深入RAPIDS了解處理Cassandra數(shù)據(jù)的方法

組織將其大部分高速事務數(shù)據(jù)保存在快速的 NoSQL 數(shù)據(jù)存儲中，如 Apache Cassandra ?。最終，需要從這些數(shù)據(jù)中獲得分析見解 。從歷史上看，用戶利用外部大規(guī)模并行處理分析系統(tǒng)（如 Apache Spark ）來實現(xiàn)這一目的。然而，今天的分析生態(tài)系統(tǒng)正在迅速采用 AI 和 ML 技術，這些技術的計算在很大程度上依賴于 GPU s 。

在這篇文章中，我們探索了一種處理 Cassandra SSTables 的尖端方法，方法是使用 RAPIDS 生態(tài)系統(tǒng)中的工具將它們直接解析到 GPU 設備內(nèi)存中。這將使用戶能夠以更少的初始設置更快地到達見解 ，并且還可以方便地 MIG 評估用 Python 編寫的現(xiàn)有分析代碼。

在這篇分為兩部分的系列文章的第一篇文章中，我們將快速深入 RAPIDS 項目，并探索一系列選項，使來自卡桑德拉的數(shù)據(jù)可用于 RAPIDS 分析。最后，我們將描述我們當前的方法：解析 C ++中的 sRebug 文件并將它們轉換成 GPU 友好的格式，使數(shù)據(jù)更容易加載到 GPU 設備內(nèi)存中。

如果您想跳過循序漸進的過程并立即嘗試 sstable to arrow ，請查看第二職位。

什么是 RAPIDS

RAPIDS是一套開源庫，用于在 GPU 上進行端到端的分析和數(shù)據(jù)科學。它源于CUDA，這是一個由 NVIDIA 開發(fā)的開發(fā)人員工具包，旨在使開發(fā)人員能夠利用其 GPU 的優(yōu)勢。

RAPIDS 采用了常見的AI/ML API，如pandas和scikit-learn，并使它們可用于 GPU 加速。數(shù)據(jù)科學，特別是機器學習，使用了大量并行計算，這使得它更適合在 GPU 上運行，該 GPU 可以比當前的 CPU s（來自rapids.ai的圖像）高幾個數(shù)量級的“多任務”：

圖 1 ：

一旦我們以 cuDF 的形式獲得 GPU 上的數(shù)據(jù)（本質(zhì)上是 pandas 數(shù)據(jù)幀的 RAPIDS 等價物），我們就可以使用與 MIG 熟悉的 Python 庫幾乎相同的 API 與之交互，如 pandas 、 scikit learn 等，如下圖從 RAPIDS 所示：

圖 2 ：

圖 3 ：

注意使用Apache Arrow作為底層內(nèi)存格式。箭頭是基于列而不是行的，這會導致更快的分析查詢。它還帶有進程間通信（ IPC ）機制，用于在進程之間傳輸箭頭記錄批（即表）。 IPC 格式與內(nèi)存中的格式相同，它消除了任何額外的復制或反序列化成本，并為我們提供了一些非?？焖俚臄?shù)據(jù)訪問。

在 RAPIDS 上運行分析的好處是顯而易見的。您所需要的只是合適的硬件，只需查找 Python 數(shù)據(jù)科學庫的名稱并將其替換為 GPU 等價物，即可 MIG 對 GPU 上運行的現(xiàn)有數(shù)據(jù)科學代碼進行評級。

