Introduction to Hadoop and Spark (before joining the other talk) and An Overview of Hadoop in Japan
9 likes1,237 views
Introduction to Hadoop and Spark (before joining the other talk) and An Overview of Hadoop in Japan
Introduction to Hadoop and Spark (before joining the other talk) and An Overview of Hadoop in Japan
- 1. 他の講演を聴く前に確認しておきたい Hadoop／Spark 入門 日本におけるHadoopの状況 日本Hadoopユーザー会 濱野 賢一朗／Kenichiro Hamano （NTTデータ） 2016年10月26日 Hadoop Summit 2016 Tokyo 講演資料
- 2. 自己紹介 濱野 賢一朗 （はまの けんいちろう） – 日本Hadoopユーザー会のメンバとして、 イベント Hadoop / Spark Conference Japan や 勉強会 Hadoopソースコードリーディングの企画・ 実施を担当 – 翔泳社 『Hadoop徹底入門』 監修者 – NTT DATA 技術革新統括本部 に所属 – Hadoop 関係者で話題になった「経産省の報告書」 の実証事業のPM 平成２１年度 産学連携ソフトウェア工学実践事業報告書 高信頼クラウド実現用ソフトウェア開発（分散制御処理技術等に係るデータセンター高信頼化に向けた実証事業） http: //www.meti.go.jp/policy/mono_info_service/joho/downloadfiles/2010software_research/clou_dist_software.pdf
- 4. Hadoopを一言でいうと・・・ 並列分散処理を実現するミドルウェア 複数のIAサーバを束ねて、 ひとつの大きな処理システムとして利用 特に大量データの格納・処理に最適化 HDDは今でも実質は 80MB/sec 程度が限界 5TBのデータを読み込むのに 約 5*1000*1000 /80 = 62500秒 = 17.4時間 この問題を解決するために、並列分散処理を活用
- 5. 大量データの処理を実現するには データを複数のサーバに分割して格納 利用時には、複数のサーバから、 それぞれのデータを同時に読み込む HDDの台数分だけのスループットを確保 1台だと 80MB/sec 程度でも 1000台だと 80GB/sec のスループット 5TBのデータを読み込みも 62.5 秒で実現
- 6. Hadoopの構成 （従来） 大きく 2つのコンポーネントで構成 分散ファイルシステム HDFS Hadoop Distributed File System 並列分散処理フレームワーク MapReduce Framework アルゴリズム MapReduce を実現する どちらも Google が 発表した論文の アイデアを 元に開発 されている
- 7. Hadoopの構成 （従来） 集中管理型の分散システム データ管理や 分散処理ジョブ の管理は マスタサーバが 実施 スレーブサーバは、 分散処理の 実行や データの実体を 保存 Hadoopマスタサーバ Hadoopクライアント L2/L3スイッチ NameNode JobTracker L2スイッチ Hadoopスレーブサーバ群 DataNode TaskTracker DataNode TaskTracker DataNode TaskTracker DataNode TaskTracker DataNode TaskTracker ディスク ディスク ディスク ディスク ディスク
- 8. 分散ファイルシステム HDFS NameNode (Master) DataNode (Slave) クライアント ②③ ① ① ① ファイル Heartbeat メタ情報 管理 ブロック 管理 DataNode 状態監視 ブロックの 保存 1つのブロックを複数のDataNodeで保存 → 任意のDataNodeが故障してもデータを失わない ブロック ① ③ ③ ③ ② ② ②
- 9. MapReduce （アルゴリズム） 大量の件数のデータがあった時に、 複数ワーカーで 並列に処理できる仕組み 例として、選挙の開票作業を想定 – 複数人で作業を分担して実施 – 最初に、投票用紙を分けて、 みんなで並行して投票者別に用紙を仕分ける – 次に、投票者別の用紙を1カ所にまとめて、それぞれの枚数を 数える
