Hbase勉強会（第一回）メモ

Hbase勉強会（第一回）メモ

• 1.
  HBase 第一回のメモです。 2011/5/20@okachimachiorz1
• 2.
  Hbase Hbase の用途についての検討資料Hbase の基本的性質の整理 振る舞い データモデル ~ 業務アプリから見てみる 用途についてのレイヤー毎での検討 レイヤーの整理～アプリ・レイヤーから見てみる 検討
• 3.
  Hbase の基本的性質についての整理 振る舞い分散型 一般に、理屈からいうと複雑さがますほど制御が困難になる。 CAP 定理については、内容に疑義はあるが検討項目には値する。すなわち、 Consistency ・ Availability ・ Partition-Tolerance について留意する 一般に HBase は Consistency を重視していると言われる そのため SPoF 問題が常に浮上する。 SPoF はよく Availability の点で指摘されるが、むしろ Consistency の点からも検討されるべきである（不整合な状態を作るくらいなら、とっとと死ね的） これらは後述するそれぞれのレイヤーから検討されるべき 今回はちょっとパス SortedMap 行キー・列・タイムスタンプとしてキーを利用する カラムファミリー データモデルの側面から検討すべき->今日のお題 HadoopMapReduce との親和性 単なる KVS 実装であれば、他のプロダクツはいくらでもある Hbase の相対メリットを明確にすべき これも後で真剣に検討する 想定されている利用コンテクストの整理 大容量 GB ～ PB 高速 Write k クエリー /sec/node Cache 利用 拡張性～あと mem 要請が強い データレイアウト キー検索と Sparse カラム
• 4.
  基本的データモデル 行キー まぁPK みたいなもんか～ 100byte 以下の任意の文字列～ dictionary ・・・なので、 1,10,2,3,4,5 とかになるのよ。 頭に 0 入れるとか、 Hash 使うとかノウハウはある。 逆順に格納するという方法はよく使う。 Long.MAX_VALUE -System.currentTimeMillis() 各 Table には、一つ以上のカラムファミリー あまり多数にわたるものは想定はしていない あまり変化しない前提がある 追加変更は一度 disable させてから行う 各行単位でのタイムスタンプ versioning に利用する 基本的な Table 構造 行キー + 列キー + タイムスタンプ　 -> 　値 相当制限的を見るべき 普通に考えると特にアプリレイヤーでは、用途は制限される 制限的なデータモデルが許容されるミドルレイヤーでは用途が高い
• 5.
  ちょっと考える～データモデル KVS 的にはジャーナルをダダ漏れで入れておいて、あとでキーで引っ張る 例として POS データの登録を考えてみる journal-> 商品 ID-> 単品集計 本質的には、登録ポイントを複数にしてスケールするか？どうか ジャーナル自体の発生は 1000 箇所以上 登録が N 箇所でできて、整合性がとれればよい 多分問題ないはず Rowkey の Uniqueness は保証可能 ローカリティが分散するようにしてあげることが必要 カラムで一発でとれるとうれしい うれしいこともあるが、あまりに直線的な使い方に見える 汎用性は確実に低い ・・・やっぱり前提として、 prejoin はやっている気がする 暗黙のうちの事前フォーマットを想定している ロー・キーのローカリティに注意することは必須 HBase では同じ場所になるから。 カラム・ファミリーは同じファイルに入ることも留意すること
• 6.
  ちょっと考える 2 結局ローカリティはユーザーが意識する必要があるのか？それは駄目っぽくない？ というか、それをアプリ側に意識させないミドルがいるんじゃないの？ 論理的には意識しろ、物理的には意識するな。 単純に分散 KVS 的な処理としてはローレイヤーでかまわないが、これでは汎用性が低い気がする 別に SQL がとか、「そういう話」ではない。それ以前の話。 物理的なローカリティと論理的ローカリティは微妙に一致しないので、混乱しないようにした方が良い 特にデータに偏りがある場合 論理的には均一に見えるけど、物理的には偏っているようなケース HBase のローカリティの管理は整理しておきたい Table->RS-> データ
• 7.
  とはいえ、実際のアプリ・レイヤーから検討してみる 想定されるアプリ 考慮すべき事項はキー ローカリティ ローカリティは特に MR の観点から検討しておくことが望ましい 主要の業務アプリのセグメント 受発注 TX の多い消費財系の受発注を想定 物流 マテハン直前のデータに絞る。出荷指示・ ASN 決済 基本的にマッチング処理 情報系 BI 系 人事系 給与計算 何が見えるか、ちょっと 考えてみよう・・・ 思考実験なので 割とイマイチなの 勘弁してね。
• 8.
  受発注 受発注データモデル 例）受注データキー考察） 結局、 Nest したデータ構造でのキー付けがポイントになる 受発注では伝票番号自体はユニーク保証が必須だけど、その下位での繰り返し構造をどう表現するか？がポイント BMS だと N 行、 J 手順だと 6 行固定とか Metadata ＝ header 的な取り扱いがフィットすると思う body 以降を lineID を加えてキーとして処理する たしかに後からカラムを足せるは便利だけど、テストや連携とか考えるとメリットも半減する ラッパーとしての F/W が必要だと思う ローカリティ考察） 間違いなく物理的には偏る。クレンジングや引当を考えるのであればキーには Hash を振った方が絶対よい。 ただし、処理的にはバッチ処理の方が多いはず。なので、 MR 処理を意識したロケーションがよい。 Row key Column family Column keys Voucher_ID Metadata type,header, date,customer_id Voucher_ID+line_ID Transactions Price, qty, amount Voucher_ID+line_ID Status reserved, shipped
• 9.
