SlideShare a Scribd company logo

分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 （オープンソースカンファレンス 2015 Tokyo/Spring 講演資料）

•
•
N
NTT DATA OSS Professional Services

■オープンソースカンファレンス 2015 Tokyo/Spring 講演資料（2015/02/28） 『分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向』 株式会社NTTデータ 基盤システム事業本部 OSSプロフェッショナルサービス 吉田　耕陽

1 of 68
1Copyright © 2015 NTT DATA Corporation (株) NTTデータ 基盤システム事業本部 吉田 耕陽 2015/2/28 OSC 2015 Tokyo/Spring 分散処理基盤Apache Hadoop入門と Hadoopエコシステムの最新技術動向
2Copyright © 2015 NTT DATA Corporation  所属/氏名  基盤システム事業本部 OSSプロフェッショナルサービス  吉田 耕陽（よしだ こうよう）  お仕事  徹底的に検証・評価したOSSの組み合わせ、設定・運用のノウハウの提供  高品質なシステム基盤を実現する仕組みの整備  最近は、 の案件適用やPoC等を中心に活動。  担当には「Hadoop徹底入門」、「HADOOP HACKS」 の著者が複数在籍 自己紹介
3Copyright © 2015 NTT DATA Corporation Hadoop概要 ～これまでのHadoop～ Hadoopの最新動向 NTTデータのHadoopコミュニティに対する 取り組み アジェンダ
Copyright © 2015 NTT DATA Corporation 4 Hadoop概要 ～これまでのHadoop～
5Copyright © 2015 NTT DATA Corporation Hadoopとは？  オープンソースの大規模分散処理フレームワーク • Googleの基盤ソフトウェアのオープンソース版クローン (GFS, MapReduce) • Apacheプロジェクト (http://hadoop.apache.org/)  Yahoo Research の Doug Cutting 氏(現 Cloudera社)が Java で開発 『扱うデータがビッグ(大容量・多件数)であるために、従来のITアーキ テクチャでは難しかった、もしくは超高コストでしか実現できなかった データ活用が可能となる』 Dougさんのお子さんの お気に入りだったぬいぐるみ
6Copyright © 2015 NTT DATA Corporation  集中管理型の分散システム Hadoopの構成 Hadoopマスタサーバ Hadoopスレーブサーバ群 Hadoopクライアント NameNode DataNode DataNode DataNode DataNode JobTracker TaskTracker TaskTracker TaskTracker TaskTracker 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 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
7Copyright © 2015 NTT DATA Corporation  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  並列分散処理フレームワーク MapReduceフレームワーク Hadoopの構成するコンポーネント データを 貯める機能を 提供 貯めたデータを 処理する機能を 提供
8Copyright © 2015 NTT DATA Corporation Hadoopとは 集中管理型の分散システムで HDFSとMapReduceフレームワークの ２つのコンポーネントにより 並列分散処理を実現するミドルウェア
9Copyright © 2015 NTT DATA Corporation  分散ファイルシステム HDFSとは NameNode DataNode DataNode DataNode DataNode DataNode 一つのファイルシステムを 構成 複数のサーバを束ねて、
10Copyright © 2015 NTT DATA Corporation  外から見ると、１つの巨大なファイルシステム HDFSの外からの見え方 NameNode DataNode DataNode DataNode DataNode DataNode Hadoopクライアント hdfs dfs -put HDFSへの 命令
11Copyright © 2015 NTT DATA Corporation  外から見ると、１つの巨大なファイルシステム HDFSの外からの見え方 NameNode DataNode DataNode DataNode DataNode DataNode Hadoopクライアント hdfs dfs -ls -rw-r--r-- 3 tester hadoop 129 2015-02-28 12:00 /user/tester/test.txt 所有者権限 作成日時
12Copyright © 2015 NTT DATA Corporation  分散ファイルシステムの舞台裏では HDFSの舞台裏 NameNode DataNode DataNode DataNode DataNode DataNode Hadoopクライアント 入力ファイルは、 ブロックサイズで分割 される ※分割したものをブロックと呼ぶ ④ ① ② ③
13Copyright © 2015 NTT DATA Corporation  分散ファイルシステムの舞台裏では HDFSの舞台裏 NameNode DataNode DataNode DataNode DataNode DataNode Hadoopクライアント 各ブロックは複製（レ プリケーション）され、 スレーブサーバに格納 される ④ ① ② ③ ① ① ① ② ② ② ③ ③ ③ ④ ④ ④ レプリカは異なる ３サーバに配置される
14Copyright © 2015 NTT DATA Corporation  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、 みんなで並行して候補者別に用紙を仕分ける - 次に、候補者別の用紙を1カ所にまとめて、 それぞれの枚数を数える MapReduceって？
15Copyright © 2015 NTT DATA Corporation MapReduce （アルゴリズム） ①用紙を適当に3つに分ける第1段階 第2段階 第3段階 a氏 e氏 ③候補者ごとに 用紙を集める d氏c氏b氏 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 ②3人で並行して、 候補者ごとに用紙を 仕分ける ④3人で並行して、 候補者ごとに 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 Bさん CさんAさん
16Copyright © 2015 NTT DATA Corporation 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、 候補者ごとに用紙を 仕分ける 第1段階 第2段階 第3段階 a氏 e氏 ③候補者ごとに 用紙を集める d氏c氏b氏 ④3人で並行して、 候補者ごとに 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 Bさん CさんAさん Map処理 データを分類・仕分け Reduce処理 分類・仕分けされた データごとに処理
17Copyright © 2015 NTT DATA Corporation 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、 候補者ごとに用紙を 仕分ける 第1段階 第2段階 第3段階 a氏 e氏 ③候補者ごとに 用紙を集める d氏c氏b氏 ④3人で並行して、 候補者ごとに 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 Bさん CさんAさん M人でやれば M倍のスピード （相互に影響を受けずに作業できる） 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）
18Copyright © 2015 NTT DATA Corporation MapReduceジョブ 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 a氏 e氏 ③投票者ごと 用紙を集める d氏c氏b氏 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 Bさん CさんAさん Map処理 データを分類・仕分け Reduce処理 分類・仕分けされた データごとに処理 MapReduce ジョブ Map タスク Map タスク Map タスク Reduce タスク Reduce タスク Reduce タスク
19Copyright © 2015 NTT DATA Corporation  MapReduceジョブを実行するフレームワーク MapReduceフレームワークの外からの見え方 JobTracker TaskTracker TaskTracker TaskTracker Hadoopクライアント MapReduce ジョブ HDFS MapReduceジョブhadoop jar サンプルジョブ.jar M R Map タスク Map タスク Map タスク Map タスク Reduce タスク Reduce タスク Reduce タスク Reduce タスク HDFSから読み込み HDFSに書き込み
20Copyright © 2015 NTT DATA Corporation  HDFS  大量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  サーバ数を増やせば、格納できるデータ量はスケールする  MapReduceフレームワーク  Mapタスク、Reduceタスクのみ指定すれば、 （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  サーバが故障しても、タスクが再実行され、ジョブは成功  サーバ数を増やせば、処理性能は基本スケールする Hadoopの特徴
21Copyright © 2015 NTT DATA Corporation  HDFS  大量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  サーバ数を増やせば、格納データ量はスケールする  MapReduce  Mapタスク、Reduceタスクのみ指定すれば、 （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  サーバが故障しても、タスクが再実行され、ジョブは成功  サーバ数を増やせば、処理性能は基本スケールする 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
22Copyright © 2015 NTT DATA Corporation Hadoopの適用領域 秒 分 時間 日 処 理 の レ イ テ ン シ バッチ処理 リアルタイム処理 データサイズ少ない 多い オンライン処理 汎用検索 ＧＢ（ギガバイト） ＴＢ（テラバイト） ＰＢ（ペタバイト） ＴＢ（テラバイト） オンバッチ処理 純バッチ処理 RDBMSの適用領域 Hadoopの適用領域 バッチ処理の高速化 全件データ （Big Data） 処理
23Copyright © 2015 NTT DATA Corporation Hadoopは「貯める」「処理する」機能に特化。Hadoop を活用した大量データ分析を実現するため、様々な 周辺ツールが出現。エコシステムが広がった。 エコシステムを形成
24Copyright © 2015 NTT DATA Corporation MapReduceフレームワークを直接Javaで記述すると、 コード行数が増えることは避け難く、アプリケーション の生産性が課題となる。 分散処理を記述するためのAPIは提供されているが、 適切なプログラムの記述のためにはアプリ実装者が覚 えることが多いのも事実… エコシステム ～アプリ記述の抽象化・ライブラリ化～ Map? Reduce? Partitioner?? Combiner??
