張麗萍 葛福鴻

摘? ?要：近年來，國內(nèi)的微課、慕課、網(wǎng)絡課堂等發(fā)展迅速，依托大數(shù)據(jù)技術，能夠把學習過程和效果更加透明地呈現(xiàn)給每一個學習者。文章基于Hadoop生態(tài)系統(tǒng)，設計并開發(fā)了一個輕量級的教育類大數(shù)據(jù)處理系統(tǒng)，可從網(wǎng)絡課堂、網(wǎng)站、微信、APP等新媒體獲取數(shù)據(jù)。通過對數(shù)據(jù)的收集、清洗、分析，進而挖掘數(shù)據(jù)中更多有價值的信息，為學習者提供更好的服務。文章以網(wǎng)絡課程網(wǎng)站中session數(shù)據(jù)分析為例，通過分析可獲取頁面跳轉(zhuǎn)轉(zhuǎn)化率、熱門課程離線統(tǒng)計、廣告流量實時統(tǒng)計和黑名單過濾等，為網(wǎng)絡課程網(wǎng)站的后期建設提供量化依據(jù)。

關鍵詞：大數(shù)據(jù);教育大數(shù)據(jù);Hadoop;session

中圖分類號：G40-057 文獻標志碼：A 文章編號：1673-8454（2021）05-0050-04

隨著移動互聯(lián)網(wǎng)技術的發(fā)展，大數(shù)據(jù)的力量開始席卷各個行業(yè)領域，并對人們的思維、生活、工作、學習等產(chǎn)生重大的影響。使用新的大數(shù)據(jù)處理技術，數(shù)據(jù)的收集、分析和處理都發(fā)生了變化，通過對海量數(shù)據(jù)的收集和數(shù)據(jù)更深層次的挖掘，能夠發(fā)現(xiàn)數(shù)據(jù)中更多的價值。

本文對學習者行為進行了分析，從大數(shù)據(jù)分析平臺的設計、環(huán)境搭建、session日志分析模塊三個方面進行實踐和探索。研究過程主要分成兩個階段：第一階段是大數(shù)據(jù)開發(fā)系統(tǒng)的規(guī)劃和部署。對平臺系統(tǒng)進行構建，對系統(tǒng)需要的組件做進一步規(guī)劃，搭建測試服務器和開發(fā)環(huán)境。第二階段是數(shù)據(jù)處理模塊的設計和開發(fā)。通過對真實場景的模擬，對網(wǎng)絡課程類型網(wǎng)站session數(shù)據(jù)展開處理，進而設計和模擬一個處理微課及其他慕課網(wǎng)站信息的大數(shù)據(jù)處理平臺。

一、大數(shù)據(jù)及相關技術闡述

1.大數(shù)據(jù)

一般認為，大數(shù)據(jù)（big data）是通過先進技術進行收集、存儲和處理的數(shù)據(jù)集合，是海量、不規(guī)則的信息，是具有預測力，可以提供決策支持的信息資源。其導致了新的處理技術的誕生，如谷歌的MapReducehe 和開源Hadoop平臺（最初源于雅虎）。更重要的是，這些數(shù)據(jù)不再需要用傳統(tǒng)的數(shù)據(jù)庫表格來整齊地排列——一些可以消除僵化的層次結構和一致性的技術也出現(xiàn)了。

大數(shù)據(jù)的本質(zhì)在于分析信息時的三個轉(zhuǎn)變：第一個轉(zhuǎn)變是，在大數(shù)據(jù)時代，需要分析的數(shù)據(jù)更多。不同于傳統(tǒng)的數(shù)據(jù)分析，收集的數(shù)據(jù)是部分樣本，大數(shù)據(jù)分析經(jīng)常會收集研究對象相關的所有數(shù)據(jù)。第二個轉(zhuǎn)變是，不再熱衷于追求精確性。精確性是信息量少的時代的產(chǎn)物。只有接受不精確性，才能充分利用大量的不精確、非結構化的數(shù)據(jù)，真正挖掘數(shù)據(jù)寶藏潛在的價值。第三個轉(zhuǎn)變是，不再熱衷于尋找因果關系。知道“是什么”就夠了，不再糾結于“為什么”。在大數(shù)據(jù)時代，要讓數(shù)據(jù)自己“發(fā)聲”，不需要知道現(xiàn)象背后的原因。此外，大數(shù)據(jù)的相關關系分析法不易受主觀意識的影響，且更準確、更快，因此，建立在相關關系分析法基礎上的預測是大數(shù)據(jù)的核心[1]。

