streamDM用于 Spark Streaming 的数据挖掘

streamDM，是由华为诺亚方舟实验室开源的使用 Spark Streaming 挖掘大数据的开源软件。

大数据流学习

大数据流学习（Big Data stream learning）比批量或离线学习更富有挑战性，因为数据在流动的过程中不太可能保持同一种分布。而且，数据流中的每一个样本只能被处理一次，否则它们就需要占用内存进行总结，同时该学习算法也必须非常高效。

Spark Streaming

Spark Streaming 是核心 Spark API 的一个扩展，它能让多个源的数据流处理成为可能。Spark 是一个可扩展可编程的框架，用于大规模分布式数据集（也称为弹性分布式数据集（RDD））处理。Spark Streaming 接收输入的数据流后将数据分批，再由 Spark 引擎处理，生成结果。

Spark Streaming 数据被编成一个 DStreams 序列，内在地表示成一个 RDD 序列。

包含以下方法：

在第一次开放的 StreamDM 中，我们部署了：

• SGD Learner and Perceptron

• Naive Bayes

• CluStream

• Hoeffding Decision Trees

• Bagging

• Stream KM++

我们部署了以下数据生成器：

• HyperplaneGenerator

• RandomTreeGenerator

• RandomRBFGenerator

• RandomRBFEventsGenerator

我们部署了 SampleDataWriter：

它可以调取数据生成器创建样本数据用于模拟和测试。后面我们将计划开放：

• 分类：随机森林

• 回归：Hoeffding 回归树，Bagging，随机森林

• 聚类：Clustree, DenStream

• Frequent Itemset Miner：IncMine, IncSecMine

下一步

为了快速介绍一下 StreamDM 的运行，请打开 Getting Started 文件。StreamDM Programming Guide 展示了 StreamDM 的细节。完整的 API 文档，可以参考这里：http://huawei-noah.github.io/streamDM/api/index.html。

部分内容转载自机器之心