簡介： 隨著移動互聯(lián)網(wǎng)、IoT、5G 等的應(yīng)用和普及，一步一步帶我們走進(jìn)了數(shù)字經(jīng)濟(jì)時代。隨之而來的海量數(shù)據(jù)將是一種客觀的存在，并發(fā)揮出越來越重要的作用。時序數(shù)據(jù)是海量數(shù)據(jù)中的一個重要組成部分，除了挖掘分析預(yù)測等，如何高效的壓縮存儲是一個基礎(chǔ)且重要的課題。同時，我們也正處在人工智能時代，深度學(xué)習(xí)已經(jīng)有了很多很好的應(yīng)用，如何在更多更廣的層面發(fā)揮作用？本文總結(jié)了當(dāng)前學(xué)術(shù)界和工業(yè)界數(shù)據(jù)壓縮的方法，分析了大型商用時序數(shù)據(jù)壓縮的特性，提出了一種新的算法，分享用深度強(qiáng)化學(xué)習(xí)進(jìn)行數(shù)據(jù)壓縮的研究探索及取得的成果。
彼節(jié)者有間，而刀刃者無厚；以無厚入有間，恢恢乎其于游刃必有余地矣。——庖丁解牛
深度學(xué)習(xí)的本質(zhì)是做決策，用它解決具體的問題時很重要的是找到契合點，合理建模，然后整理數(shù)據(jù)優(yōu)化 loss 等最終較好地解決問題。在過去的一段時間，我們在用深度強(qiáng)化學(xué)習(xí)進(jìn)行數(shù)據(jù)壓縮上做了一些研究探索并取得了一些成績，已經(jīng)在 ICDE 2020 research track 發(fā)表（Two-level Data Compression using machine Learning in Time Series Database）并做了口頭匯報。在這里做一個整體粗略介紹，希望對其它的場景，至少是其它數(shù)據(jù)的壓縮等，帶來一點借鑒作用。
背景描述
1 時序數(shù)據(jù)
時序數(shù)據(jù)顧名思義指的是和時間序列相關(guān)的數(shù)據(jù)，是日常隨處可見的一種數(shù)據(jù)形式。下圖羅列了三個示例：a）心電圖，b）股票指數(shù)，c）具體股票交易數(shù)據(jù)。
關(guān)于時序數(shù)據(jù)庫的工作內(nèi)容，簡略地，在用戶的使用層面它需要響應(yīng)海量的查詢，分析，預(yù)測等；而在底層它則需要處理海量的讀寫，壓縮解壓縮，采用聚合等操作，而這些的基本操作單元就是時序數(shù)據(jù) ，一般（也可以簡化）用兩個 8 byte 的值進(jìn)行統(tǒng)一描述。
可以想象，任何電子設(shè)備每天都在產(chǎn)生各種各樣海量的時序數(shù)據(jù)，需要海量的存儲空間等，對它進(jìn)行壓縮存儲及處理是一個自然而然的方法。而這里的著重點就是如何進(jìn)行更高效的壓縮。
2 強(qiáng)化學(xué)習(xí)
機(jī)器學(xué)習(xí)按照樣本是否有 groundTruth 可分為有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，以及強(qiáng)化學(xué)習(xí)等。強(qiáng)化學(xué)習(xí)顧名思義是不斷地努力地去學(xué)習(xí)，不需要 groundTruth，真實世界很多時候也沒有 groundTruth，譬如人的認(rèn)知很多時候就是不斷迭代學(xué)習(xí)的過程。從這個意義上來說，強(qiáng)化學(xué)習(xí)是更符合或更全面普遍的一種處理現(xiàn)實世界問題的過程和方法，所以有個說法是：如果深度學(xué)習(xí)慢慢地會像 C/Python/JAVA 那樣成為解決具體問題的一個基礎(chǔ)工具的話，那么強(qiáng)化學(xué)習(xí)是深度學(xué)習(xí)的一個基礎(chǔ)工具。
強(qiáng)化學(xué)習(xí)的經(jīng)典示意圖如下，基本要素為 State，Action，和 Environment?；具^程為：Environment 給出 State，Agent 根據(jù) state 做 Action 決策，Action 作用在 Environment 上產(chǎn)生新的 State 及 reward，其中 reward 用來指導(dǎo) Agent 做出更好的 Action 決策，循環(huán)往復(fù)….