- 10. MapReduce （アルゴリズム） Aさん Bさん Cさん ①用紙を適当に3つに分ける ・・・ ・・・ ・・・ a氏 b氏 e氏 a氏 b氏 e氏 a氏 b氏 e氏 ②3人で並行して、 投票者別に用紙を 仕分ける 第1段階 第2段階 第3段階 ④3人で並行して、 投票者ごとに 枚数を数える a氏の 得票数 b氏の 得票数 d氏の 得票数 e氏の 得票数 c氏の 得票数 投票 結果 Aさん Bさん Cさん a氏 e氏 ③投票者ごと 用紙を集める d氏c氏b氏
- 11. MapReduce （アルゴリズム） ・・ ・ ・・ ・ ・・ ・ Aさん Bさん Cさん a氏 b氏 E氏 a氏 b氏 e氏 a氏 b氏 e氏 ①用紙を適当に3つに分ける ②3人で並行して、 投票者別に用紙を 仕分ける a氏 e氏 ③投票者ごと 用紙を集める ④3人で並行して、 投票者ごとに 枚数を数える 第1段階 第2段階 第3段階 投票 結果 Aさん Bさん Cさん d氏c氏b氏 Map処理 データを分類・仕分け a氏の 得票数 b氏の 得票数 d氏の 得票数 e氏の 得票数 c氏の 得票数 Reduce処理 分類・仕分けされた データごとに処理
- 12. MapReduce （アルゴリズム） ・・ ・ ・・ ・ ・・ ・ Aさん Bさん Cさん a氏 b氏 E氏 a氏 b氏 e氏 a氏 b氏 e氏 ①用紙を適当に3つに分ける ②3人で並行して、 投票者別に用紙を 仕分ける a氏 e氏 ③投票者ごと 用紙を集める ④3人で並行して、 投票者ごとに 枚数を数える 第1段階 第2段階 第3段階 投票 結果 Aさん Bさん Cさん d氏c氏b氏 N人でやれば N倍のスピード （相互に影響を受けずに作業できる） a氏の 得票数 b氏の 得票数 d氏の 得票数 e氏の 得票数 c氏の 得票数 N人でやれば 約N倍のスピード （相互に影響を受けずに作業できる）
- 13. MapReduce Framework JobTracker (MASTER) TaskTracker (SLAVE) クライアント ② ③ ① タスク実行中 タスク実行待ち タスク実行(競争)中 MapReduce ジョブ管理 タスク 管理 Heartbeat TaskTracker 状態監視 MapReduce ジョブ M R 同じ処理の投機的実行 データのローカリティを意識した タスクの実行 Map Map Reduce MR M RM Map,Reduce タスクの実行
- 14. Hadoopの特徴 HDFS 大量のデータを高スループットに読み込める サーバが故障しても、データの安全性は担保 MapReduce Map処理、Reduce処理のみを指定すれば （原則はJavaで処理を記述） あとはフレームワークが並列分散処理を実現 ノード数を増やせば、基本スケール サーバが故障しても、ジョブは実行される
- 15. HDFS 大量のデータを高スループットに読み込める サーバが故障しても、データの安全性は担保 MapReduce Map処理、Reduce処理のみを指定すれば （原則はJavaで処理を記述） あとはフレームワークが並列分散処理 ノード数を増やせば、基本スケール サーバが故障しても、ジョブは実行される Hadoopの特徴 並列分散処理の 面倒な部分を解決してくれる ミドルウェア
- 16. Hadoopは何に利用できるのか？ データ読み込みのスループットの最大化 → 全件データ （Big Data） 処理の実現 ユーザーごとの個別のフィードバックの実現 （ソーシャルなサービス、レコメンドなど） 並列分散処理によるバッチ処理の高速化 → データ件数の増大に対応
- 17. Hadoopの活用例 過去のアクセス履歴を格納・処理して、ユーザーごとの嗜好 （特徴量）を抽出、コンテンツ最適化やレコメンド オンラインゲームなどのサービスにおいて、ユーザー行動を分析して、 解約低減やその効果の評価 金融商品の現在価値計算 （中間データが肥大化するシミュレーション）、 利用者ごとのリスク計算 N:Nのデータの突き合わせが必要な名寄せ系処理 PL/SQL等で多件数の小容量データを繰り返し取得・処理していた 処理の高速化 （並列処理に） タービン、橋梁、自動車、航空機に付けたセンサーからのデータを 格納・処理して故障検知、利用の効率化
