Explorar el Código

Update Assignment6.md

merge-requests/8/head
xuesong hace 4 años
padre
commit
4235600708
Se han modificado 1 ficheros con 19 adiciones y 147 borrados
  1. +19
    -147
      Assignment6.md

+ 19
- 147
Assignment6.md Ver fichero

@ -87,6 +87,9 @@ docker run -d --rm -p 80:5000 -name myflask luxuesong/myflaskapp
<img src="img/assignment6/ass6-addserver.jpeg">
</kbd>
## `**************作业1:请将浏览器中通过负载均衡ip访问flask app的界面,以及负载均衡器中服务节点界面截图,并插入实验报告***************`
#### 5)此时负载均衡器只连接了一个服务实例,等同于单机访问。`为步骤三做准备,请在这一步制作当前云主机的镜像`。
@ -108,171 +111,40 @@ docker run -d --rm -p 80:5000 -name myflask luxuesong/myflaskapp
<img src="img/assignment6/ass6-intrassh.jpeg">
</kbd>
##### 1.1)安装完毕后运行以下命令登录数据仓库。将相关参数替换成你的数据仓库参数。登录后将看到如下界面(我们已经在dev库中)。
```
psql -h hostIP –U username -d database -p port
```
## `**************作业1:请将登录命令和登录成功界面截图,并插入实验报告***************`
##### 1.2)让我们运行几个SQL代码来实现建表,插入,查询等操作。
> 复制以下sql代码,并在psql中运行(注意要包含最后的分号)
```
CREATE TABLE regression (
id int,
y int,
x1 int,
x2 int
);
```
> 运行后我们看到如下notice,提示建表时没有使用`DISTRIBUTED BY`语句,因此Greenplum默认使用id作为分布键。这是因为greenplum是一个分布式数仓,数据会分布在不同的节点上,因此建表的时候要用`DISTRIBUTED BY`语句说明按照哪一个属性(即所谓“分布键”)对数据进行划分。由于我们没有指定,系统默认使用了第一列作为分布键。
<kbd>
<img src="img/assignment5/ass5-notice.jpg">
</kbd>
> 接着让我们在regression表中插入一些值
```
INSERT INTO regression VALUES
(1, 5, 2, 3),
(2, 10, 7, 2),
(3, 6, 4, 1),
(4, 8, 3, 4);
```
> 让我们查询一下regression表中的数据。你应该看到如下输出。
```
SELECT * FROM regression;
```
<kbd>
<img src="img/assignment5/ass5-psgselect.jpg">
</kbd>
##### 1.3)运行\q退出psql客户端。
## `**************作业2:请如上图一样将regression表的查询命令、输出结果和退出psql以后的界面截图,并插入实验报告***************`
#### 2)使用`Python`+`psycopg2`访问。很多时候我们需要在程序中访问数据仓库,比如用Python读取DW中的数据,然后进一步操作。我们可以通过使用`psycopg2`来实现访问。运行以下命令安装`psycopg2`package。
```
sudo yum install python3-devel -y
sudo yum install postgresql-libs -y
sudo yum install postgresql-devel -y
sudo yum install gcc -y
pip3 install --user psycopg2
```
#### 3)现在让我们把这三个云主机连接到负载均衡器,并且从负载均衡器中删除刚才的具有外网ip的节点。接下来我们要用外网ip节点做压测。首先我们禁用掉其中的两个节点,只保留一个节点在启用状态。如下图所示。
##### 2.1)安装完毕后运行python3,然后import psycopg2,若没有报错,则说明psycopg2安装成功。
<kbd>
<img src="img/assignment5/ass5-pylog.jpg">
<img src="img/assignment6/ass6-3s.jpeg">
</kbd>
##### 2.2)quit()退出python3命令行,让我们运行几个Python代码来实现建表,插入,查询等操作。
## `**************作业2:请将连接到负载均衡的服务器节点截图,并插入实验报告***************`
> 建立createTable.py文件,并复制如下代码。其中username,password,hostIP,port都要替换成你的数据仓库参数。
#### 4)登录具有外网ip的云主机,安装ApacheBench
```
import psycopg2
conn = psycopg2.connect(database="dev", user="username", password="password", host="hostIP", port="port")
cur = conn.cursor()
cur.execute('CREATE TABLE COMPANY (ID INT PRIMARY KEY NOT NULL,\
NAME TEXT NOT NULL,\
AGE INT NOT NULL,\
ADDRESS CHAR(10),\
SALARY REAL);')
conn.commit()
conn.close()
sudo yum -y install httpd
```
> 运行createTable.py,如果没有报错,则说明建表成功