而常見的有監(jiān)督學(xué)習(xí)則簡單很多，可以認(rèn)為是強(qiáng)化學(xué)習(xí)的一種特殊情況，目標(biāo)很清晰就是 groudTruth，因此對應(yīng)的 reward 也比較清晰。
強(qiáng)化學(xué)習(xí)按照個人理解可以歸納為以下三大類：
1）DQN
Deep Q network，比較符合人的直觀感受邏輯的一種類型，它會訓(xùn)練一個評估 Q-value 的網(wǎng)絡(luò)，對任一 state 能給出各個 Action 的 reward，然后最終選擇 reward 最大的那個 action 進(jìn)行操作即可。訓(xùn)練過程通過評估 “估計的 Q-value” 和 “真正得到的 Q-value” 的結(jié)果進(jìn)行反向傳遞，最終讓網(wǎng)絡(luò)估計 Q-value 越來越準(zhǔn)。
2）Policy Gradient
是更加端到端的一種類型，訓(xùn)練一個網(wǎng)絡(luò)，對任一 state 直接給出最終的 action。DQN 的適用范圍需要連續(xù) state 的 Q-value 也比較連續(xù)（下圍棋等不適用這種情況），而 Policy Gradient 由于忽略內(nèi)部過程直接給出 action，具有更大的普適性。但它的缺點是更難以評價及收斂。一般的訓(xùn)練過程是：對某一 state，同時隨機(jī)的采取多種 action，評價各種 action 的結(jié)果進(jìn)行反向傳遞，最終讓網(wǎng)絡(luò)輸出效果更好的 action。
3）Actor-Critic
試著糅合前面兩種網(wǎng)絡(luò)，取長補(bǔ)短，一方面用 policy Gradient 網(wǎng)絡(luò)進(jìn)行任一 state 的 action 輸出，另外一方面用 DQN 網(wǎng)絡(luò)對 policy gradient 的 action 輸出進(jìn)行較好的量化評價并以之來指導(dǎo) policy gradient 的更新。如名字所示，就像表演者和評論家的關(guān)系。訓(xùn)練過程需要同時訓(xùn)練 actor（policy Graident）和 critic（QN）網(wǎng)絡(luò)，但 actor 的訓(xùn)練只需要 follow critic 的指引就好。它有很多的變種，也是當(dāng)前 DRL 理論研究上不停發(fā)展的主要方向。
時序數(shù)據(jù)的壓縮
對海量的時序數(shù)據(jù)進(jìn)行壓縮是顯而易見的一個事情，因此在學(xué)術(shù)界和工業(yè)界也有很多的研究和探索，一些方法有：
- SnAppy：對整數(shù)或字符串進(jìn)行壓縮，主要用了長距離預(yù)測和游程編碼（RLE），廣泛的應(yīng)用包括 Infuxdb。
- Simple8b：先對數(shù)據(jù)進(jìn)行前后 delta 處理，如果相同用RLE編碼；否則根據(jù)一張有 16 個 entry 的碼表把 1 到 240 個數(shù)（每個數(shù)的 bits 根據(jù)碼表）pack 到 8B 為單位的數(shù)據(jù)中，有廣泛的應(yīng)用包括 Infuxdb。
- Compression planner：引入了一些 general 的壓縮 tool 如 scale, delta, dictionary, huffman, run length 和 patched constant 等，然后提出了用靜態(tài)的或動態(tài)辦法組合嘗試這些工具來進(jìn)行壓縮；想法挺新穎但實際性能會是個問題。
- ModelarDB：側(cè)重在有損壓縮，基于用戶給定的可容忍損失進(jìn)行壓縮?；舅枷胧前丫S護(hù)一個小 buff，探測當(dāng)前數(shù)據(jù)是否符合某種模式（斜率的直線擬合），如果不成功，切換模式重新開始buff等；對支持有損的 IoT 領(lǐng)域比較合適。
- Sprintz：也是在 IoT 領(lǐng)域效果會比較好，側(cè)重在 8/16 bit 的整數(shù)處理；主要用了 scale 進(jìn)行預(yù)測然后用 RLC 進(jìn)行差值編碼并做 bit-level 的 packing。
