雲端平台

雖然增強型同時定位與建圖演算法(ESLAM)有著較高的精確度，相較於 FastSLAM2.0 也有較良好的運算效率，但相較於 CESLAM 演算法，卻需要花費 更多時間來運算，因為此類演算法由於虛擬粒子群內的地標數目，會隨著環境特 徵增加而增加，特別是探索大型以及複雜環境時，複雜的計算與大量的資料使得 問題更加嚴重。為了解決上述的問題，本論文提出一以雲端運算為基礎之增強型 同時定位與建圖架構，藉由雲端運算系統的平行化運算，使 ESLAM 演算法能夠 更快速地進行定位與建圖，提高執行效率。

Hadoop 是 Apache 軟體基金會所提出的開放原始碼計畫(Open Source Project) [39]，原先是做為原始碼搜尋引擎的一部分，架構上主要是由 Google 提出的 Google File System[45]及 MapReduce [40]實作而成，近年來由於 Yahoo!、Google、

IBM 等公司的投入與開發，使得 Hadoop 日漸成熟，代表一個雲端生態系如圖 4.1 所示，各種不同架構像是分散式檔案系統(Hadoop Distributed File System, HDFS) 及資源管理系統(Yet Another Resource Negotiator, YARN)均能有效儲存資料和分 配資源，使得 MapReduce 更穩定，提升雲端叢集的擴展性與容錯性，HBase [46]

則是建立在 HDFS 上的分散式 NoSQL 資料庫，可以說是 Google Bigtable 的實現 [47]。Hadoop 雲端運算主要透過資料分佈儲存，包含 HDFS 與 HBase，將檔案或 資料表分散至多個節點儲存，並利用分散式平行運算，包含 MapReduce 以及 HBase 的協同處理器(Coprocessor)所提供的平行運算功能。ZooKeeper [46]可說是資料管 理系統用來管理 HBase 的叢集狀態。

Data Management

(Cluster & Resource Management)

Data Storage HDFS

(Distributed File System)

HBase

(Column DB Storage)

圖 4.1、Hadoop 生態系

DataNode DataNode DataNode DataNode DataNode Client ZooKeeper HMaster

HRegion HRegion

38

HBase 專案起源於 2006 年底，由 Powerset 公司的 Chod 等人創立且開發， 參 考由 Google 的 Chang 等人所撰寫的「Bigtable: A Distributed Storage System for Structured Data」[47]，圖 4.2 為 HBase 的簡易架構圖，如圖 4.2 所示 HBase 由一 個 Master 節點與多個 RegionServer 節點組成，簡單來說 Master 節點負責控管 RegionServer 節點，而它們的資料存放於 HDFS，ZooKeeper 叢集可說是它們間的 協調者，避免指派任務時產生錯誤。客戶端(Client)所下達的指令通過遠端程序呼 叫(RPC)通訊協定傳送至 HBase 伺服器端(RegionServer)，並且在 RegionServer 執 行。

4.1.1 端點協同處理器(Endpoint)

HBase 作為一個線上資料庫系統，給人們的印象停留在資料存取上，想要在 HBase 裡執行資料上的計算，必須依靠 Client 端的程式或是 Hadoop MapReduce，

圖 4.3 為運用 MapReduce 模型來處理 HBase 的資料，因此有了 HBase 協同處理 器 (Coprocessors) ， 加 入 了 協 同 處 理 器 ， 我 們 可 以 將 任 意 計 算 邏 輯 (Arbitrary Computation)佈署在 HBase 的 RegionServers 上，使得 HBase 從資料儲存系統轉變 為高效率且分散式的資料儲存與資料處理系統。

HBase 的 Coprocessors 有兩種：觀察者(Observer)以及端點(Endpoint)，Observer 可以想像成是一種介於 Client 端與 HBase 之間的觸發器(trigger)，Endpoint 比較像 是 HBase 的一種儲存過程，擴展了 HBase RPC 協定，將客戶端的一個要求同時 傳送到所有 Region 上，Endpoint 能夠平行地呼叫和執行，如圖 4.4 所示。

Input

圖 4.3、MapReduce on HBase

Region Server 1

table, , 123456789 Endpoint coprocessor

table, row-6, 123456789 Endpoint coprocessor

Region Server 2

table, row-4, 123456789 Endpoint coprocessor

table, row-7, 123456789 Endpoint coprocessor

HTable Thread Pool

Batch.Call back Batch.Call

Parallel RPC Calls

圖 4.4、Endpoint 平行呼叫和執行

40