25Copyright © 2015 NTT DATA Corporation Apache Hive HiveQLというSQLライクな言語でMapReduceを実行 Apache Pig Pig Latinという独自の言語でMapReduceを実行 Apache Mahout 機械学習アルゴリズムのMapReduce実装のライブラリ エコシステム ～アプリ記述の抽象化・ライブラリ化～ hive> SELECT COUNT(uid) FROM access_log GROUP BY date; A = LOAD 'data' USING PigStorage() AS (f1:int, f2:int, f3:int); B = GROUP A BY f1; （省略） $ mahout kmeans --input inputfile --output outputfile
26Copyright © 2015 NTT DATA Corporation HDFS HDFSHDFS よくある疑問 MapReduceフレームワークの縛りは厳しそうだけど、 SQLのような複雑な処理を実現できるの？ YES！MapReduceを複数段組み合わせることで、 様々な処理が実現できる M R M R M RM GROUP BY + 集約関数 JOIN(結合処理) SELECT(射影)やWHERE(選択) HDFS JOIN(結合処理)
27Copyright © 2015 NTT DATA Corporation 分析対象のデータをHDFSに格納することも課題とな る 既存のRDBMSに格納したデータを移動して利用したい Ｗｅｂアクセスログやシステムログなど、多数のサーバで 発生するログを効率よく収集したい エコシステム ～データ連携～ 処理毎に使い捨てスクリプトを書く？ エラーハンドリングや耐障害性など担保 すべきことも多い…
28Copyright © 2015 NTT DATA Corporation Apache Sqoop RDBMS-Hadoop間のデータ連携ツール Apache Flume ログ収集のための分散フレームワーク エコシステム ～データ連携～ MapReduce Sqoop RDBMS HDFS import export 内部的にはMapReduceが動 作。並列でRDBとテーブルの 情報をやりとりする。 HDFS ログ ログ ログ
29Copyright © 2015 NTT DATA Corporation Hadoopコア部分に加えてエコシステムが充実するこ とで、データの収集や分析など、「大量データ活用」を 身近なものにした。 エコシステムの浸透 HDFS MapReduce PigHive Mahout HBase SqoopRDBMS 外部システム Flume
Copyright © 2015 NTT DATA Corporation 30 Hadoopの最新動向
31Copyright © 2015 NTT DATA Corporation Hadoopとエコシステムはユーザーとともに進化を遂 げた。活用事例の増加や取り巻く環境の変化から、 新たな潮流が生まれる… Hadoopと周辺環境の変化 •一部のユーザは数千台クラスのHadoopクラスタを構築・利用クラスタ”超”巨大化 •企業の利用拡大に伴い、Hadoopにアクセスしてデータ分析をする 利用者が増えたアクセスユーザ増加 •大量データ活用が一般的になるにつれて、「速報値を知りたい」 「もっとインタラクティブに分析したい」といった要求が生まれるデータ処理高速化の追求 •Hadoop黎明期はサーバあたりのメモリ4～8Gが一般的だったが、 現在は100GB以上のメモリを積んだサーバも普及。ハードウェアの進化 主な”変化”の例
32Copyright © 2015 NTT DATA Corporation 近年のHadoopおよびエコシステムについて、 以下の3点について最新動向を紹介 近年のHadoopの潮流 クラスタ”超”巨大化 アクセスユーザ増加 データ処理高速化の追求 ハードウェアの進化 1.YARN登場 2.新たな並列分散処理エンジンの出現 3.非機能面の強化
33Copyright © 2015 NTT DATA Corporation YARNの前に：Hadoop1系、Hadoop2系について  Hadoop1系は2007年から開発が始まり、安定化志向。2014年6月に開発は凍結。  Hadoop2系は2012年に分岐。根本のアーキテクチャに変更を入れ、現在も進化を続けている。 20142010 2011 201320122009 branch-2 2.2.0 2.3.0 2.4.02.0.0-alpha 2.1.0-beta branch-1 (branch-0.20) 1.0.0 1.1.0 1.2.1(stable)0.20.1 0.20.205 0.22.0 0.21.0 New append Security 0.23.0 0.23.11(final) NameNode Federation, YARN NameNode HA 2015 2.5.0 2.6.0 これまでお伝えした範囲 これからお伝えする範囲
34Copyright © 2015 NTT DATA Corporation  YARN = Yet Another Resource Negotiator YARN登場 分散ファイルシステム HDFS バッチ処理 MapReduce Hadoop 1 分散ファイルシステム HDFS バッチ処理 MapReduceV2 Hadoop 2 リソース制御 YARN 「蓄積+処理」の構成からリソース制御を切り出した
35Copyright © 2015 NTT DATA Corporation MRv1とMRv2との比較 (ノード構成) JobHistoryServer NodeManager TaskTracker タスクプロセスタスクプロセスタスクプロセス Hadoop 1系 Hadoop 2系 HDFS HDFS JobTracker ResourceManager TaskTracker NodeManager ジョブ履歴 管理 リソース 管理 タスクプロセス MRv1 MRv2 YARN リソース 管理 ジョブ・タス ク管理 TimelineServer コンテナ Application Master コンテナコンテナコンテナコンテナ タスクプロセス
36Copyright © 2015 NTT DATA Corporation YARNの意義 リソース制御を分離することで… つまり何が嬉しいの？ 柔軟なリソース制御による スループット向上 Hadoopのスケーラビリティを さらに向上させる MapReduce以外の分散処理を実行する
37Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 TaskTracker ジョブ/アプリケーション管理のイメージ JobTracker TaskTracker TaskTracker TaskTracker TaskTracker Hadoop1系 クライアント ジョブAお願いします。
38Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 TaskTracker ジョブ/アプリケーション管理のイメージ JobTracker TaskTracker TaskTracker TaskTracker TaskTracker Hadoop1系 クライアント 了解です。 Aさんは○○、Bさんは○○をお願いします。 定期的に進捗報告もお願いします。
39Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 TaskTracker ジョブ/アプリケーション管理のイメージ JobTracker TaskTracker TaskTracker TaskTracker TaskTracker ジョブAのタスク1、50%終わりました。 余裕あります。 ジョブAのタスク2、30%終わりました。 忙しいです。 ジョブ Hadoop1系
40Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 TaskTracker ジョブ/アプリケーション管理のイメージ JobTracker TaskTracker TaskTracker TaskTracker TaskTracker ジョブAのタスク02を50%終わりました。 ジョブCのタスク01を完了しました。 余裕あります。 ジョブAのタスクA30%終わりました。 ジョブBのタスクBを50%終わりました。 忙しいです。 ジョブ マスターサーバの管理コストが多く、 メンバが増えるとボトルネックに… Hadoop1系 3000～4000ノードで限界といわれている
41Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager 余裕あります。 忙しいです。 YARN ResourceManagerには余力（≒リソース）を通知
42Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager YARN アプリAお願いします。クライアント YARNでは ジョブ× → アプリケーション○
43Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager アプリAの取りまとめお願いします。 リソースが必要であれば連絡ください。 アプリケーション YARN 仕事(アプリケーション)の管理はメンバに依頼 取りまとめ役(ApplicationMaster)になる
44Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager アプリAの取りまとめお願いします。 リソースが必要であれば連絡ください。 アプリケーション YARN 任命されたApplicationMasterは ResourceManagerにリソースの要求が可能 Application Master
45Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager 了解です。 ○○だけリソースお願いします。 YARN
46Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager ○割の仕事は Bさんの指示に従ってください。 YARN
47Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager タスクＡは進捗50%です。 タスクBは進捗20%です。 YARN タスク毎の進捗状況はApplicationMasterが管理
48Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager YARN ApplicationMasterはアプリケーションの進捗状況をRMに通知 アプリAの進捗70%です
49Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager マスターサーバの管理コストが減り、 多数のメンバを管理できる（スケーラビリティ向上） アプリAの進捗70%です アプリBの進捗30%です YARN 10000ノード程度のクラスタも構成可能に！
50Copyright © 2015 NTT DATA Corporation コンテナ単位でリソースを柔軟に払い出す Hadoop 1系 Hadoop 2系 TaskTracker NodeManager Map タスク Map タスク Map タスク Reduce タスク Reduce タスク Map タスク Map タスク Map タスク Reduce タスク Mapタスク、Reduceタスクの並列数は、 それぞれに設定したスロット数で制限される。 利用可能な仮想CPU、メモリを制限したコン テナという単位でリソースを払いだす。 (Map、Reduceの区別は無い) Mapスロット Reduceスロット コンテナ 単一サーバ上での並列実行数管理のイメージ リソース (VCPU / メモリ) Application Master 柔軟なリソース管理やリソースオーバーコミット防止は、 スループットの向上につながる
51Copyright © 2015 NTT DATA Corporation MapReduceは、ディスクIOを並列化することでスルー プットを最大化するが、低レイテンシな処理は苦手。 新たな並列分散処理エンジンの出現 M RM R Reduce処理 MapReduce ジョブ ・・・ M M R M R M R ・・・ ・・・ ・・・ ・・・ Map処理 ・・・・・・ HDFS HDFSHDFS HDFS ApplicationMaster MapReduceのフレームワークの縛りの中で複雑な処理を行うには、多数のMapReduceを組み 合わせることになる。都度HDFSに中間データを書き出すためのオーバーヘッドや、ジョブ (ApplicationMaster)の起動のオーバーヘッドは分析処理の遅延に繋がる。 HiveやPig(on MapReduce)による一連の処理のイメージ HDFSに書き出し HDFSから読み出し
52Copyright © 2015 NTT DATA Corporation MapReduceで実現が難しいデータ処理の課題に対 して、新たな分散処理フレームワーク・実行エンジン が出現。 新たな並列分散処理エンジンの出現 次ページより概要を紹介します！
53Copyright © 2015 NTT DATA Corporation Apache Spark : Hadoop上で動作する低レイテイシ技術  Apache Spark : 大規模データの分散処理をオンメモリで実現 • データ処理を極力メモリ上で実現するため、高速な処理を実現 • Hadoop MapReduceが不得意な繰り返し処理に威力を発揮 • 機械学習やHadoop MapReduceよりも短時間で処理したいものが得意領域 RDD（Resilient Distributed Dataset）の変換で処理を表現 RDD RDD RDD Stage Stage RDD Sparkができるだけ 処理をまとめこむ ユーザ定義の 処理の流れ Sparkによる 実際の処理 ステージ間は シャッフルが発生 変換 変換 変換 出力入力 Stageに基づいて サーバ群がタスク実行
54Copyright © 2015 NTT DATA Corporation Apache Spark : コアを中心に成り立つライブラリ Apache Spark（コア） Spark SQL Spark Streaming MLlib GraphX ＳＱＬで書ける ストリーム処理できる 機械学習できる 統計処理できる グラフ処理できる Scala、Java、Pythonで分散処理を書ける 高度な処理を実現するための標準ライブラリが充実 メモリを活用したアーキテクチャ、インタラクティブにも処理を記述できる仕組み、便利なライブ ラリなど、分析担当者に嬉しい機能が多い。
55Copyright © 2015 NTT DATA Corporation Apache Tez : YARN上での処理に最適化された実行エ ンジン  Apache Tez : DAG(Directed Acyclic Graph)により実行計画を作成  ApplicationMasterの起動回数削減  HiveやPigといったMRv1で実行していたクエリ・コードを流用できる • Hive on Tez • Pig on Tez Tez Plan Plan Plan Plan ローカルディスクを利用 (HDFSへの書き込みより高速) Plan Plan 特定のノードのみでShuffle (通信量・リソース削減) 処理量ベースで 実行ノード数を制御 (リソース削減・性能改善) MapReduceの仕組みに あてはめない 1つのApplicationMasterで処理 ローカル ローカル ローカル ローカル Hive、Pigを利用するユーザは、プログラムの言語(HiveQL、Pig Latin)はそのままで処理時間 の短縮が可能。MRが多段になる複雑な処理であるほど、処理時間短縮効果が大きい。
56Copyright © 2015 NTT DATA Corporation  Twitter社のエンジニアにより開発された、並列分散ストリーム処理のた めのフレームワーク Apache Storm : 分散ストリーム処理フレームワーク Storm Topology Spout:ストリーム処理の入力を担う Bolt:データへの 処理を実行する HBase HDFS ストリームデー タ ・ログ ・センサーデータ アプリケーションエンジニアは、Bolt・Spoutで処理するロジックを記述、それらを組み合わせた Topologyを定義することで分散ストリーム処理を実現できる。耐障害性やスケーラビリティを意 識せずに享受可能！ 処理したデータをKVSや HDFSに永続化し可視化や 通知を行う Storm処理の前段にMQ等のシス テムを配置し、ストリームデータを 受け取る
57Copyright © 2015 NTT DATA Corporation SparkやStormは元々Hadoopとは独立したプロジェク トだったが、機能追加によりYARN上での動作が可能 に。(TezはYARNでの実行を前提としている) メリット - 専用のクラスタを構築する必要が無く、必要なリソースを払いだしながら多様 な分析処理を実行できる - 同一のデータ(HDFS)にアクセスできる。(データを移動させる必要が無い) YARNで、Hadoopに乗る MRv2 PigHive HDFS YARN Tez Spark Storm MLlib Streaming … SQL GraphX スケーラブルなデータストアの上で、様々な分析処理のワークロードが動作。 「Hadoopはビッグデータの”OS”カーネル」という声も。 http://itpro.nikkeibp.co.jp/article/NEWS/20140708/569985/
58Copyright © 2015 NTT DATA Corporation エンタープライズ用途でより活用されるために、高い 非機能要求に対応するための機能拡張も進んでい る 以下の観点で、Hadoop2系で追加された機能を紹 介します 可用性 セキュリティ 堅牢なHadoopに向けて
59Copyright © 2015 NTT DATA Corporation  Hadoop1系まではマスター系サーバはSPOFと言われ、他の HA系コンポーネントを組み合わせることで冗長構成をとって いた。  現在は、Hadoopの機能としてHA機能を提供。障害発生時 も少ないダウンタイムでフェールオーバーを行う。  NameNode-HA  ResourceManager-HA  MRv2やTezは、ResourceManagerやApplicationMasterの障害・切 り替え時もジョブの途中から再実行する 可用性 : SPOFは無い！