- Gorilla：應(yīng)用在 Facebook 高吞吐實時系統(tǒng)中的當(dāng)時 sofa 的壓縮算法，進(jìn)行無損壓縮，廣泛適用于 IoT 和云端服務(wù)等各個領(lǐng)域。它引入 delta-of-delta 對時間戳進(jìn)行處理，用 xor 對數(shù)據(jù)進(jìn)行變換然后用 Huffman 編碼及 bit-packing。示例圖如下所示。
- MO：類似 Gorilla，但去掉了 bit-packing，所有的數(shù)據(jù)操作基本都是字節(jié)對齊，降低了壓縮率但提供了處理性能。
- …
還有很多相關(guān)的壓縮算法，總的來說：
- 它們基本都是支持單模式，或者有限的偏static的模式進(jìn)行數(shù)據(jù)的壓縮。
- 很多為了提高壓縮率，都用了 bit-packing (甚至有損壓縮），但對越來越廣泛使用的并行計算不太友好。
兩階段的基于深度學(xué)習(xí)的壓縮算法
1 時序數(shù)據(jù)壓縮的特性
時序數(shù)據(jù)來源于 IoT、金融、互聯(lián)網(wǎng)、業(yè)務(wù)管理監(jiān)控等方方面面，形態(tài)特性相差很多，然后對數(shù)據(jù)精確度等的要求也不盡相同。如果只能有一種統(tǒng)一的壓縮算法進(jìn)行無差別對待地處理，那應(yīng)該是基于無損的、用 8B 數(shù)據(jù)進(jìn)行數(shù)據(jù)描述的算法。
下圖是阿里云業(yè)務(wù)中一些時序數(shù)據(jù)的示例，無論是從宏觀還是微觀層面，數(shù)據(jù)的 pattern 都是五花八門的，不僅僅是形狀曲線，也包括數(shù)據(jù)精度等。所以壓縮算法很有必要支持盡量多的一些壓縮模式，然后又可以既有效又經(jīng)濟(jì)地選擇其中一種進(jìn)行壓縮。
對于一個大型的商用的時序數(shù)據(jù)壓縮算法，需要重點關(guān)注三個重要的特性：
- Time correlation：時序數(shù)據(jù)有很強(qiáng)的時間相關(guān)性，然后對應(yīng)的數(shù)據(jù)基本上是連續(xù)的。采樣間隔通常是 1s，100ms 等。
- Pattern diversity：如上圖，pattern 及特性差距會很大。
- Data massiveness：每天、每小時、每秒需要處理的數(shù)據(jù)量都是海量的，總體處理數(shù)據(jù)至少是在每天 10P 的 level，對應(yīng)的壓縮算法需要高效且有高吞吐率。
2 新算法核心理念
追本溯源，數(shù)據(jù)壓縮的本質(zhì)可分為兩階段：首先 Transform 階段把數(shù)據(jù)從一個空間轉(zhuǎn)化到另外一個更規(guī)則的空間，然后在差值編碼階段用各種各樣的辦法較好的標(biāo)識變換后的差值。
根據(jù)時序數(shù)據(jù)的特點，可以定義以下 6 個基本的 transform primitives（可擴(kuò)展）:
然后定義以下 3 種基本的 differential coding primitives（可擴(kuò)展）:
接下來把上面的兩種 tools 排列組合進(jìn)行壓縮，這樣可行但效果肯定不太好，因為模式選擇和相關(guān)參數(shù)的 cost 比重太高了，需要 2B（primitive choice + primitive parameter）的控制信息，占了 8B 需要表達(dá)數(shù)據(jù)的 25%。
更好的方法應(yīng)該是對數(shù)據(jù)的特性進(jìn)行抽象化分層表達(dá)，示意圖如下。創(chuàng)建一個控制參數(shù)集較好的表達(dá)所有的情況，然后在全局（一個 timeline）層面選擇合適的參數(shù)來確定一個搜索空間（只包含少量的壓縮模式，譬如 4 種）；然后在具體進(jìn)行每個點的壓縮時，遍歷從中選擇出最好的那一種壓縮模式進(jìn)行壓縮?？刂菩畔⒌谋戎卦?~3%。
3 兩階段壓縮框架AMMMO
AMMMO（adatpive multiple mode middle-out）整體過程分為兩個階段，第一階段確定當(dāng)前這條時間線的總體特性（確定 9 個控制參數(shù)的具體值）；然后在第二階段在少量的壓縮模式中遍歷并查找最后的一種進(jìn)行壓縮，具體框圖如下：