總之，在大規(guī)模數(shù)據(jù)的基礎上進行數(shù)據(jù)挖掘完成的工作，在小規(guī)模數(shù)據(jù)的基礎上是實現(xiàn)不了的。大數(shù)據(jù)是人們獲得新的認知的源泉。例如：淘寶可以推薦用戶想要的商品、QQ可以猜出用戶認識誰、京東知道用戶的喜好。大數(shù)據(jù)在教育領域的應用也在逐漸突出其重要的價值，特別是教育大數(shù)據(jù)可以為教育部門提供決策依據(jù)，為教師對教學進行調(diào)整提供量化依據(jù)，為學生的學習提供預測和改進依據(jù)，為實現(xiàn)個性化學習提供技術支撐。

2.采用的相關技術

（1）Hadoop

Hadoop是采用分布式架構的平臺，為用戶提供可靠的、靈活的數(shù)據(jù)處理功能，使得用戶的開發(fā)變得方便、快捷。Hadoop以HDFS和MapReduce框架為核心。HDFS是一個高度容錯、可靠的分布式文件系統(tǒng)[2]。

（2）Apache Spark

Apache Spark 是專為大規(guī)模數(shù)據(jù)處理而設計的快速、通用的計算引擎。和MapReduce框架相比，Spark是基于內(nèi)存計算的，在數(shù)據(jù)處理過程中采用了成本更低的洗牌方式，相比其他大數(shù)據(jù)處理技術會有極大的效率提升。此外，Apache Spark支持更多的函數(shù)，提供交互式的處理環(huán)境，在大數(shù)據(jù)分析和機器學習領域有著巨大的優(yōu)勢。

（3）Ubuntu系統(tǒng)

Ubuntu是一個高效的Linux操作系統(tǒng)。其提供了可靠穩(wěn)定的工作環(huán)境和用戶交互界面，因而在生產(chǎn)和生活中有很高的使用率。由于大數(shù)據(jù)開發(fā)常用的軟件基本都需要Linux運行環(huán)境，因而在課題研究、開發(fā)、測試中都會使用Ubuntu系統(tǒng)。

二、學習者訪問session介紹

學習者在瀏覽學習網(wǎng)站時，通常有很多鼠標點擊行為，如點擊菜單中的某個選項、瀏覽某個學習內(nèi)容、關閉學習頁面等。學習者的每一次對學習內(nèi)容的操作，可以將其理解為一個行為。一次學習者訪問session，指的是學習者進行一次學習的操作過程，包括進入學習網(wǎng)站、點擊各種操作、離開學習網(wǎng)站。

session實際上是一個網(wǎng)站中最基本的數(shù)據(jù)和大數(shù)據(jù)來源。在以往的在線教育類型網(wǎng)站（如微課、慕課等）中，并沒有對session數(shù)據(jù)進行處理或有類似的處理。因為當網(wǎng)站的訪問量增長較快時，對于session數(shù)據(jù)的處理效率會大幅度降低。不僅僅需要考慮到對較大規(guī)模數(shù)據(jù)的處理，而且還要解決存儲等問題，因為單臺服務器已經(jīng)不能滿足這樣龐大數(shù)據(jù)的處理。然而，在session數(shù)據(jù)中，又包含著很多有價值的數(shù)據(jù)。如通過session可以獲取當前訪問網(wǎng)站的人數(shù)、學習者訪問的欄目、訪問量較大的欄目。通過這些數(shù)據(jù)，可以有效地幫助管理員分析哪些欄目受歡迎、哪些欄目值得推薦、網(wǎng)站是否存在異常等等。除此之外，還可以根據(jù)session數(shù)據(jù)幫助實現(xiàn)智能推薦、人物畫像等功能。