60Copyright © 2015 NTT DATA Corporation  Hadoopクラスタへアクセスするユーザ・組織の増加や、クリ ティカルなデータをHadoopで保持する事例も増え、セキュリ ティ機能も強化されている。  HDFS Transparent Encryption  ファイルを暗号化してDataNodeに書き込む  HDFS ACL  細かな粒度でHDFSへのアクセス権限を制御する セキュリティ ： 暗号化 / ACL -rw-r--r-- 3 tester hadoop 129 2015-02-27 12:00 /user/tester/test.txt 例: $ hdfs dfs –setfacl –m group:hive:rw- /user/tester/test.txt 上記のコマンドで、hiveグループにも書き込みの権限を付与可能。アクセス制御が柔軟に。 DataNode DataNode中のデータに 直接アクセスしても読めない クライアントやアプリケーションか らは透過的にデータが読める
61Copyright © 2015 NTT DATA Corporation  お話した内容  YARN登場  新たな並列分散処理エンジンの出現  非機能面の強化 Hadoopの最新動向のまとめ 根本的なアーキテクチャも見直しを入れて Hadoopはさらに進化をつづけている Hadoopがユーザへ浸透することで生まれた新たな課題 に対しても、様々なエコシステムが生まれ活用されている 大量データ保持・活用の様々な課題に対する Hadoopの適用領域は広がりつづけている
Copyright © 2015 NTT DATA Corporation 62 NTTデータのHadoopコミュニティに対する取り組み
63Copyright © 2015 NTT DATA Corporation  Hadoopを多数運用してきたことで得られた知見をもとに、 改善提案をコミュニティにフィードバックしています 運用上特に問題となるバグの改修 利用者向けのドキュメントの拡充 運用、トラブルシュートを便利にする機能の開発 - OfflineImageViewer via the WebHDFS API - HDFS Tracing コミュニティへの貢献
64Copyright © 2015 NTT DATA Corporation 開発面におけるHadoopコミュニティへの貢献 NTTデータはHadoopコミュニティにおいて世界有数のコントリビュータ(貢献企業)として活動しています。 商用環境においてHadoopを多数運用してきたことで得られた知見をもとに、Hadoopに対する改善提案をコミュニ ティにフィードバックしています。事象の報告にとどまらずHadoop本体への開発も行っています。運用上特に問題と なるバグの改修や、利用者向けのドキュメントの拡充のためのパッチを投稿し、コミュニティに貢献しています。 解決済みissue数 2014年 Hadoopコミュニティ貢献指標 Hadoop専業ベンダのHortonworksやCloudera、Hadoopを開発したYahoo! Inc.に 次いで、NTTデータもHadoopコミュニティにグローバルレベルで貢献しています。 貢献コード行数 244,975 131,609 30,595 第6位 21,78023,197 30,595 20,540 14,764 14,534 第4位 370 274 195 85 174 119 72 45 45
65Copyright © 2015 NTT DATA Corporation  小沢 健史  日本電信電話株式会社ソフトウェアイノベーションセンタ - YARN：高可用化 - YARN：処理基盤間のインタフェースの整備と実装 - YARN：致命的なバグの修正 - 計算リソースのリークの改善  鯵坂 明  株式会社NTTデータ 基盤システム事業本部 - OfflineImageViewerの拡張 - Hadoop 2系のドキュメント整備 - メトリクスのドキュメント整備 - 品質強化に関する取り組み  岩崎 正剛  株式会社NTTデータ 基盤システム事業本部 - HTraceのモジュール開発 - HTraceトレーシング機能をHDFSに追加 - Sqoopのコネクタ開発 - Hadoopの運用スクリプト改善 コミッタ（主要開発者）に就任 Hadoop Hadoop HTrace
66Copyright © 2015 NTT DATA Corporation  小沢 健史  日本電信電話株式会社ソフトウェアイノベーションセンタ - YARN：高可用化 - YARN：処理基盤間のインタフェースの整備と実装 - YARN：致命的なバグの修正 - 計算リソースのリークの改善  鯵坂 明  株式会社NTTデータ 基盤システム事業本部 - OfflineImageViewerの拡張 - Hadoop 2系のドキュメント整備 - メトリクスのドキュメント整備 - 品質強化に関する取り組み  岩崎 正剛  株式会社NTTデータ 基盤システム事業本部 - HTraceのモジュール開発 - HTraceトレーシング機能をHDFSに追加 - Sqoopのコネクタ開発 - Hadoopの運用スクリプト改善 コミッタ（主要開発者）に就任 Hadoop Hadoop HTrace コミッタを中心に Hadoopコミュニティを先導し、 Hadoopがより安心して 便利に使えるものになるように 継続して貢献をしていきます！
67Copyright © 2015 NTT DATA Corporation  Hadoopは1台のマシンで扱えない規模の大量データを高速に処理する ためのフレームワークです  数台から始めて、数千台(データ量にして数十PB)までスケールアウトします  Hadoopエコシステムの開発の勢いは今も活発です  性能面、運用面で便利な機能がどんどん追加されています  より低レイテンシな分散処理フレームワークや分析のためのライブラリも充実し、大 量データ活用の可能性を広げています  NTTデータも、Hadoopの開発に参戦しています  バグフィックスや、運用を便利にするための機能開発に取り組んでいます  国内初のコミッタ輩出！さらなる開発力の向上を目指しています まとめ
Copyright © 2011 NTT DATA Corporation Copyright © 2015 NTT DATA Corporation お問い合わせ先： 株式会社ＮＴＴデータ 基盤システム事業本部 OSSプロフェッショナルサービス URL: http：//oss.nttdata.co.jp/hadoop メール： hadoop@kits.nttdata.co.jp TEL： 050-5546-2496

More Related Content

分散処理基盤Apache Hadoop入門とHadoopエコシステムの最新技術動向 （オープンソースカンファレンス 2015 Tokyo/Spring 講演資料）

  • 1. 1Copyright © 2015 NTT DATA Corporation (株) NTTデータ 基盤システム事業本部 吉田 耕陽 2015/2/28 OSC 2015 Tokyo/Spring 分散処理基盤Apache Hadoop入門と Hadoopエコシステムの最新技術動向
  • 2. 2Copyright © 2015 NTT DATA Corporation  所属/氏名  基盤システム事業本部 OSSプロフェッショナルサービス  吉田 耕陽（よしだ こうよう）  お仕事  徹底的に検証・評価したOSSの組み合わせ、設定・運用のノウハウの提供  高品質なシステム基盤を実現する仕組みの整備  最近は、 の案件適用やPoC等を中心に活動。  担当には「Hadoop徹底入門」、「HADOOP HACKS」 の著者が複数在籍 自己紹介
  • 3. 3Copyright © 2015 NTT DATA Corporation Hadoop概要 ～これまでのHadoop～ Hadoopの最新動向 NTTデータのHadoopコミュニティに対する 取り組み アジェンダ
  • 4. Copyright © 2015 NTT DATA Corporation 4 Hadoop概要 ～これまでのHadoop～
  • 5. 5Copyright © 2015 NTT DATA Corporation Hadoopとは？  オープンソースの大規模分散処理フレームワーク • Googleの基盤ソフトウェアのオープンソース版クローン (GFS, MapReduce) • Apacheプロジェクト (http://hadoop.apache.org/)  Yahoo Research の Doug Cutting 氏(現 Cloudera社)が Java で開発 『扱うデータがビッグ(大容量・多件数)であるために、従来のITアーキ テクチャでは難しかった、もしくは超高コストでしか実現できなかった データ活用が可能となる』 Dougさんのお子さんの お気に入りだったぬいぐるみ
  • 6. 6Copyright © 2015 NTT DATA Corporation  集中管理型の分散システム Hadoopの構成 Hadoopマスタサーバ Hadoopスレーブサーバ群 Hadoopクライアント NameNode DataNode DataNode DataNode DataNode JobTracker TaskTracker TaskTracker TaskTracker TaskTracker 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 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