第二階段的模式選擇沒有難度，邏輯簡單適合高效率執(zhí)行；第一階段確定各參數(shù)值（9個這里）得到合適的壓縮空間有比較大的挑戰(zhàn)，需要從理論上的 300K 多個排列組合選擇里找出合適的那一個。
4 基于規(guī)則的模式空間選擇算法
可以設(shè)計一種算法，譬如創(chuàng)建各個壓縮模式的效果記錄牌（scoreboard），然后遍歷一個 timeline 里的所有點并進(jìn)行分析記錄，然后再經(jīng)過統(tǒng)計分析比較等選擇最好的模式。一些顯而易見的問題有：
- 選擇的評估指標(biāo)是否理想？
- 需要人工去思考并編寫程序，有較多的實現(xiàn)，debug 和 maintain 的工作量。
- 如果算法中的 primitive，壓縮模式等做了改變，整個代碼都需要重構(gòu)，基于上面的選擇不是理論選擇，需要一種自動且較智能的方法支撐不停的演化等。
深度強(qiáng)化學(xué)習(xí)
1 問題建模
簡化上面的整個模式空間選擇算法如下圖，我們可以把這個問題等同于多目標(biāo)的分類問題，每個參數(shù)就是一個目標(biāo)，每個參數(shù)空間的取值范圍就是可選擇的類目數(shù)。深度學(xué)習(xí)在圖像分類，語義理解等方面證明了它的高可用性。類似地，咱們也可以把這里的模式空間的選擇問題用深度學(xué)習(xí)來實現(xiàn)，把它當(dāng)做一個 multi-label 的 classification 問題。
用什么樣的網(wǎng)絡(luò)？考慮到識別的主要關(guān)系是 delta/xor, shift，bitmask 等為主，cnn 不恰當(dāng)，full-connect 的 mlp 比較合適。相應(yīng)地，把一條時間線上的所有點，如果 1 小時就是 3600 個共 3600*8B，有些太多，考慮到同一 timeline 內(nèi)部一段一段的相似性，把 32 個點作為一個最基本的處理單元。
接下來，怎么去創(chuàng)建訓(xùn)練樣本？怎么給樣本尋找 label 呢？
在這里我們引入了強(qiáng)化學(xué)習(xí)，而不是有監(jiān)督的學(xué)習(xí)去訓(xùn)練，因為：
1）去創(chuàng)建有 label 的樣本很難
32 個樣本 256B，理論上 sample 有 256^256 種可能性，對每個這種樣本，需要遍歷 300K 的可能性才能找出最好的那一個。創(chuàng)建及選擇 sample，create label 的工作量都非常大。
2）這不是普通的 one-class-label 問題
給定一個樣本，并不是有唯一的最好的一個結(jié)果，很有可能很多的選擇都能取得相同的壓縮效果，N class（N 基本不可知）的訓(xùn)練又增加了很多難度。
3）需要一種自動化的方法
壓縮的 tool 等參數(shù)選擇很有可能是需要擴(kuò)展的，如果發(fā)生整個訓(xùn)練樣本的創(chuàng)建等都需要重新再來。需要一種自動化的辦法。
用什么樣的強(qiáng)化學(xué)習(xí)呢？DQN，policy gradient，還是 actor-critic? 如前面分析，DQN 是不太適合 reward/action 不連續(xù)的的情況，這里的參數(shù)，譬如 majorMode 0 和 1 是完全不同的兩種結(jié)果，所以 DQN 不合適。此外，壓縮問題一方面不容易評價另外網(wǎng)絡(luò)也沒有那么復(fù)雜，不需要 actor-critic。最終我們選擇了 policy gradient。
Policy gradient 常見的 loss 是用一個慢慢提高的 baseline 作為衡量標(biāo)準(zhǔn)來反饋當(dāng)前的 action 是否合適，但這里并不太合適（效果嘗試了也不太好），因為這里 sample 的理論 block（256^256）state 太多了一些。為此，我們專門設(shè)計了一個 loss。
得到了每個 block 的參數(shù)后，考慮到 block 的相關(guān)性等?？梢杂媒y(tǒng)計的辦法，聚合得到整個 timeline 的最終參數(shù)設(shè)置。