三、大數(shù)據(jù)分析平臺的構建

該平臺有別于傳統(tǒng)的數(shù)據(jù)分析平臺，除了實現(xiàn)基本的功能需求，平臺主要提供了對大數(shù)據(jù)的支持。龐大的數(shù)據(jù)會給集群帶來嚴峻的考驗，如存儲、任務調(diào)度、負載均衡等。因而必須保證平臺的穩(wěn)定、可維護、可擴展、容錯等。

1.平臺特征

在該平臺的設計中，具備如下特點：①支持多種數(shù)據(jù)源。能夠支持網(wǎng)站、APP、微信平臺等常見媒體的數(shù)據(jù)。②平臺可靠性強?；灸軌?qū)崿F(xiàn)數(shù)據(jù)的完整收集、集中存儲和快速處理。③支持大規(guī)模數(shù)據(jù)的收集和分析。④支持近實時分析和離線分析。⑤有良好的容錯性和擴容性，便于今后進行更深層次的開發(fā)。

2.平臺拓撲結構

該平臺采用了樹形拓撲結構，如圖1所示。這樣的設計可以使得平臺易于擴展，容易在網(wǎng)絡中加入分支或者新節(jié)點來滿足不同的需求，此外，也能在一定程度上便于隔離故障，不會影響整個系統(tǒng)。在根節(jié)點上，Hadoop分布式文件系統(tǒng)可靠、穩(wěn)定、易于擴展、容錯性高的特點也使得平臺能夠更加穩(wěn)定地運行。

3.平臺總體結構

平臺的目標主要是對微課類型網(wǎng)站的日志進行分析處理，考慮到平臺的擴展性和實用性，平臺在設計時采用了如圖2所示的結構。

總體上，該平臺分為日志采集模塊、邏輯處理模塊、可視化展示模塊、任務管理模塊。日志采集模塊的主要任務是獲取各個服務器的數(shù)據(jù)，并對數(shù)據(jù)進行清洗處理。邏輯處理模塊主要按照不同的場景對數(shù)據(jù)進行處理，如獲取訂閱量、排名前若干位的課程名稱、訪問年齡分布、搜索關鍵詞排名等?？梢暬K主要對大數(shù)據(jù)處理的結果通過可視化視覺效果進行展示，更加直觀形象地了解數(shù)據(jù)的情況。在模塊設計上，該模塊分為圖表展示和數(shù)據(jù)展示。任務管理模塊主要負責集群的任務調(diào)度、任務狀態(tài)監(jiān)控、任務配置等功能。在這里采用了Azkaba對這方面的任務進行管理[3]。

4.開發(fā)環(huán)境搭建

由于完整設置開發(fā)環(huán)境的工作量較大，因此對環(huán)境進行了適度的調(diào)整。具體調(diào)節(jié)如下：在數(shù)據(jù)處理流程上，數(shù)據(jù)在通過采集后導入HDFS，然后Spark直接讀取HDFS中新導入的數(shù)據(jù)，并進行處理。在這里，數(shù)據(jù)采集過程簡化為模擬數(shù)據(jù)生成，即將數(shù)據(jù)直接導入到HDFS中。

此外，一些學習者的注冊信息等基礎數(shù)據(jù)，是存儲在MySQL的數(shù)據(jù)，可以使用sqoop工具便捷導入到數(shù)據(jù)倉庫Hive中。并在Hive中進行計算。計算的結果可以再使用sqoop導出到MySQL數(shù)據(jù)庫中，方便其他模塊使用[4]。具體的開發(fā)環(huán)境如圖3所示。

5.數(shù)據(jù)設計

由于條件限制和測試需要等原因，直接模擬生產(chǎn)數(shù)據(jù)有一些困難。因而在模擬數(shù)據(jù)時，進行了一些簡化。但其并不會影響需求。在一般場景下，采集到的數(shù)據(jù)都會經(jīng)過ETL過程。將需要的數(shù)據(jù)轉(zhuǎn)化為符合計算的格式，即數(shù)據(jù)清洗[5]。所以，模擬數(shù)據(jù)和經(jīng)過清洗的數(shù)據(jù)是一致的，并不會影響功能。