  • 7. 7Copyright © 2015 NTT DATA Corporation  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  並列分散処理フレームワーク MapReduceフレームワーク Hadoopの構成するコンポーネント データを 貯める機能を 提供 貯めたデータを 処理する機能を 提供
  • 8. 8Copyright © 2015 NTT DATA Corporation Hadoopとは 集中管理型の分散システムで HDFSとMapReduceフレームワークの ２つのコンポーネントにより 並列分散処理を実現するミドルウェア
  • 9. 9Copyright © 2015 NTT DATA Corporation  分散ファイルシステム HDFSとは NameNode DataNode DataNode DataNode DataNode DataNode 一つのファイルシステムを 構成 複数のサーバを束ねて、
  • 10. 10Copyright © 2015 NTT DATA Corporation  外から見ると、１つの巨大なファイルシステム HDFSの外からの見え方 NameNode DataNode DataNode DataNode DataNode DataNode Hadoopクライアント hdfs dfs -put HDFSへの 命令
  • 11. 11Copyright © 2015 NTT DATA Corporation  外から見ると、１つの巨大なファイルシステム HDFSの外からの見え方 NameNode DataNode DataNode DataNode DataNode DataNode Hadoopクライアント hdfs dfs -ls -rw-r--r-- 3 tester hadoop 129 2015-02-28 12:00 /user/tester/test.txt 所有者権限 作成日時
  • 12. 12Copyright © 2015 NTT DATA Corporation  分散ファイルシステムの舞台裏では HDFSの舞台裏 NameNode DataNode DataNode DataNode DataNode DataNode Hadoopクライアント 入力ファイルは、 ブロックサイズで分割 される ※分割したものをブロックと呼ぶ ④ ① ② ③
  • 13. 13Copyright © 2015 NTT DATA Corporation  分散ファイルシステムの舞台裏では HDFSの舞台裏 NameNode DataNode DataNode DataNode DataNode DataNode Hadoopクライアント 各ブロックは複製（レ プリケーション）され、 スレーブサーバに格納 される ④ ① ② ③ ① ① ① ② ② ② ③ ③ ③ ④ ④ ④ レプリカは異なる ３サーバに配置される
  • 14. 14Copyright © 2015 NTT DATA Corporation  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、 みんなで並行して候補者別に用紙を仕分ける - 次に、候補者別の用紙を1カ所にまとめて、 それぞれの枚数を数える MapReduceって？
  • 15. 15Copyright © 2015 NTT DATA Corporation MapReduce （アルゴリズム） ①用紙を適当に3つに分ける第1段階 第2段階 第3段階 a氏 e氏 ③候補者ごとに 用紙を集める d氏c氏b氏 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 ②3人で並行して、 候補者ごとに用紙を 仕分ける ④3人で並行して、 候補者ごとに 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 Bさん CさんAさん
  • 16. 16Copyright © 2015 NTT DATA Corporation 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、 候補者ごとに用紙を 仕分ける 第1段階 第2段階 第3段階 a氏 e氏 ③候補者ごとに 用紙を集める d氏c氏b氏 ④3人で並行して、 候補者ごとに 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 Bさん CさんAさん Map処理 データを分類・仕分け Reduce処理 分類・仕分けされた データごとに処理
  • 17. 17Copyright © 2015 NTT DATA Corporation 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、 候補者ごとに用紙を 仕分ける 第1段階 第2段階 第3段階 a氏 e氏 ③候補者ごとに 用紙を集める d氏c氏b氏 ④3人で並行して、 候補者ごとに 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 Bさん CさんAさん M人でやれば M倍のスピード （相互に影響を受けずに作業できる） 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）
  • 18. 18Copyright © 2015 NTT DATA Corporation MapReduceジョブ 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 a氏 e氏 ③投票者ごと 用紙を集める d氏c氏b氏 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 Bさん CさんAさん Map処理 データを分類・仕分け Reduce処理 分類・仕分けされた データごとに処理 MapReduce ジョブ Map タスク Map タスク Map タスク Reduce タスク Reduce タスク Reduce タスク
  • 19. 19Copyright © 2015 NTT DATA Corporation  MapReduceジョブを実行するフレームワーク MapReduceフレームワークの外からの見え方 JobTracker TaskTracker TaskTracker TaskTracker Hadoopクライアント MapReduce ジョブ HDFS MapReduceジョブhadoop jar サンプルジョブ.jar M R Map タスク Map タスク Map タスク Map タスク Reduce タスク Reduce タスク Reduce タスク Reduce タスク HDFSから読み込み HDFSに書き込み
  • 20. 20Copyright © 2015 NTT DATA Corporation  HDFS  大量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  サーバ数を増やせば、格納できるデータ量はスケールする  MapReduceフレームワーク  Mapタスク、Reduceタスクのみ指定すれば、 （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  サーバが故障しても、タスクが再実行され、ジョブは成功  サーバ数を増やせば、処理性能は基本スケールする Hadoopの特徴
  • 21. 21Copyright © 2015 NTT DATA Corporation  HDFS  大量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  サーバ数を増やせば、格納データ量はスケールする  MapReduce  Mapタスク、Reduceタスクのみ指定すれば、 （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  サーバが故障しても、タスクが再実行され、ジョブは成功  サーバ数を増やせば、処理性能は基本スケールする 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
  • 22. 22Copyright © 2015 NTT DATA Corporation Hadoopの適用領域 秒 分 時間 日 処 理 の レ イ テ ン シ バッチ処理 リアルタイム処理 データサイズ少ない 多い オンライン処理 汎用検索 ＧＢ（ギガバイト） ＴＢ（テラバイト） ＰＢ（ペタバイト） ＴＢ（テラバイト） オンバッチ処理 純バッチ処理 RDBMSの適用領域 Hadoopの適用領域 バッチ処理の高速化 全件データ （Big Data） 処理
  • 23. 23Copyright © 2015 NTT DATA Corporation Hadoopは「貯める」「処理する」機能に特化。Hadoop を活用した大量データ分析を実現するため、様々な 周辺ツールが出現。エコシステムが広がった。 エコシステムを形成
  • 24. 24Copyright © 2015 NTT DATA Corporation MapReduceフレームワークを直接Javaで記述すると、 コード行数が増えることは避け難く、アプリケーション の生産性が課題となる。 分散処理を記述するためのAPIは提供されているが、 適切なプログラムの記述のためにはアプリ実装者が覚 えることが多いのも事実… エコシステム ～アプリ記述の抽象化・ライブラリ化～ Map? Reduce? Partitioner?? Combiner??