  物流 物流データモデル 例）出荷指示書キー考察） データ間のトレーサビリティを取っていくときに工夫が必要になる。 ER モデルについても同様な問題が発生したように Dangling の問題は絶対発生する 物流データのように、他のデータとのつなぎが重要なデータは、キー間の連携を検討する必要がある。 ロケーション考察） 種まきか刈り取りかで出し方は変わるので、その辺はちょっと考慮がいる 順次処理やワークアロケーションを優先するのであれば、偏りはすくない。 in_charge あたりの処理は平準化するので、ロケーション管理は割と楽 Row key Column family Column keys Instruction_ID Metadata type,header, in_charge, referred_id Instruction_ID+line_ID Transactions merchadise_id, picked, Instruction_ID+line_ID+ Timestamp Adjustment adjust_qty, split
• 10.
  決済 決済データモデル 例）請求データキー考察） 決済データの基本はサマリー（束にする＝締め処理）と明細トレースになる。 他の種類のデータと異なり一般にヘッダー的な部分のウェイトが大きい とはいえ、基本的に前述の受発注・物流系のデータが処理できれば、メタレベルで大きな差があるわけではない ロケーション考察） 鬼の偏りは間違いなしだね。全世界的に偏る。 多分セカンダリーソートまで意図的に考えないとまったく分散しないで悲鳴があがる。 ・・・む～、このキーで良いか ? 的なレベル。 Hash で振るのはセンスゼロ円なんで、論理キーはロケーションと論理集合を意識する 上記の例は「これだけ」では無理だと思う。 Row key Column family Column keys Invoice_id Metadata type,header, total_amout, conditions Invoice_id+line_ID Transactions detail_id, date, amout, c-tax, Invoice_id+line_ID+ ref_id referred_tx not_reserved
• 11.
  情報系 情報系データ 例）正規化終了後（営業日報確定後）POS データ 考察）情報系のログは便宜的にタイムスタンプをキーにすることが多いが、 おそらくそれ一本では機能しないので、考えていくことが必要になる。 Web 系のログ解析であれば、とりあえず時系列データ的に扱う、ということを主眼して、一時的に timestamp で格納する ということはあるとは思う（素人なので、この辺はよくわからんが、聞いているとそういうのが多い） ただし、なんというか「そのまま入れ込んで使う」という感覚があるので、気にくわない。 データモデルが、実装に引っ張られているので、デザイン的には「失敗している Affrodance 」な感じがする・・・ ( 苦笑 ロケーション） POS データの格納でいえば、例えば、店舗単位で Table をつくる感じかな。 -> RS でバランスしてくれるので、店舗規模での調整は不要というのは分散のメリット MR するにしても、確実に journal 単位で独立処理ができるので最適になる。 まぁいけると思う。 Row key Column family Column keys journal_ID Metadata Name, IDs journal_ID Transactions Price, qty, amount journal_ID+ check_Timestamp Adjustment Name, IDs
• 12.
  人事系 人事系 例）出退勤ログ考察） そもそも Timestamp がキーではなくてデータだったら、どうするのか？という問題 採番問題は考え置かないとあとあと禍根を残す可能性もある 現状では、わりと無条件に時系列の Index が中立的なので、キーとしてつかるでしょう、という発想だけど 時系列データそのものに「意味」が発生した場合は中立性がなくなるので、他を考慮する必要がある Row key Column family Column keys personnel_ID Metadata Name, IDs personnel_ID+action_id Actions Type, Timestamp
• 13.
  ちょっとした結論 業務系データをどう格納するか？ TX系は頑張ればいける気がする 業務系のデータモデルをある程度 F/W 化する必要がある ① キー付けの問題が業務ドメインに固有 ② ロケーション管理 どの単位で引っ張るか？ということ HBase の特徴が MR であるため、そこを意識する必要がある デメリットは・・・ 繰り返し使わないと、モデル練度が上がらない なんか構築コストが高くつくような気がする。 メンテ性も良くはない Master 系 M と TX の境界定義は曖昧なので今回の考察では見送り
• 14.
  うまく Hbase 用のデータモデルは考えられないのか？半構造データの特徴 取り回しを考えるのであれば・・・ 抽象データ型の導入が必要 まぁ Dictionary なんで、これをベースに拡張することは可能のはず 辞書型だけでは、身もふたもないないので Stack List Array あたりかな・・・ ふと思うのは TX->KVS でだらだら入れ込む Ms-> 抽象データ型で取り回しを重視する ということはありかな、とは思う。 いずれにしろ、 Ms 系の join は KVS は苦手のはずなので、 MR の専業だと思う
• 15.
  補足 カラムファミリー 圧縮Gzip, LZO Version 初期値は 3 TTL Blocksize リードリクエストに対する読み込み量 In_Memory 行をメモリーに置くかどうか Blockcache ファイルブロックのキャッシュ