（1）學習者基礎信息數(shù)據(jù)：主要記錄學習者在網(wǎng)站、APP等注冊的信息?？砂▽W習者登錄名、性別、年齡、專業(yè)、城市等。

（2）學習者訪問行為session數(shù)據(jù)：包括學習者點擊行為的時間、學習者ID、點擊某課程、搜索關鍵詞后進入的頁面、導航、訂閱的課程、進行的討論、參加的小組、學習者的瀏覽行為次數(shù)等。

四、學習者訪問session數(shù)據(jù)分析

在該模塊中，采用spark對session數(shù)據(jù)進行處理，具體實現(xiàn)的功能如下：

1.學習者信息和Session聚合處理

該模塊主要是對學習者訪問session進行統(tǒng)計分析，可以協(xié)助網(wǎng)站管理員看到各種聚合條件下的學習者行為各項統(tǒng)計指標，從而為學習課程的設置和推送提供策略支持。同時也能使用這些參數(shù)并結合推薦算法做智能推薦。

指定條件篩選session，可在篩選時設定一些條件，如在某個時間段訪問的學習者，搜索過某些關鍵詞的學習者等。這些信息能幫助我們劃分對象群體，極大地方便對各種復雜業(yè)務的邏輯分析。再比如，通過session聚合指標計算，獲取點擊量、觀看量和評論量都排名前10的課程名稱，獲取熱門話題點擊數(shù)量排名前10的session，并獲取學習者相應的一些信息。這一功能對于課程的評價機制是非常實用的技術實現(xiàn)，對課程的評價采用量化的手段進行呈現(xiàn)，使評價更加客觀、公平、有說服力。

2.頁面跳轉(zhuǎn)轉(zhuǎn)化率統(tǒng)計

在進行網(wǎng)站設計時，一般會對學習者的瀏覽行為進行設計，但設計可能并不是一次性就能滿足需求的，需要不斷地進行調(diào)整。通過對頁面跳轉(zhuǎn)轉(zhuǎn)化率進行分析，從而對網(wǎng)頁布局、欄目等內(nèi)容進行更好的優(yōu)化設計。作為數(shù)據(jù)分析人員，可以深層次地分析這些數(shù)據(jù)，從而進行人物畫像、個性化調(diào)整等。圖4為一個網(wǎng)頁訪問順序示意。

該圖的場景在網(wǎng)站訪問中是較為常見的，筆者假設各個頁面的編號為1，2，3，4。在設計上，管理員希望訪問次序為1->2->3->4。但是在實際上，訪問次序跟希望的并不一樣。通過頁面單跳轉(zhuǎn)化率，可以得到真實的訪問次序和熱點的位置，進而分析各頁面設計的合理性。此外，還可以對頁面進行更進一步的劃分，測試頁面熱點區(qū)。

該模塊設計實現(xiàn)如下功能：指定范圍內(nèi)的學習者訪問行為數(shù)據(jù)，計算和判斷頁面流ID中每兩個頁面組成的頁面切片，它的訪問量是多少;根據(jù)指定頁面流中各個頁面切片的訪問量，計算各個頁面的切片轉(zhuǎn)化率并將計算結果寫入數(shù)據(jù)庫中。

3.熱門課程離線統(tǒng)計

該模塊主要實現(xiàn)統(tǒng)計點擊、參與、評論的熱門課程排名前若干位的數(shù)量。在服務器部署離線統(tǒng)計任務的定時調(diào)度。該模塊可以為管理員和學習者提供熱門課程的整體情況，從而對課程的推送進行調(diào)整。