  • 25. 25Copyright © 2015 NTT DATA Corporation Apache Hive HiveQLというSQLライクな言語でMapReduceを実行 Apache Pig Pig Latinという独自の言語でMapReduceを実行 Apache Mahout 機械学習アルゴリズムのMapReduce実装のライブラリ エコシステム ～アプリ記述の抽象化・ライブラリ化～ hive> SELECT COUNT(uid) FROM access_log GROUP BY date; A = LOAD 'data' USING PigStorage() AS (f1:int, f2:int, f3:int); B = GROUP A BY f1; （省略） $ mahout kmeans --input inputfile --output outputfile
  • 26. 26Copyright © 2015 NTT DATA Corporation HDFS HDFSHDFS よくある疑問 MapReduceフレームワークの縛りは厳しそうだけど、 SQLのような複雑な処理を実現できるの？ YES！MapReduceを複数段組み合わせることで、 様々な処理が実現できる M R M R M RM GROUP BY + 集約関数 JOIN(結合処理) SELECT(射影)やWHERE(選択) HDFS JOIN(結合処理)
  • 27. 27Copyright © 2015 NTT DATA Corporation 分析対象のデータをHDFSに格納することも課題とな る 既存のRDBMSに格納したデータを移動して利用したい Ｗｅｂアクセスログやシステムログなど、多数のサーバで 発生するログを効率よく収集したい エコシステム ～データ連携～ 処理毎に使い捨てスクリプトを書く？ エラーハンドリングや耐障害性など担保 すべきことも多い…
  • 28. 28Copyright © 2015 NTT DATA Corporation Apache Sqoop RDBMS-Hadoop間のデータ連携ツール Apache Flume ログ収集のための分散フレームワーク エコシステム ～データ連携～ MapReduce Sqoop RDBMS HDFS import export 内部的にはMapReduceが動 作。並列でRDBとテーブルの 情報をやりとりする。 HDFS ログ ログ ログ
  • 29. 29Copyright © 2015 NTT DATA Corporation Hadoopコア部分に加えてエコシステムが充実するこ とで、データの収集や分析など、「大量データ活用」を 身近なものにした。 エコシステムの浸透 HDFS MapReduce PigHive Mahout HBase SqoopRDBMS 外部システム Flume
  • 30. Copyright © 2015 NTT DATA Corporation 30 Hadoopの最新動向
  • 31. 31Copyright © 2015 NTT DATA Corporation Hadoopとエコシステムはユーザーとともに進化を遂 げた。活用事例の増加や取り巻く環境の変化から、 新たな潮流が生まれる… Hadoopと周辺環境の変化 •一部のユーザは数千台クラスのHadoopクラスタを構築・利用クラスタ”超”巨大化 •企業の利用拡大に伴い、Hadoopにアクセスしてデータ分析をする 利用者が増えたアクセスユーザ増加 •大量データ活用が一般的になるにつれて、「速報値を知りたい」 「もっとインタラクティブに分析したい」といった要求が生まれるデータ処理高速化の追求 •Hadoop黎明期はサーバあたりのメモリ4～8Gが一般的だったが、 現在は100GB以上のメモリを積んだサーバも普及。ハードウェアの進化 主な”変化”の例
  • 32. 32Copyright © 2015 NTT DATA Corporation 近年のHadoopおよびエコシステムについて、 以下の3点について最新動向を紹介 近年のHadoopの潮流 クラスタ”超”巨大化 アクセスユーザ増加 データ処理高速化の追求 ハードウェアの進化 1.YARN登場 2.新たな並列分散処理エンジンの出現 3.非機能面の強化
  • 33. 33Copyright © 2015 NTT DATA Corporation YARNの前に：Hadoop1系、Hadoop2系について  Hadoop1系は2007年から開発が始まり、安定化志向。2014年6月に開発は凍結。  Hadoop2系は2012年に分岐。根本のアーキテクチャに変更を入れ、現在も進化を続けている。 20142010 2011 201320122009 branch-2 2.2.0 2.3.0 2.4.02.0.0-alpha 2.1.0-beta branch-1 (branch-0.20) 1.0.0 1.1.0 1.2.1(stable)0.20.1 0.20.205 0.22.0 0.21.0 New append Security 0.23.0 0.23.11(final) NameNode Federation, YARN NameNode HA 2015 2.5.0 2.6.0 これまでお伝えした範囲 これからお伝えする範囲
  • 34. 34Copyright © 2015 NTT DATA Corporation  YARN = Yet Another Resource Negotiator YARN登場 分散ファイルシステム HDFS バッチ処理 MapReduce Hadoop 1 分散ファイルシステム HDFS バッチ処理 MapReduceV2 Hadoop 2 リソース制御 YARN 「蓄積+処理」の構成からリソース制御を切り出した
  • 35. 35Copyright © 2015 NTT DATA Corporation MRv1とMRv2との比較 (ノード構成) JobHistoryServer NodeManager TaskTracker タスクプロセスタスクプロセスタスクプロセス Hadoop 1系 Hadoop 2系 HDFS HDFS JobTracker ResourceManager TaskTracker NodeManager ジョブ履歴 管理 リソース 管理 タスクプロセス MRv1 MRv2 YARN リソース 管理 ジョブ・タス ク管理 TimelineServer コンテナ Application Master コンテナコンテナコンテナコンテナ タスクプロセス
  • 36. 36Copyright © 2015 NTT DATA Corporation YARNの意義 リソース制御を分離することで… つまり何が嬉しいの？ 柔軟なリソース制御による スループット向上 Hadoopのスケーラビリティを さらに向上させる MapReduce以外の分散処理を実行する
  • 37. 37Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 TaskTracker ジョブ/アプリケーション管理のイメージ JobTracker TaskTracker TaskTracker TaskTracker TaskTracker Hadoop1系 クライアント ジョブAお願いします。
  • 38. 38Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 TaskTracker ジョブ/アプリケーション管理のイメージ JobTracker TaskTracker TaskTracker TaskTracker TaskTracker Hadoop1系 クライアント 了解です。 Aさんは○○、Bさんは○○をお願いします。 定期的に進捗報告もお願いします。
  • 39. 39Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 TaskTracker ジョブ/アプリケーション管理のイメージ JobTracker TaskTracker TaskTracker TaskTracker TaskTracker ジョブAのタスク1、50%終わりました。 余裕あります。 ジョブAのタスク2、30%終わりました。 忙しいです。 ジョブ Hadoop1系
  • 40. 40Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 TaskTracker ジョブ/アプリケーション管理のイメージ JobTracker TaskTracker TaskTracker TaskTracker TaskTracker ジョブAのタスク02を50%終わりました。 ジョブCのタスク01を完了しました。 余裕あります。 ジョブAのタスクA30%終わりました。 ジョブBのタスクBを50%終わりました。 忙しいです。 ジョブ マスターサーバの管理コストが多く、 メンバが増えるとボトルネックに… Hadoop1系 3000～4000ノードで限界といわれている
