Mars：加速数据科学的新方式

本文分为4个部分：

• Mars的背景和现状

• Mars解决了什么问题

• Mars背后的哲学

• 总结与展望

一、Mars的背景和现状

说到加速数据科学的新方式，就不得不说什么是数据科学，以下是维基的定义：

数据科学通过运用各种相关的数据来帮助非专业人士来理解问题。第一，它的目标是从数据中提取输入价值的部分，第二，它要生产数据产品，第三它结合了非常多重要的技术，包括数学、统计、机器学习、可视化，最后，它需要真正解决问题。

它包含三个方面，计算机科学、数学和统计、领域和商业知识。它们结合起来分别是机器学习、软件开发和传统研究，中间是数据科学。

数据科学技术栈包含语言、数据分析、数据工程、机器学习、Web开发、运维和商业智能。每个技术栈都包含不同的工具，提供不同的数据服务。

传统Python数据科学栈的三大底座是NumPy、Pandas和SciPy。NumPy是最核心的部分，它用来做数值计算，几乎其他所有Python的数据科学技术栈都建立在NumPy上，因为它有最基础的数据结构，也就是多维数组；另外，Pandas也用NumPy实现，它上面有很多API来进行分析操作；而SciPy主要负责科学计算。在此基础上，是机器学习和可视化，同时还有丰富的Python函数。

上面是Python数据科学技术栈整体的状况，他们有几大好处，比如广泛使用，是事实标准；上手成本低，容易为初学者和学生入门；和语言结合紧密，能用Python来组织函数调用。但是它们都是单机的库，不能处理很大的数据量，所以需要用到大数据的数据工程技术栈，比如Hadoop、Hive、Spark等。它们虽然支持多语言，没有强绑定，但是学习门槛比较陡峭，也需要对系统本身有足够的了解。做数据科学需要把精力放在数据本身，而不是工具，但是这几个库让工作围绕着库展开，而非数据。因此，我们是否能把这两个工作连接起来，利用传统的技术价值而不是关注大数据系统本身，来解决很多问题。

现在大家说摩尔定律已经失效，我们可以回顾一下它的历史。早期它通过复杂指令集和精简指令集的方式让速度提升，但是随着缩放比例定律和阿姆达尔定律的终结，未来是不是要20年才能达到2倍效率的提升呢？

另外随着深度学习、机器学习和AI的火热，机器学习模型也会越来越大，它的训练已经呈指数级增长，但是摩尔定律并没有追上机器学习模型训练发展的速度。

另外一个现状就是技术栈的问题，NumPy、Pandas等它们更多只能在单核上来应用计算，但是阿姆达尔定律下的核数是会越来越多，所以并没有很好地进行利用。同时，不管是计算量还是数据规模的增长速度，都超过了摩尔定律的速度，所以也不能用单机解决问题。

基于以上，加速数据科学主要有两种方式。第一是Scale up，利用多核和更好的硬件，比如GPU、FPGA和TPU等，以及现有的库，包括Modin、CuPy、Rapids等来提升效率。第二是 Scale out，利用分布式的方式来加速，因为单核的性能总归是有限的，可以利用Ray、Dask和Modin等。而结合Scale up和Scale out，就可以构建一个大规模的更好的硬件集成，比如今天介绍的加速数据科学的新方式Mars。

二、Mars解决了什么问题

Mars就是我们试图构建的“桥”，能来兼顾小规模和大规模数据处理。大规模数据处理能构建集群，有三种主要方式，第一是在物理机上，第二是kubernetes，第三是Hadoop Yarn的调度器上，拉起Mars的集群。

Mars的核心基础部分对应着传统Python数据技术栈，比如Mars Tensor对应NumPy，DataFrame对应Pandas等。而构建在这个基础之上的，是Mars Learn模块，它可以兼容Scikit-learn API，能简单地进行更大数据规模的分布式处理。此外，Mars还支持深度学习和机器学习的框架，比如能轻松运行TensorFlow、PyTorch等，而且可视化也可以在Mars上宣布。除此之外，Mars还支持了丰富的数据源。

从传统Python技术栈到Mars也非常简单，比如在NumPy和Pandas里要变成Mars，只需要替换import，然后后面变为延迟执行即可。

普通的Python函数，在调用的时候变成mr.spawn来延迟这个过程，最后通过execute来并发执行，不用担心Mars是运行在单机上还是分布式运行。

而Mars上的TensorFlow大部分也一样，区别在于main函数部分的变化。

三、Mars背后的设计哲学

第一是分而治之，不重复造轮子。比如创建一个Mars的Tensor，对里面所有元素进行求和操作，在触发execute之后，Mars会生成小任务的计算图，它可以将小任务调度到分布式的集群中来运行。此外还做了很多优化，通过算子融合来提升性能。

第二，在Mars的世界，一切皆可并行。在Mars里实现了并行正则排序算法，比如创建一个cluster，有5个Worker，每个Worker是8核32G，那么相比单机的NumPy函数，它提升了4倍。

下面看下Mars整体数据的处理流程。我们通过客户端的代码触发执行，生成一个粗粒度的计算图，然后通过Web服务器提交任务，并将任务转发给Scheduler，然后在这里切分成小任务。随后，Scheduler根据Worker工作负载的情况来把它分发到各个机器上运行，这里会用到调度的策略等等。这个过程中，Mars会自动触发数据传输工作，保证在节点执行的时候它所有输入的数据都在这台机器上。此外Mars还会自动进行Spill操作，当我们内存不够的时候，它会把不常用的数据Spill到磁盘上，让Mars可以处理远超过这个内存能放下的数据规模。

四、总结与展望

首先Mars是完全开源的项目，完全遵循开源的规范，而且项目的progress都能在GitHub上看到；其次Mars有兼容性，它的API高度兼容NumPy、Pandas和Scikit-learn；同时，它的单机、多核与分布式的处理性能也更高；最后是交互性，Mars Remote可以把以前的代码变成分布式代码，并且内部也可以与第三方库做集成。

下面是关于Mars未来的展望，大家可以访问专栏。未来我们的开发计划重心放在提升Mars learn的接口覆盖率和Mars DataFrame接口覆盖率上，统一单机和分布式执行层等等。

本文为阿里云原创内容。