了此函数。最后使用Spark Streaming生成一个tweet流，并用Spark SQL过滤出和用户给出的搜索词相关的tweets，比如搜索足球会显示世界杯的tweets。这个演示在听众中得到极高的评价。人们惊叹演示中复杂的数据流程和分析的无缝集成，大家认为Databricks Cloud使自己可以更专注于分析本身，而不是花费大量时间精力来建立数据的流程设施，这会给他们公司业务的增长提供直接的动力。

Apache Spark和大数据产业

出席本次峰会的有SAP、DataStax、Cloudera、MapR等公司的高级主管，他们关于Spark和大数据产业的主题演讲非常精彩。

在峰会上，Databricks和SAP宣布成立合作伙伴关系，在SAP HANA平台上包装经过认证的Spark。 SAP高级副总裁Aiaz Kazi介绍了SAP的HANA和Apache Spark之间的协同效应，它们的结合给企业大数据提供了更好的支持。

Hortonworks前CEO / CTO Eric Baldeschwieler（也称Eric 14）重申了他的观点：“Apache Spark是当今大数据领域最激动人心的事情”。他认为Spark社区的一个重要目标是使Spark在数据科学和现实世界应用中大放异彩。为此他概述了几个任务，如建立一个开放的认证套件，更好的支持多个Spark计算机群并存，提供便携性的存储等。

Cloudera的CSO和共同创始人Mike Olson发表了主题是Spark作为下一代大数据MapReduce标准模式的演讲。Mike描述了Spark在Cloudera产品中的重要地位：在过去一年所有Cloudera支持的项目中，Spark的开源代码更新活动占总数的21％。Spark已经完全融入CDH，并被Cloudera的主要客户采用。 关与SQL在Hadoop上运行，Cloudera会继续支持用与BI分析的Impala，用于批量处理的Hive on Spark，以及用于混合Spark和SQL应用程序的Spark SQL。

MapR首席技术官和创始人MC Srivas说，MapR平台包括完整的Spark成员。Spark的优点包括易于开发，基于内存的高性能和统一的工作流程，Hadoop的优点包括规模可无限扩展，通用的企业平台和广泛的应用范围。通过结合Hadoop和Spark的优势，可以给MapR客户提供更好的支持。他展示了几个在不同领域的案例，包括广告优化，基因组合，网络安全和保健保险。

DataStax执行副总裁Martin Van Ryswyk的演讲是关于如何整合Spark和Cassandra。他宣布推出cassandra-driver-spark v1.0。DataStax的Cassandra与Spark的组合比优化后的Hadoop on Cassandra速度快2到30倍。

Spark的SQL支持

1. Spark SQL的主要开发人员Michael Armbrust：使用Spark SQL进行高级数据分析

Spark SQL是Spark1.0中最新的一个alpha组成部分。在峰会上，Databricks宣布，已停止对Shark的开发，Spark SQL将是其开发的重点。Spark SQL允许开发人员直接处理RDD，同时也可查询例如在 Apache Hive上存在的外部数据。Spark SQL的一个重要特点是其能够统一处理关系表和RDD，使得开发人员可以轻松地使用SQL命令进行外部查询，同时进行更复杂的数据分析。除了Spark SQL外，Michael还谈到Catalyst优化框架，它允许Spark SQL自动修改查询方案，使SQL更有效地执行。

2. 英特尔软件与服务部门工程经理Grace Huang：StreamSQL

为了使SQL用户迅速掌握流处理，StreamSQL支持通过SQL操作流数据，它建立在Spark Streaming和Catalyst优化框架之上。目前，它支持流之间简单的查询以及流和结构化数据之间的相互操作，也支持在Catalyst中的典型用法（如LINQ表达式，SQL和DStream的结合）。StreamSQL今后的工作将包括移动窗口支持，使用Hive的DDL，统一的输入/输出格式等。

R和Cascading作为Spark的前端

1. 加州大学伯克利分校Zongheng Yang：SparkR

R是数据科学家们进行分析和绘图的最广泛使用的语言之一，但是它只能运行在一台计算机上，当数据大到超过其内存时，R就会变得无能为力了。 SparkR是R的一个程序包，因此它提供了在R的环境中使用Spark的一个简易方法。SparkR允许用户创建RDD并用R函数对其进行变换。在R交互环境中可以给Spark计算机群提交作业。 在SparkR中还可以方便地利用现有的R程序包。更多详细信息请参考http://amplab-extras.github.io/SparkR-pkg。

2. Concurrent公司副总裁Supreet Oberoi：Cascading on Spark

Cascading是一个流行的应用程序开发框架，可用来构建以数据为中心的应用程序。它使用Tap和Pipe的概念，从而提高了用户建立MapReduce程序的抽象水平。 Cascading 3.0版包括一个可定制的查询规划方案，所以Cascading程序可运行在包括本地内存、Apache MapReduce和Apache Tez的后端环境上。即将发布的3.1版将可运行在Spark上。