  • 41. 41Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager 余裕あります。 忙しいです。 YARN ResourceManagerには余力（≒リソース）を通知
  • 42. 42Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager YARN アプリAお願いします。クライアント YARNでは ジョブ× → アプリケーション○
  • 43. 43Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager アプリAの取りまとめお願いします。 リソースが必要であれば連絡ください。 アプリケーション YARN 仕事(アプリケーション)の管理はメンバに依頼 取りまとめ役(ApplicationMaster)になる
  • 44. 44Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager アプリAの取りまとめお願いします。 リソースが必要であれば連絡ください。 アプリケーション YARN 任命されたApplicationMasterは ResourceManagerにリソースの要求が可能 Application Master
  • 45. 45Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager 了解です。 ○○だけリソースお願いします。 YARN
  • 46. 46Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager ○割の仕事は Bさんの指示に従ってください。 YARN
  • 47. 47Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager タスクＡは進捗50%です。 タスクBは進捗20%です。 YARN タスク毎の進捗状況はApplicationMasterが管理
  • 48. 48Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager YARN ApplicationMasterはアプリケーションの進捗状況をRMに通知 アプリAの進捗70%です
  • 49. 49Copyright © 2015 NTT DATA Corporation マスターサーバの負荷軽減 NodeManager ジョブ/アプリケーション管理のイメージ Resource Manager NodeManager NodeManager NodeManager NodeManager マスターサーバの管理コストが減り、 多数のメンバを管理できる（スケーラビリティ向上） アプリAの進捗70%です アプリBの進捗30%です YARN 10000ノード程度のクラスタも構成可能に！
  • 50. 50Copyright © 2015 NTT DATA Corporation コンテナ単位でリソースを柔軟に払い出す Hadoop 1系 Hadoop 2系 TaskTracker NodeManager Map タスク Map タスク Map タスク Reduce タスク Reduce タスク Map タスク Map タスク Map タスク Reduce タスク Mapタスク、Reduceタスクの並列数は、 それぞれに設定したスロット数で制限される。 利用可能な仮想CPU、メモリを制限したコン テナという単位でリソースを払いだす。 (Map、Reduceの区別は無い) Mapスロット Reduceスロット コンテナ 単一サーバ上での並列実行数管理のイメージ リソース (VCPU / メモリ) Application Master 柔軟なリソース管理やリソースオーバーコミット防止は、 スループットの向上につながる
  • 51. 51Copyright © 2015 NTT DATA Corporation MapReduceは、ディスクIOを並列化することでスルー プットを最大化するが、低レイテンシな処理は苦手。 新たな並列分散処理エンジンの出現 M RM R Reduce処理 MapReduce ジョブ ・・・ M M R M R M R ・・・ ・・・ ・・・ ・・・ Map処理 ・・・・・・ HDFS HDFSHDFS HDFS ApplicationMaster MapReduceのフレームワークの縛りの中で複雑な処理を行うには、多数のMapReduceを組み 合わせることになる。都度HDFSに中間データを書き出すためのオーバーヘッドや、ジョブ (ApplicationMaster)の起動のオーバーヘッドは分析処理の遅延に繋がる。 HiveやPig(on MapReduce)による一連の処理のイメージ HDFSに書き出し HDFSから読み出し
  • 52. 52Copyright © 2015 NTT DATA Corporation MapReduceで実現が難しいデータ処理の課題に対 して、新たな分散処理フレームワーク・実行エンジン が出現。 新たな並列分散処理エンジンの出現 次ページより概要を紹介します！
  • 53. 53Copyright © 2015 NTT DATA Corporation Apache Spark : Hadoop上で動作する低レイテイシ技術  Apache Spark : 大規模データの分散処理をオンメモリで実現 • データ処理を極力メモリ上で実現するため、高速な処理を実現 • Hadoop MapReduceが不得意な繰り返し処理に威力を発揮 • 機械学習やHadoop MapReduceよりも短時間で処理したいものが得意領域 RDD（Resilient Distributed Dataset）の変換で処理を表現 RDD RDD RDD Stage Stage RDD Sparkができるだけ 処理をまとめこむ ユーザ定義の 処理の流れ Sparkによる 実際の処理 ステージ間は シャッフルが発生 変換 変換 変換 出力入力 Stageに基づいて サーバ群がタスク実行
  • 54. 54Copyright © 2015 NTT DATA Corporation Apache Spark : コアを中心に成り立つライブラリ Apache Spark（コア） Spark SQL Spark Streaming MLlib GraphX ＳＱＬで書ける ストリーム処理できる 機械学習できる 統計処理できる グラフ処理できる Scala、Java、Pythonで分散処理を書ける 高度な処理を実現するための標準ライブラリが充実 メモリを活用したアーキテクチャ、インタラクティブにも処理を記述できる仕組み、便利なライブ ラリなど、分析担当者に嬉しい機能が多い。
  • 55. 55Copyright © 2015 NTT DATA Corporation Apache Tez : YARN上での処理に最適化された実行エ ンジン  Apache Tez : DAG(Directed Acyclic Graph)により実行計画を作成  ApplicationMasterの起動回数削減  HiveやPigといったMRv1で実行していたクエリ・コードを流用できる • Hive on Tez • Pig on Tez Tez Plan Plan Plan Plan ローカルディスクを利用 (HDFSへの書き込みより高速) Plan Plan 特定のノードのみでShuffle (通信量・リソース削減) 処理量ベースで 実行ノード数を制御 (リソース削減・性能改善) MapReduceの仕組みに あてはめない 1つのApplicationMasterで処理 ローカル ローカル ローカル ローカル Hive、Pigを利用するユーザは、プログラムの言語(HiveQL、Pig Latin)はそのままで処理時間 の短縮が可能。MRが多段になる複雑な処理であるほど、処理時間短縮効果が大きい。
  • 56. 56Copyright © 2015 NTT DATA Corporation  Twitter社のエンジニアにより開発された、並列分散ストリーム処理のた めのフレームワーク Apache Storm : 分散ストリーム処理フレームワーク Storm Topology Spout:ストリーム処理の入力を担う Bolt:データへの 処理を実行する HBase HDFS ストリームデー タ ・ログ ・センサーデータ アプリケーションエンジニアは、Bolt・Spoutで処理するロジックを記述、それらを組み合わせた Topologyを定義することで分散ストリーム処理を実現できる。耐障害性やスケーラビリティを意 識せずに享受可能！ 処理したデータをKVSや HDFSに永続化し可視化や 通知を行う Storm処理の前段にMQ等のシス テムを配置し、ストリームデータを 受け取る
