Além dos trabalhos mencionados, que integram FIM e MapReduce sobre dados determinísticos, foi encontrado um trabalho que integra estas duas áreas e as aplica sobre datasets com incerteza associada. O trabalho de Leung e Hayduk [LEU13] discute esta integração.
4.3.1 Os Experimentos de Leung e Hayduk
Este trabalho foi o único encontrado até o momento reunindo o modelo de programação MapReduce, algoritmos de descoberta de conjuntos de itens frequentes e datasets com incerteza. Seus autores propõem um algoritmo da classe FP-growth-based (baseado em árvore), denominado MR-Growth, que utiliza MapReduce para minerar padrões frequentes em grandes datasets com in- certeza associada. É importante salientar que, devido à presença de probabilidades existenciais nos itens, o espaço de procura/solução para minerar itens frequentes sobre dados com incerteza é muito maior do que quando utilizado dados precisos. Os resultados experimentais deste trabalho mostram grande eficiência deste algoritmo em relação ao algoritmo sequencial UF-Growth.
Inicialmente, o MR-Growth lê o dataset e calcula o suporte esperado de cada 1-itemset usando MapReduce, conforme Equação 3.6. O algoritmo divide o dataset em diversas partições e as associa aos diferentes nodos do cluster. Durante a fase de mapeamento, a função Map recebe transações com o seguinte formato <código da transação, itens> como entrada. Para cada transação ti, a função Map emite um par < X,valor >.
Nos algoritmos que trabalham sobre dados precisos, estes pares emitidos pela função Map são semelhantes a < X,1 > (conforme algoritmo SPC, discutido previamente), para cada ocorrência de
X em ti. No caso de minerar dados com incerteza, não é certo que X acontece em ti pois, na
verdade, X tem uma probabilidade existencial de ocorrer em ti. Portanto, ao invés de a função
Map do algoritmo MR-Growth emitir pares < X,1 >, ela gera pares < X,P (X,ti) >, para cada ocorrência de X ∈ ti.
A fim de exemplificar o primeiro passo do algoritmo MR-Growth, tome-se como exemplo a Tabela 4.2, que representa um dataset com incerteza, contendo m transações (m = 2). Considere-
se um mínimo suporte esperado (minsupesp) igual a 0.5. Para a transação t1 a função Map tem
como saída {< a,0.5 >,< b,0.5 >,< c,1.0 >,< d,1.0 >,< u,0.5 >} e para t2 a saída é {< a,0.5 >
, < b,0.5 >, < p, 0.5 >}. Após a função Map, os pares são integrados e ordenados, {< a, [0.5, 0.5] >
, < b,[0.5, 0.5] >, < c, [1.0] >, < d, [1.0] >, < p, [0.5] >, < u, [0.5] >}, através da função Combine. Ao final da execução, esta função gera os seguintes conjuntos candidatos: {< a,1.0 >,< b,1.0 >,<
c,1.0 >, < d, 1.0 >, < p, 0.5 >, < u, 0.5 >}.
A saída da função Combine é a entrada para a função Reduce. Na função Reduce àqueles candidatos a 1-itemsets que possuem suporte esperado menor do que o mínimo estabelecido (<
minsupesp · m) são eliminados. Neste caso os elementos do conjunto L1 são: {< a,1.0 >,<
b,1.0 >, < c, 1.0 >, < d, 1.0 >}. Foram excluídos os 1-itemsets < p, 0.5 > e < u, 0.5 >, pois seus suportes (0.5) são inferiores a 1 (minsupesp · m).
Tabela 4.2: Dataset com 2 transações e itens com probabilidades existenciais.
Código da Transação Itens
t1 a:0.5, b:0.5, c:1.0, d:1.0 u:0.5
t2 a:0.5, b:0.5, p:0.5
A partir do primeiro passo do algoritmo MR-Growth, há um estágio de agrupamento. Neste estágio os 1-itemsets são divididos em grupos distintos (G-list), onde cada grupo recebe um iden-
tificador. No artigo os 1-itemsets frequentes, L1= {< a, 1.0 >, < b, 1.0 >, < c, 1.0 >, < d, 1.0 >},
são divididos em dois grupos (em função de serem usados dois nodos no cluster), Grupo 1: {a,b} e Grupo 2: {c,d}. Este estágio de agrupamento identifica as árvores condicionais que devem ser mineradas juntas sobre um único nodo.