- 18. 現状のHadoopでは YARN が導入 分散ファイルシステム HDFS バッチ処理 MapReduce 従来のHadoop 分散ファイルシステム HDFS バッチ処理 MapReduce2 現在のHadoop リソース制御 YARN リソース制御のレイヤを切り出された → YARN
- 19. YARNを使いこなすと・・・ 分散ファイルシステム HDFS バッチ処理 MapReduce2 リソース制御 YARN ストリーム処理 Storm ・・・・・・ Spark 単一クラスタ内に複数の分散処理アーキテクチャが同居可能 → 蓄積済みの大量データを移動することなく、 同一計算リソースで多様な処理を実現
- 20. Hadoopエコシステム と ディストリビューション Hadoopエコシステム – Hadoopと連携できる周辺ソフトウェアの総称 – 多数のエコシステムが開発されている – Hive, Pig, Asakusa Framework , Zookeeper, Tez, ・・・ Hadoopディストリビューション – Hadoopエコシステムをパッケージングしたもの – HDP （Hortonworks社提供）、CDH （Cloudera社提供） など
- 21. Sparkとは
- 22. Apache Sparkをざっくり言うと MapReduceに限らず、DAG（有向非循環グラフ）型で 柔軟に並列分散処理を実行できるエンジン – DAG型エンジンは複数登場している join filter groupby map map SparkではRDD（Resilient Distributed Dataset）というデータ 集合を単位に扱う 実際には複数マシンのメモリ上に 分散配置され、耐障害性の機構 も備わる ひとつのジョブ
- 23. 参考： RDDによる開発 RDDベースの処理の記述 – MapReduceに比べると簡便に記述できる – 配列やリストなどのコレクションのように扱える
- 24. Sparkの処理は高速！ HadoopではMapReduceの単位が1つのジョブ 反復処理や複雑な処理では、I/O量が多くなりすぎる M R Map処理 Reduce処理 M R M R ・・・ ジョブ HDFS IO IOIO IO ジョブ間のデータの受け渡しのたびに、HDFSへのI/Oが伴う
- 25. Sparkの処理は高速！ Sparkでは複雑な処理でも1つのジョブで定義でき、 中間データを都度出力する必要がないため、I/Oはジョブの 入出力だけに抑えられる RDD RDD RDDRDD RDD RDD Sparkジョブ HDFS 複雑な処理においてジョブが多段になることが少ないため、ジョブ間の データの受け渡しに伴うI/Oは最小限に抑えられる IO IO IO RDDの変換
- 26. 補足： キャッシュの活用 何度も利用するRDDは、複数のサーバのメモリに分割して キャッシュできる キャッシュを活用することで、同じデータを利用する場合でも、都 度データを読み込む必要がない RDDRDD ジョブA RDD HDFS RDD キャッシュ済みのRDD RDD RDD RDD ジョブB ジョブBはジョブAがキャッシュした データを利用できる キャッシュを利用できるので、HDFSか らのデータの読み込みは発生しない
- 27. 補足： キャッシュの活用 キャッシュは反復処理でも有効に機能する RDD RDD RDD 前段の反復処理の結果を 入力とするジョブ キャッシュ済みのRDD 2回目の反復以降は、 キャッシュしたRDDを処 理すれば良い。 HDFS 最初の反復のみ、 HDFSからデータを 読み出す
- 28. Sparkのエコシステム ジョブもSQLもストリーミングも機械学習も 同一のSparkプラットフォーム上で動作する – Hadoopもエコシステムは充実しているが、個々に開発 データソース(HDFSなど) • Scala/Java/Pythonで処 理が記述できる • インタラクティブシェルが 付属し、試行錯誤も可能 http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf ストリーミング処理、機械学 習ライブラリ、グラフ処理エ ンジン等が付属 分散処理エンジンを含むコア 部分
- 29. Sparkの主要なエコシステム SparkSQL – JavaやScala内のアプリケーション内でSQLを組み込める Spark Streaming – マイクロバッチ処理によるストリーミングエンジン – 数秒～数分単位での流入するデータを（繰り返し）処理できる MLlib / ML pipelines – Spark用の機械学習ライブラリとツール群 – 機械学習では 別プロジェクトの Mahout もSparkに対応 GraphX – Spark用のグラフ処理エンジン