我們?nèi)绾螌?Cassandra 數(shù)據(jù)放到 GPU 上？

在過去的幾周里，我一直在研究五種不同的方法，按復雜性增加的順序列出如下：

使用 Cassandra 驅動程序獲取數(shù)據(jù)，將其轉換為 pandas 數(shù)據(jù)幀，然后將其轉換為 cuDF 。

與前面相同，但跳過 pandas 步驟，將驅動程序中的數(shù)據(jù)直接轉換為箭頭表。

使用 Cassandra 服務器代碼從磁盤讀取 SSTables ，使用 Arrow IPC 流格式對其進行序列化，然后將其發(fā)送到客戶端。

與方法 3 相同，但是在 C ++中使用我們自己的解析實現(xiàn)，而不是使用 CasANDRA 代碼。

與方法 4 相同，但在解析 SSK 表時使用 GPU 矢量化和CUDA。

首先，我將簡要概述這些方法中的每一種，然后在最后進行比較，并解釋我們接下來的步驟。

使用 Cassandra 驅動程序獲取數(shù)據(jù)

這種方法非常簡單，因為您可以使用現(xiàn)有庫而不必進行太多的黑客攻擊。我們從驅動程序獲取數(shù)據(jù)，將session.row_factory設置為 pandas _factory函數(shù)，告訴驅動程序如何將傳入數(shù)據(jù)轉換為 pandas .DataFrame。然后，調(diào)用 cuDF .DataFrame.from_ZBK5］函數(shù)將數(shù)據(jù)加載到 GPU 上是一件簡單的事情，然后我們可以使用 RAPIDS 庫運行 GPU -加速分析。

以下代碼要求您能夠訪問正在運行的 Cassandra 群集。有關更多信息，請參閱DataStax Python 驅動程序文檔。您還需要使用Conda安裝所需的 Python 庫：

BashCopy

conda install -c blazingsql -c rapidsai -c nvidia -c conda-forge -c defaults blazingsql cudf pyarrow pandas numpy cassandra-driver

PythonCopy

from cassandra.cluster import Cluster
from cassandra.auth import PlainTextAuthProvider

import pandas as pd
import pyarrow as pa
import cudf
from blazingsql import BlazingContext

import config

# connect to the Cassandra server in the cloud and configure the session settings
cloud_config= {
        'secure_connect_bundle': '/path/to/secure/connect/bundle.zip'
}
auth_provider = PlainTextAuthProvider(user=’your_username_here’, password=’your_password_here’)
cluster = Cluster(cloud=cloud_config, auth_provider=auth_provider)
session = cluster.connect()

def pandas_factory(colnames, rows):
    """Read the data returned by the driver into a pandas DataFrame"""
    return pd.DataFrame(rows, columns=colnames)
session.row_factory = pandas_factory

# run the CQL query and get the data
result_set = session.execute("select * from your_keyspace.your_table_name limit 100;")
df = result_set._current_rows # a pandas dataframe with the information
gpu_df = cudf.DataFrame.from_pandas(df) # transform it into memory on the GPU

# do GPU-accelerated operations, such as SQL queries with blazingsql
bc = BlazingContext()
bc.create_table("gpu_table", gpu_df)
bc.describe_table("gpu_table")
result = bc.sql("SELECT * FROM gpu_table")
print(result)

使用 Cassandra 驅動程序直接將數(shù)據(jù)提取到 Arrow 中

此步驟與上一步相同，只是我們可以使用以下箭頭關閉 pandas \ u 工廠：

PythonCopy

def get_col(col):
    rtn = pa.array(col) # automatically detects the type of the array

    # for a full implementation, we would want to fully check which 
arrow types want
    # to be manually casted for compatibility with cudf
    if pa.types.is_decimal(rtn.type):
        return rtn.cast('float32')
    return rtn

def arrow_factory(colnames, rows):
    # convert from the row format passed by
    # CQL into the column format of arrow
    cols = [get_col(col) for col in zip(*rows)]
    table = pa.table({ colnames[i]: cols[i] for i in 
range(len(colnames)) })
    return table

session.row_factory = arrow_factory

然后我們可以用同樣的方法獲取數(shù)據(jù)并創(chuàng)建 cuDF 。

然而，這兩種方法都有一個主要缺點：它們依賴于查詢現(xiàn)有的 Cassandra 集群，這是我們don’t所需要的，因為讀取量大的分析工作負載 MIG ht 會影響事務性生產(chǎn)工作負載，而實時性能是關鍵。