Posteriormente, o algoritmo MR-Growth relaciona todas as transações com os grupos criados. Sobre cada nodo, o algoritmo MR-growth carrega a G-list para a memória principal, e cria um mapa reverso que mapeia os 1-itemsets frequentes para seus correspondentes IDs de grupo (GID).
Para cada transação ti no dataset, MR-growth substitui todos os itens das transações com seu GID
correspondente, a partir do mapa reverso elaborado, criando uma nova lista do mesmo tamanho da transação. A Tabela 4.3 reproduz os itens do dataset (somente os 1-itemsets frequentes), de cada transação, com seus respectivos IDs de grupo (GID). Durante a função Map, as transações são identificadas por GID, conforme Tabela 4.3, e servem de entrada para a função Combine. Tabela 4.3: Lista de grupos criada, em função da aplicação do algoritmo MR-Growth sobre o dataset ilustrado na Tabela 4.2.
Lista de Grupos ID do grupo (GID)
1 <1, 1, 2, 2>
2 <1, 1>
A função Combine, de cada nodo, recebe as transações dependentes dos grupos no formato <key=gid, value=t1, t2, ..., tn>, onde tirepresenta a i-ésima transação. As transações são utilizadas para construção de uma UF-tree, criando uma árvore comprimida baseada em transações associadas ao grupo, cuja chave é igual ao GID.
A função Reduce, por sua vez, coleta as diversas árvores dependentes de grupo construídas após a aplicação das funções Combine sobre os diversos nodos. Posteriormente combina as árvores em uma única UF-tree gerando os padrões frequentes existentes. Sobre esta UF-tree é aplicado o algoritmo UF-Growth que minera os conjuntos de itens frequentes.
Para Leung e Hayduk [LEU13], a chave para a eficiência da execução do algoritmo desta abor- dagem é que ele nunca constrói a árvore principal sobre um único nodo. Cada nodo recebe uma partição do dataset principal (split) e constrói sua árvore localmente. O algoritmo constrói peque- nas representações (árvores) disjuntas do dataset executando em diversos nodos. Posteriormente, a função Reduce agrupa todas as árvores em uma única UF-tree e aplica o algoritmo UF-Growth sobre esta.
Os experimentos usando o algoritmo MR-Growth foram realizados sobre dois ambientes. O primeiro deles em uma máquina Intel core i7, 4-core-processor, com 8GB de RAM, sobre o Windows7 64bits. O segundo ambiente usou um cluster Amazon EC2 com 11 nodos m2.xlarge (arquitetura 64 bits, 2 CPUs virtuais 17,1GB RAM). O algoritmo foi implementado na linguagem de programação Java e a versão do Apache Hadoop usada foi a 0.20.0.
Os experimentos foram realizados sobre datasets reais e sintéticos. Os datasets reais utilizados foram: accidents, connect4 e mushroom, existentes nos repositórios FIMI e UCI. Foram gerados também três datasets sintéticos usando a ferramenta IBM Synthetic Data Generator [AGR94]. Estes datasets foram construídos com cerca de 2 a 5 milhões de transações, com um tamanho médio de 10 itens por transação, em um domínio de cerca de 1000 itens.
Sobre 11 nodos no cluster Amazon EC2, o algoritmo MR-Growth obteve um desempenho bem melhor do que a sua versão sequencial UF-Growth. Com o maior dataset (5 milhões de transações), o algoritmo sequencial UF-Growth levou mais do que 120 mil segundos (33.33 horas), enquanto sua versão com MapReduce precisou de menos de 20 mil segundos (5.55 horas). O autor ainda exibe gráficos que, de modo geral, mostram o MR-Growth de 7 a 8.5 vezes mais rápido do que o
UF-Growth. O MR-Growth e o UF-Growth apresentam a mesma acurácia, pois foram gerados os mesmos conjuntos de itens frequentes.