  • 57. 57Copyright © 2015 NTT DATA Corporation SparkやStormは元々Hadoopとは独立したプロジェク トだったが、機能追加によりYARN上での動作が可能 に。(TezはYARNでの実行を前提としている) メリット - 専用のクラスタを構築する必要が無く、必要なリソースを払いだしながら多様 な分析処理を実行できる - 同一のデータ(HDFS)にアクセスできる。(データを移動させる必要が無い) YARNで、Hadoopに乗る MRv2 PigHive HDFS YARN Tez Spark Storm MLlib Streaming … SQL GraphX スケーラブルなデータストアの上で、様々な分析処理のワークロードが動作。 「Hadoopはビッグデータの”OS”カーネル」という声も。 http://itpro.nikkeibp.co.jp/article/NEWS/20140708/569985/
  • 58. 58Copyright © 2015 NTT DATA Corporation エンタープライズ用途でより活用されるために、高い 非機能要求に対応するための機能拡張も進んでい る 以下の観点で、Hadoop2系で追加された機能を紹 介します 可用性 セキュリティ 堅牢なHadoopに向けて
  • 59. 59Copyright © 2015 NTT DATA Corporation  Hadoop1系まではマスター系サーバはSPOFと言われ、他の HA系コンポーネントを組み合わせることで冗長構成をとって いた。  現在は、Hadoopの機能としてHA機能を提供。障害発生時 も少ないダウンタイムでフェールオーバーを行う。  NameNode-HA  ResourceManager-HA  MRv2やTezは、ResourceManagerやApplicationMasterの障害・切 り替え時もジョブの途中から再実行する 可用性 : SPOFは無い！
  • 60. 60Copyright © 2015 NTT DATA Corporation  Hadoopクラスタへアクセスするユーザ・組織の増加や、クリ ティカルなデータをHadoopで保持する事例も増え、セキュリ ティ機能も強化されている。  HDFS Transparent Encryption  ファイルを暗号化してDataNodeに書き込む  HDFS ACL  細かな粒度でHDFSへのアクセス権限を制御する セキュリティ ： 暗号化 / ACL -rw-r--r-- 3 tester hadoop 129 2015-02-27 12:00 /user/tester/test.txt 例: $ hdfs dfs –setfacl –m group:hive:rw- /user/tester/test.txt 上記のコマンドで、hiveグループにも書き込みの権限を付与可能。アクセス制御が柔軟に。 DataNode DataNode中のデータに 直接アクセスしても読めない クライアントやアプリケーションか らは透過的にデータが読める
  • 61. 61Copyright © 2015 NTT DATA Corporation  お話した内容  YARN登場  新たな並列分散処理エンジンの出現  非機能面の強化 Hadoopの最新動向のまとめ 根本的なアーキテクチャも見直しを入れて Hadoopはさらに進化をつづけている Hadoopがユーザへ浸透することで生まれた新たな課題 に対しても、様々なエコシステムが生まれ活用されている 大量データ保持・活用の様々な課題に対する Hadoopの適用領域は広がりつづけている
  • 62. Copyright © 2015 NTT DATA Corporation 62 NTTデータのHadoopコミュニティに対する取り組み
  • 63. 63Copyright © 2015 NTT DATA Corporation  Hadoopを多数運用してきたことで得られた知見をもとに、 改善提案をコミュニティにフィードバックしています 運用上特に問題となるバグの改修 利用者向けのドキュメントの拡充 運用、トラブルシュートを便利にする機能の開発 - OfflineImageViewer via the WebHDFS API - HDFS Tracing コミュニティへの貢献
  • 64. 64Copyright © 2015 NTT DATA Corporation 開発面におけるHadoopコミュニティへの貢献 NTTデータはHadoopコミュニティにおいて世界有数のコントリビュータ(貢献企業)として活動しています。 商用環境においてHadoopを多数運用してきたことで得られた知見をもとに、Hadoopに対する改善提案をコミュニ ティにフィードバックしています。事象の報告にとどまらずHadoop本体への開発も行っています。運用上特に問題と なるバグの改修や、利用者向けのドキュメントの拡充のためのパッチを投稿し、コミュニティに貢献しています。 解決済みissue数 2014年 Hadoopコミュニティ貢献指標 Hadoop専業ベンダのHortonworksやCloudera、Hadoopを開発したYahoo! Inc.に 次いで、NTTデータもHadoopコミュニティにグローバルレベルで貢献しています。 貢献コード行数 244,975 131,609 30,595 第6位 21,78023,197 30,595 20,540 14,764 14,534 第4位 370 274 195 85 174 119 72 45 45
  • 65. 65Copyright © 2015 NTT DATA Corporation  小沢 健史  日本電信電話株式会社ソフトウェアイノベーションセンタ - YARN：高可用化 - YARN：処理基盤間のインタフェースの整備と実装 - YARN：致命的なバグの修正 - 計算リソースのリークの改善  鯵坂 明  株式会社NTTデータ 基盤システム事業本部 - OfflineImageViewerの拡張 - Hadoop 2系のドキュメント整備 - メトリクスのドキュメント整備 - 品質強化に関する取り組み  岩崎 正剛  株式会社NTTデータ 基盤システム事業本部 - HTraceのモジュール開発 - HTraceトレーシング機能をHDFSに追加 - Sqoopのコネクタ開発 - Hadoopの運用スクリプト改善 コミッタ（主要開発者）に就任 Hadoop Hadoop HTrace
  • 66. 66Copyright © 2015 NTT DATA Corporation  小沢 健史  日本電信電話株式会社ソフトウェアイノベーションセンタ - YARN：高可用化 - YARN：処理基盤間のインタフェースの整備と実装 - YARN：致命的なバグの修正 - 計算リソースのリークの改善  鯵坂 明  株式会社NTTデータ 基盤システム事業本部 - OfflineImageViewerの拡張 - Hadoop 2系のドキュメント整備 - メトリクスのドキュメント整備 - 品質強化に関する取り組み  岩崎 正剛  株式会社NTTデータ 基盤システム事業本部 - HTraceのモジュール開発 - HTraceトレーシング機能をHDFSに追加 - Sqoopのコネクタ開発 - Hadoopの運用スクリプト改善 コミッタ（主要開発者）に就任 Hadoop Hadoop HTrace コミッタを中心に Hadoopコミュニティを先導し、 Hadoopがより安心して 便利に使えるものになるように 継続して貢献をしていきます！
  • 67. 67Copyright © 2015 NTT DATA Corporation  Hadoopは1台のマシンで扱えない規模の大量データを高速に処理する ためのフレームワークです  数台から始めて、数千台(データ量にして数十PB)までスケールアウトします  Hadoopエコシステムの開発の勢いは今も活発です  性能面、運用面で便利な機能がどんどん追加されています  より低レイテンシな分散処理フレームワークや分析のためのライブラリも充実し、大 量データ活用の可能性を広げています  NTTデータも、Hadoopの開発に参戦しています  バグフィックスや、運用を便利にするための機能開発に取り組んでいます  国内初のコミッタ輩出！さらなる開発力の向上を目指しています まとめ
  • 68. Copyright © 2011 NTT DATA Corporation Copyright © 2015 NTT DATA Corporation お問い合わせ先： 株式会社ＮＴＴデータ 基盤システム事業本部 OSSプロフェッショナルサービス URL: http：//oss.nttdata.co.jp/hadoop メール： hadoop@kits.nttdata.co.jp TEL： 050-5546-2496