相反，我們想看看是否有一種方法可以直接從磁盤上的 SSTable 文件中獲取數(shù)據(jù)，而無需通過數(shù)據(jù)庫。這就引出了接下來的三種方法。

使用 Cassandra 服務器代碼從磁盤讀取 SSTables

在磁盤上讀取 SSTables 的最簡單方法可能是使用現(xiàn)有的 Cassandra 服務器技術，即SSTableLoader。一旦我們從 SSTable 中獲得了分區(qū)列表，我們就可以手動將 Java 對象中的數(shù)據(jù)轉換為對應于表列的箭頭向量。然后，我們可以將向量集合序列化為 Arrow IPC 流格式，然后通過套接字以這種格式進行流處理。

這里的代碼比前兩種方法更復雜，比下一種方法開發(fā)得更少，所以我沒有在本文中包含它。另一個缺點是，盡管這種方法可以在 Cassandra 集群以外的單獨進程或機器中運行，但要使用SSTableLoader，我們首先要在客戶端進程中初始化嵌入式 Cassandra ，這在冷啟動時需要相當長的時間。

使用自定義 SSTable 解析器

為了避免初始化 CasANDRA ，我們開發(fā)了自己的 C ++實現(xiàn)，用于解析二進制數(shù)據(jù)穩(wěn)定文件。關于這種方法的更多信息可以在下一篇博文中找到。下面是 Cassandra 存儲引擎的指南上一篇 Pickle 的文章，這對破譯數(shù)據(jù)格式有很大幫助。我們決定使用 C ++作為解析器的語言，以最終引入 CUDA ，也可以用于處理二進制數(shù)據(jù)的低級控制。

集成 CUDA 以加快表讀取速度

一旦自定義解析實現(xiàn)變得更加全面，我們計劃開始研究這種方法。利用 GPU 矢量化可以大大加快讀取和轉換過程。

Comparison

在當前階段，我們主要關注讀取 SSTable 文件所需的時間。對于方法 1 和 2 ，我們實際上無法公平地衡量這一次，因為 1 ）該方法依賴于額外的硬件（ Cassandra 集群）和 2 ）。在 Cassandra 自身中存在著復雜的緩存效應。然而，對于方法 3 和 4 ，我們可以執(zhí)行簡單的自省來跟蹤程序從開始到結束讀取 SSTable 文件所需的時間。

以下是針對NoSQLBench生成的 1k 、 5K 、 10k 、 50k 、 100k 、 500k 和 1m 行數(shù)據(jù)集的結果：

圖 4 ：

如圖所示，定制實現(xiàn)比現(xiàn)有的 Cassandra 實現(xiàn)稍快，即使沒有任何額外的優(yōu)化，如多線程。

Conclusion

考慮到分析用例的數(shù)據(jù)訪問模式通常包括大型掃描并經(jīng)常讀取整個表，獲取此數(shù)據(jù)的最有效方法不是通過 CQL ，而是直接獲取 SSL 表。我們能夠在 C ++中實現(xiàn)一個 StAnalyd 解析器，它可以做到這一點，并將數(shù)據(jù)轉換成 Apache 箭頭，以便它可以被分析庫所利用，包括 NVIDIA GPU 供電 RAPIDS 生態(tài)系統(tǒng)。由此產(chǎn)生的開源（ Apache 2 許可）項目稱為 sstable to arrow ，可在GitHub上獲得，并可通過Docker Hub作為 alpha 版本訪問。

關于作者

Alex Cai 于 2021 年在 DataStax 實習，是哈佛大學 2025 級的學生。他熱衷于計算機、軟件和認知科學，在業(yè)余時間，他喜歡閱讀、研究語言學和玩他的貓。

審核編輯：郭婷