O artigo cita ainda uma melhoria no algoritmo MR-Growth, explorando máquinas que possuem processadores multi-core, por meio da utilização do framework ForkJoin [LEA00]. Estes experimen- tos demonstraram o efeito de empregar múltiplas threads para minerar conjuntos de itens frequentes. Neste caso os testes foram aplicados sobre a máquina intel core i7, 4-core-processor, variando os números de threads de 1 a 4. Para datasets onde o tempo de execução do algoritmo é muito curto, o MR-Growth com ForkJoin não levou vantagem por executar em múltiplos cores. No entanto, quando o tempo de execução do algoritmo aumenta (mais do que 100 segundos), ocorreu uma melhoria linear no tempo de execução, à medida que foram utilizadas mais threads.
4.4 Considerações Finais do Capítulo
O trabalho de Han, Pen e Yin [HAN00] mostra que algoritmos da classe FP-growth-based têm melhor desempenho do que algoritmos da classe Apriori-based, sobre datasets determinísticos. No entanto, os trabalhos de Aggarwal et al. [AGG09b] e Tong et al. [TON12] constatam que os algoritmos de descoberta de itens frequentes comportam-se de modo diferente quando aplicados sobre datasets com incerteza. Quando o dataset tem probabilidades associadas aos seus itens, os algoritmos Apriori-based (UApriori) e H-mine-based (UH-Mine) têm melhor desempenho do que os algoritmos da classe FP-growth-based (UFP-Growth), que se utilizam de árvores compactadas para armazenamento do dataset.
Os trabalhos de Lin, Lee e Hsueh [LIN12b]; Li et al. [LI12]; Yahya, Hegazi e Ezat [YAH12] evoluem o tradicional algoritmo Apriori, aplicando diversas estratégias diferentes, integrando-o com o modelo de programação MapReduce. Nestes trabalhos a integração demonstrou melhoria no desempenho dos algoritmos à medida que o suporte mínimo vai sendo reduzido e, consequentemente, um número maior de itemsets frequentes é descoberto. Há relatos de boa escalabilidade destes algoritmos tanto em clusters locais, quanto em clusters que utilizam serviços de cloud computing. No entanto, todos os trabalhos encontrados não abordam o comportamento desta integração com datasets que têm incerteza associada. Estes três artigos, além do trabalho de Hayduk [HAY12] evidenciam também que a utilização do modelo de programação MapReduce diminui consideravelmente a complexidade do desenvolvimento de algoritmos paralelos e distribuídos quando comparado a outras tecnologias tais como MPI e OpenMP.
O único trabalho encontrado sobre FIM, MapReduce e Incerteza, de acordo com a revisão sistemática elaborada por Carvalho e Ruiz [CAR13], é o artigo de Leung e Hayduk [LEU13]. Este artigo implementa um algoritmo FIM da classe FP-growth-based, o MR-Growth, utilizando estruturas de árvore para armazenar o dataset, integrado com o modelo de programação MapReduce. O MR- Growth também obtém desempenho superior quando comparado ao seu equivalente sequencial, o UFP-Growth. Como este é um trabalho pioneiro relacionando FIM, MapReduce e Incerteza, outras discussões estão abertas e podem ser aprofundadas.
Desta forma, o trabalho de Leung e Hayduk [LEU13] deixa clara a viabilidade de usar MapReduce para minerar conjuntos de itens frequentes sobre dados incertos. No entanto, conforme mostrado por Aggarwal et al. [AGG09b] e Tong et al. [TON12] os algoritmos da classe Apriori-based e H-
mine-based têm melhor comportamento sobre datasets com incerteza associada em relação aos
algoritmos da classe FP-growth-based. Logo, abre-se um grande espaço de pesquisa para evoluir algoritmos das classes Apriori-based e H-mine-based com o modelo de programação MapReduce e avaliar seu desempenho sobre datasets com incerteza. Nesta tese serão explorados algoritmos da classe Apriori-based.