2 深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)框架
整體的網(wǎng)絡(luò)框架示意圖如下：
在訓(xùn)練端：隨機(jī)選擇 M 個 block，每個 block 復(fù)制 N 份，然后輸入到有 3 個隱含層的全連接網(wǎng)絡(luò)中，用 region softmax 得到各參數(shù)各種 choice 的概率，然后按照概率去 sample 每個參數(shù)的值，得到參數(shù)后輸入到底層的壓縮算法進(jìn)行實際壓縮并得到壓縮值。復(fù)制的 N 個 block 相互比較計算 loss 然后做反向傳播。loss 的整體設(shè)計為：
fn(copi) 描述了壓縮效果，比 N 個 block 的均值高就正反饋，Hcs(copi) 是交叉熵，希望得分高的概率越大越確定越好；反之亦然。后面的 H(cop) 是交叉熵作為正則化因子來盡量避免網(wǎng)絡(luò)固化且收斂到局部最優(yōu)。
在推理端，可以把一個 timeline 的全部或局部 block 輸入到網(wǎng)絡(luò)中，得到參數(shù)，做統(tǒng)計聚合然后得到整個 timeline 的參數(shù)。
結(jié)果數(shù)據(jù)
1 實驗設(shè)計
測試數(shù)據(jù)部分一方面隨機(jī)選取了阿里云業(yè)務(wù) IoT 和 server 兩個大場景下共 28 個大的 timeline；另外也選取了時序數(shù)據(jù)分析挖掘領(lǐng)域最通用的數(shù)據(jù)集 UCR?；拘畔⑷缦拢?/p>
對比算法選取了比較有對比性的 Gorilla，MO 和 Snappy。因為 AMMMO 是兩階段的壓縮算法框架，第一階段的參數(shù)選擇可以有各種各樣的算法，這里選用了 Lazy（簡單粗暴的設(shè)置一些普世參數(shù)），rnd1000Avg（隨機(jī) 1000 次取效果平均值），Analyze（用人工代碼的算法)和 ML（深度強(qiáng)化學(xué)習(xí)的辦法）等。
2 壓縮效果對比
首先從整體壓縮率來看，AMMMO 兩階段自適應(yīng)多模式的壓縮比起 Gorila/MO 等有明顯的效果提升，平均壓縮率提升在 50% 左右。
然后 ML 的效果怎么樣呢？下圖在 ML 的視野對比了測試集 B 上的壓縮效果，總的來說，ML 相比人工精心設(shè)計的算法略好，比隨機(jī)平均等明顯好很多。
3 運(yùn)行效率
AMMMO 借鑒了 MO 的設(shè)計思想，移除了 bit-packing，不僅僅在 CPU 上能高速運(yùn)行，也特別適合于并行計算平臺如 GPU。此外 AMMMO 分兩階段，其中第一階段的性能會差一些，但很多時候，譬如對一個特定的設(shè)備過去 2 天的數(shù)據(jù)，全局壓縮參數(shù)是可以復(fù)用的。下圖描述了整體的性能對比，實驗環(huán)境為 “Intel CPU 8163 + Nvidia GPU P100"，其中 AMMMO 的代碼使用了 P100。
從上圖中看出，AMMMO 在壓縮端和解壓縮端都能達(dá)到 GB/s 的處理性能，性能指標(biāo)還是很不錯的。
4 算法學(xué)到的效果
深度強(qiáng)化學(xué)習(xí)訓(xùn)練的網(wǎng)絡(luò)從最終效果上看著不錯，那它是不是真的學(xué)到了有意義的內(nèi)容呢？下標(biāo)對比了 3 種算法在幾個測試集上的表現(xiàn)，可以看出，ML 版本的參數(shù)選擇和分析算法/最優(yōu)效果選擇是差不多的，特別是在 byte offset 和 majorMode 的選擇上。
這種壓縮的全連接網(wǎng)絡(luò)參數(shù)表象會是怎么樣的？對第一層進(jìn)行了參數(shù) heatmap 可視化（正的參數(shù)為紅色，負(fù)的為藍(lán)色，值越大顏色越亮），如下：
可以明顯看到 32 個點在相同的 byte 上有很多規(guī)則的操作，豎線（如果跨越 byte 則混淆情況），可以認(rèn)為是在對應(yīng)的位置上做 delta 或 xor 運(yùn)算等。然后數(shù)字變動最大的 Byte0 的參數(shù)也比較活躍。
綜上，深度學(xué)習(xí)學(xué)到的東西還是挺有解釋性的。
來源：阿里云開發(fā)者社區(qū)