#### 5)运行压测命令。`-c`表示并发数,即同时发生的请求数,`-n`表示请求总数,`http://106.75.216.169/`替换成你的负载均衡器ip。所以这里对我们的flask app并发1000个请求,总共发出10000个请求。结果如下图所示。
```
python3 createTable.py
ab -c 1000 -n 10000 http://106.75.216.169/
```
> 向COMPANY表中添加一些记录。建立insertTable.py文件,复制如下代码并运行。
```
import psycopg2
conn = psycopg2.connect(database="dev", user="username", password="password", host="hostIP", port="port")
cur = conn.cursor()
cur.execute("INSERT INTO COMPANY VALUES (1, 'Paul', 32, 'California', 20000.00 )");
cur.execute("INSERT INTO COMPANY VALUES (2, 'Allen', 25, 'Texas', 15000.00 )");
cur.execute("INSERT INTO COMPANY VALUES (3, 'Eric', 35, 'Florida', 25000.00 )");
conn.commit()
conn.close()
```
> 让我们查询一下刚刚建的表。建立selectTable.py文件,复制如下代码并运行。
```
import psycopg2
conn = psycopg2.connect(database="dev", user="username", password="password", host="hostIP", port="port")
cur = conn.cursor()
cur.execute("SELECT id, name, address, salary from COMPANY order by id")
rows = cur.fetchall()
print ("ID NAME ADDRESS SALARY")
for row in rows:
print (row[0], "\t", row[1], "\t", row[2], "\t", row[3])
conn.close()
```
> 你应该会看到如下输出。
<kbd>
<img src="img/assignment5/ass5-pyselect.jpg">
<img src="img/assignment6/ass6-ab.jpeg">
</kbd>
## `**************作业3:请将运行selectTable.py的命令和输出结果截图,并插入实验报告***************`
### 三)使用MADlib完成简单的机器学习任务(线性回归)
#### 1)前面我们说过,在Greenplum中使用MADlib插件可以直接在DW中建立机器学习模型。这里我们用二)中的regression表跑一下线性回归算法。请使用psql或者psycopg2登录数仓,并运行如下命令。
```
SELECT madlib.linregr_train (
'regression', -- source table
'regression_model', -- output model table
'y', -- dependent variable
'ARRAY[1, x1, x2]' -- independent variables
);
```
> 这里我们看到使用了MADlib的线性回归模型linregr_train来对regression表中的数据进行训练,模型输入变量为x1, x2以及偏置项,输出变量为y。训练好的模型保存在regression_model表中。
> 这里我们关注几个重要结果
### 2)让我们看下模型表中有什么,运行以下命令
> 1) Time taken for tests:压测总时间
```
SELECT * FROM regression_model;
```
> 可能输出比较乱,你可以运行以下命令,让表的结果竖起来。
```
\x
SELECT * FROM regression_model;
```
> 这样是不是顺眼多了 :ghost: :ghost: :ghost: 我们看到了线性回归模型的参数以及标准差,p-value等指标的值
> 2) Requests per second: 平均每秒处理请求数
<kbd>
<img src="img/assignment5/ass5-model.jpg">
</kbd>
> 3) Time per request: 平均每个请求处理时间
### 3)最后让我们用这个模型去做预测。我们直接在训练集上进行预测。你会看到如下输出,其中predict是预测结果,observation是原始的y值。
```
\x
#### 6)接下来,请逐渐启用第2和第3个服务器节点,然后再运行上面的压测命令。
SELECT regression.*,
madlib.linregr_predict ( ARRAY[1, x1, x2], m.coef ) as predict,
y as observation
FROM regression, regression_model m;
```
<kbd>
<img src="img/assignment5/ass5-pred.jpg">
</kbd>
## `**************作业3:请将启用一个节点、两个节点、三个节点时的压测结果分别截图,并插入实验报告***************`
### 4)运行\q退出psql客户端
注意,由于有网络因素干扰,每个实验你可以多进行几次压测,得到比较正常的结果再截图。
## `**************作业4:请如上图一样把预测结果和退出psql以后的界面一起截图,并插入实验报告***************`
## `**************作业4:假设现在压测结果显示单台机器的Requests per second为30,一天中的请求峰值时间是2个小时,总共需要处理5千万个请求,请问需要至少准备多少台机器才可能平稳度过峰值请求?***************`

Cargando…
Cancelar
Guardar