- 30. Sparkも 絶賛進化中 これまでのマイナーリリースでも大きく進化を遂げてきた 1.1.0 Sort based shuffle Netty based block server Dynamic Resource Allocation 1.2.0 バージョン DataFrame 1.3.0 Visualization Tungsten 1.4.0 Unified Memory Management 1.6.0 2.0.0 Structured Streaming
- 31. 参考： DataFrame API による開発 Spark 1.3.0 より DataFrame API が利用可能 構造化されたデータの処理が簡潔に記述できる http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf DataFrame APIで 同様の処理を記述
- 32. 参考： DataFrame API による開発 Spark SQLのオプティマイザの恩恵が受けられる オプティマイザによってJVMで動作する物理プランが生成されるた め、開発言語の違いによる著しい性能劣化は起こらない http://www.slideshare.net/databricks/introducing-dataframes-in-spark-for-large-scale-data-science
- 33. Hadoop / Spark Conference Japan 2016
- 34. Hadoop / Spark Conference Japan 2016のアンケート 本番環境で利用中 489人 35.6% 試しに動かしている 374人 27.2% 利用実績なし(利用予定あり) 218人 15.9% 利用実績なし(利用予定なし) 293人 21.3% 3か月未満 145人 16.0% 3か月以上6か月未満 69人 7.6% 6か月以上1年未満 85人 9.4% 1年以上3年未満 298人 33.0% 3年以上 307人 34.0% 本番環境で利用中 160人 11.7% 試しに動かしている 437人 31.8% 利用実績なし(利用予定あり) 348人 25.3% 利用実績なし(利用予定なし) 429人 31.2% 3か月未満 214人 34.4% 3か月以上6か月未満 93人 14.9% 6か月以上1年未満 127人 20.4% 1年以上3年未満 171人 27.4% 3年以上 18人 2.9% Hadoopの利用状況を教えてください Sparkの利用状況を教えてください Hadoop利用歴を教えてください Spark利用歴を教えてください 本番環境で利用中 試しに動かしている 実績なし（予定あり） 実績なし（予定なし）
- 35. 誰がHadoopの開発を支えているか Hadoopの開発において 国内企業に所属する方 からの貢献も多数見られる 2015年の変更コード行数 の所属企業ランキングにも NTT + NTT DATA Yahoo! Japan などが上位に確認される The Activities of Apache Hadoop Community より引用 2015https://ajisakaa.blogspot.jp/2016/01/the-activities-of-apache-hadoop.html
- 36. Spark 2.0 Release Noteから 日本人の名前と思われる方も大勢！ Hiroshi Inoue Kazuaki Ishizaki Kousuke Saruta Koyo Yoshida Masayoshi TSUZUKI Sasaki Toru Takahashi Hiroshi Takeshi YAMAMURO Takuya Kuwahara Takuya UESHIN Yu ISHIKAWA Spark 2.0.0 Release Note の Credits から抜粋 もし抜けていたらごめんなさい
- 37. まとめ Hadoopは 大量データを並列分散で格納・処理できる Sparkは DAG型の並列分散処理を実現する SQL、ストリーミング処理、機械学習、グラフ処理も 同一エンジンで動作する 日本でも Hadoop / Spark は着実に使われるとともに 開発を支えているメンバもいます