Apache Spark内部机制和优化

1. MLlib主要开发人员Xiangru Meng：MLlib和稀疏数据

实际应用中的大型数据集往往是稀疏的。Spark MLlib支持稀疏矩阵和向量的存储及处理。作为MLlib的用户，应识别所面临的问题是否可以用稀疏数据来表示。当数据非常稀疏时，这往往决定了运行的效率。对于开发者而言，应采用适当的计算和算法来利用稀疏数据。Xiangru详述了对稀疏数据的三个优化算法：在KMeans中计算两点的距离，在线性模型中计算梯度的总和，以及如何在SVD中利用稀疏数据。

2. Databricks的Aaron Davidson：理解Spark的内部机制

Aaron的演讲主要是如何在实际应用中提高Spark核心性能。他详述了Spark RDD的执行模型和shuffle操作。 RDD保存了产生的顺序和计算过程，从而形成一个逻辑的计划。逻辑计划在shuffle的边界分为不同的执行阶段，所有执行阶段形成一个DAG。执行阶段加上一个数据partition形成一个执行任务。当父辈阶段执行后，任务调度器就会为每一个任务提交一个作业。在shuffle的边界，Mapper任务将数据按照partition保存到磁盘，而reducer从多个mapper提取数据，并按照key来组合数据。此过程中shuffle的网络通信是昂贵的，按key的数据组合也会使用大量的内存。Aaron举了一个简单的例子：计算不同人名的数量，并用人名的第一个字母分组。他演示了两个不同的实现方法，并在Databricks Cloud中运行，比较了执行阶段和运行时间。

基于Apache Spark的科研及应用

1. 加州大学伯克利分校教授David Patterson：Spark和基因学

David Patterson是RISC结构的创始者，由他合作撰写的计算机体系结构一书是经典的教科书。David在演讲中介绍了几个基于Spark之上的开源基因学软件项目。SNAP是短读基因序列校准器，它是迄今为止最准确和最快的校准器，比其他的校准器快3到10倍。 ADAM是一个适用于在计算机群中存储的基因格式，使用先进的系统技术，可大大加速整个基因处理软件流水线的效率。 使用一个82个节点的计算机群，ADAM可以用比其他系统快110倍的速度来执行基因学中两个最昂贵的步骤。当David教授介绍了纽约时报为期2014年6月4日关于SNAP如何帮助挽救了一个孩子的生命的新闻时，全场响起热烈的掌声。

2. Jawbone公司数据副总裁Monica Rogati：为数据时代的大众制造数据产品

可联网的设备的数量到2020年将增长到500亿。在数据时代的大众眼中，世界将是聪明的，可适应每个人的独特情况。Monica认为Spark是构建智能数据产品的主要组成部分，因为它支持工业界所需的数据流程，无可挑剔的数据清理，迭代，机器学习和更快的运行速度。

3. Spotify的工程师Chris Johnson：大型音乐推荐系统

Spotify使用各种机器学习模型来增强其音乐推荐功能，包括网页发现和电台。由于这些模型的迭代特性，它们非常适合Spark的计算模式，可以避免Hadoop输入/输出所带来的开销。在这次讲座中，Chris评论了两个共同筛选算法，以及他如何基于Spark MLlib中的ALS来处理数千亿的数据点。

4. 苏黎世联邦理工学院讲师Kevin Mader：使用Spark进行实时图像处理和分析

采用基于同步加速器X射线层析Microscopy可以每秒产生8GB的图像数据。为了实时处理这些图像，Kevin采用了一个上千台机器的计算机群，并在上面开发了一套基于Spark，可进行过滤、分割和形状分析的系统。为了加速后期处理，Kevin进行了实时近似分析，如区域筛选和采样。

结束语

Spark Summit 2014是Spark开源生态系统发展壮大的一个重要里程碑，Apache Spark已经成为整合以下大数据应用的标准平台：

• 复杂的分析（例如机器学习）
• 交互式查询，包括SQL
• 实时流处理

有越来越多的工业产品建立在或集成了Spark如Databricks Cloud和SAP HANA等。

展望未来，Apache Spark社区将继续在多个领域进一步创新，以提供更多的功能，更快的运行效率和更深度的整合：

• Spark内核将提供一个可拔插的shuffle接口。现有的shuffler是基于HashMap来汇总具有相同关键词的数据，当内存压力高时，它会自动溢出到磁盘里。有了可插拔接口，在未来的版本中将加入排序和流水线shuffler。
• Spark内核将建立一个统一的存储API，可以支持固态硬盘驱动器（SSD），以及其他共享内存的软件存储系统，如Tachyon，HDFS缓存等。
• 与YARN更紧密的集成，比如动态调整资源分配，来更好的支持multi-tenency。
• Spark SQL作为新的SQL引擎来取代Shark。基于Catalyst的优化引擎可以直接为Spark内核进行优化处理。即将推出的动态代码生成将大大提高查询效率。
• Spark SQL将整合各种数据源，包括Parquet，JSON，NoSQL数据库（Cassandra，HBase，MongoDB）和传统的型数据库（SAP，Vertica和Oracle）。
• MLlib将包括一个统计库来进行抽样，相关性，估计和测试。不久推出将一组新的算法，包括非负矩阵分解，稀疏的SVD，LDA等。
• Spark Streaming将增加新的数据源和更好的与Apache Flume的整合。

通过这次的盛会，更加坚定了Spark在大数据中的核心地位。让我们期待Spark在未来的更加精彩的发展。