4.訪問時長計算占比

在訪問時間占比功能中，對學習者的訪問時間長短進行了劃分，計算單位時間內(nèi)各個時間段在當前時間段內(nèi)的比例。

統(tǒng)計網(wǎng)站的session數(shù)據(jù)中，訪問時長在各個預設時間段范圍內(nèi)的session占比。session的訪問時長，指一個session從開始訪問到結束訪問之間的時間范圍。通過這個值，管理員可以對學習者的行為進行估計。在一般情況下，學習者會選擇其感興趣的頁面，并在這些頁面停留較長時間，對于不感興趣的頁面，可能停留的時間較少。因此訪問時長也能在一定程度上反映一個學習者的瀏覽習慣。如時間為1s～3s，學習者可能僅僅是簡單瀏覽;而時間為30m以上，可能學習者正在進行學習。如在某一個課程直播頁面的訪問信息中，如果學習者的停留時間普遍低于1分鐘，則很可能這個頁面出現(xiàn)了問題，需要管理員進行管理調(diào)整。通過對某個特定時間的占比統(tǒng)計，可以調(diào)整模塊的內(nèi)容、推薦信息等。

5.流量實時統(tǒng)計和黑名單過濾

網(wǎng)站經(jīng)常會面臨一些異常訪問，因此有必要對數(shù)據(jù)進行監(jiān)控和限制。使用大數(shù)據(jù)技術進行安全監(jiān)控分析，面對的是整個網(wǎng)站的訪問數(shù)據(jù)，監(jiān)控的樣本比傳統(tǒng)監(jiān)控有極大的增加，通過合理的計算和分析，可以很大程度上提高網(wǎng)站的安全性。

該模塊可以根據(jù)session信息來實時統(tǒng)計流量，以發(fā)現(xiàn)異常學習者，經(jīng)過鑒別后，可將異常學習者加入到黑名單中。session通常會記錄一些學習者的訪問信息，當學習者訪問異常時，通過session數(shù)據(jù)能較為明顯地表現(xiàn)出來。在這里設定為單位時間內(nèi)，同一學習者的訪問次數(shù)大于某值時，即為黑名單學習者，并將其記錄到數(shù)據(jù)庫中。

6.對結果進行可視化展示

對數(shù)據(jù)結果進行可視化展示是很重要的一個環(huán)節(jié)，通過對數(shù)據(jù)進行可視化展示，可以讓數(shù)據(jù)更加易于理解[6]。這里使用echarts實現(xiàn)數(shù)據(jù)的可視化效果，并使用靜態(tài)的方式進行數(shù)據(jù)展示，包括柱狀圖、餅狀圖、折線圖等，使學習者更簡潔直觀地了解數(shù)據(jù)的基本情況?？梢暬Y果展示示例如圖5、圖6所示。

五、結語

本文詳細介紹了大數(shù)據(jù)平臺的架構、部署和針對教育類型網(wǎng)站（網(wǎng)絡課程類型）的session數(shù)據(jù)開發(fā)。綜合介紹了基于Hadoop的大數(shù)據(jù)開發(fā)架構以及大數(shù)據(jù)在學習者行為分析中的應用?；诖髷?shù)據(jù)的學習者行為分析將對教育類平臺的優(yōu)化和推廣起到積極作用，這種研究思路值得智慧教育研究者借鑒。

參考文獻：

[1]維克托·邁爾-舍恩伯格，肯尼思·庫克耶.大數(shù)據(jù)時代[M].杭州：浙江人民出版社，2013：8-18.

[2]王正也.基于Hadoop平臺的海量數(shù)據(jù)查詢分析系統(tǒng)的性能優(yōu)化研究[D].北京：北京郵電大學，2015：6-10.

[3]劉季函.基于Spark的網(wǎng)絡日志分析系統(tǒng)的設計與實現(xiàn)[D].南京：南京大學，2014.

[4]劉永增，張曉景，李先毅.基于Hadoop/Hive的Web日志分析系統(tǒng)的設計[J]. 廣西大學學報（自然科學版）， 2011，36（s1）：315-316.

[5]王英哲.大數(shù)據(jù)時代文獻分析與利用[J].石家莊職業(yè)技術學院學報，2014（2）：53-54.

[6]張春生，郭長杰，尹兆濤.基于大數(shù)據(jù)技術的IT基礎設施日志分析系統(tǒng)設計與實現(xiàn)[J].微型電腦應用，2016，32（6）：50-51.

（編輯：王曉明）