基于机器学习的Spark构形参数调整新方法

Apache Spark是一个开放源代码的分布式数据处理平台，可以使用分布式内存抽象来高效处理大量数据。 随着Apache Spark的应用越来越广泛，暴露了一些问题。 性能问题是最重要的方面之一。 Apache Spark具有180多个配置参数，用户可以根据自己的特定应用程序对其进行调整，以优化性能。 当前，这些参数是通过反复试验手动调整的，由于参数空间大以及参数之间的复杂交互作用，因此无效。 为了使Spark的参数调整过程更加有效，提出了一种基于机器学习的Spark配置调整方法，该方法由二进制分类和多元分类组成。 此方法可用于自动调整Spark的配置参数。 此外，探索了几种基于该方法的通用机器学习算法，实验结果表明，考虑到准确性和计算效率，决策树模型（C5.0）是最佳模型。 最后，实验结果还表明，与默认配置的Spark相比，该方法可将性能平均提高36％。