Recommended
Recommended
More Related Content
What's hot
What's hot (19)
Viewers also liked
Viewers also liked (20)
Similar to [Japanese Content] Lance Riedel_The App Server, The Hive in Tokyo_Aug29
Similar to [Japanese Content] Lance Riedel_The App Server, The Hive in Tokyo_Aug29 (20)
More from The Hive
More from The Hive (20)
[Japanese Content] Lance Riedel_The App Server, The Hive in Tokyo_Aug29
- 1. Big Data App Server ビッグデータアプリケーションサーバー Lance Riedel
- 2. Big Data App Server ビッグデータアプリケーションサーバー 4つの「V」に向けた新しいアプリケーション フレームワーク: • 大量（Volume）の生データ (ペタバイト級) • 超高速（Velocity）で生成・取得される データ • 多様（Variety）なデータソースとスキーマ • 価値（Value）を引き出す 最新データサイエンス・分析技術を搭載
- 4. ビッグデータアプリケーションのユースケース • ログ/マシン分析 • セキュリティ/不正検出 • センサーデータ分析 • フィナンシャル（金融）分析 • リテール（小売）分析 • 広告ターゲティング • レコメンデーション (例：Ne;lix, Amazon)
- 6. APP SERVER COMPONENTS アプリケーションサーバー コンポーネント
- 8. 開発の動機 効率的にWebのデータを取得・処理する必要が あったGoogleの技術が開発のきっかけ • ページ、単語、ドメインで互いに重要性を計算 • より高い費用効果– より効率的な処理、 インデックス化、重要性の把握を実現 ストレージおよび計算処理機能
- 9. • 一元化だとスケールアウトしない! • 大量データの移行 – ボトルネックの原因 ストレージおよび計算処理機能：一元化
- 10. • シャーディングは問題箇所を個別チャンクに分割 • シャーディングはスケールするが、データをまたいで 閲覧すると障害が発生 • 例） シャーディングを使った用語・トップページの重み付けの処理 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ≠ ストレージおよび計算処理機能： シャーディング
- 11. そこで誕生したのがDFS, MapReduce • コンピューティング機能そしてデータ分散 のための新しいプログラミングモデル （シャーディングとは異なる） • 汎用ハードウェア上で稼働 • ソフトウェア制御で障害回復 • 文書データ全体の計算処理が容易 • 2つのパートから成る完全ソリューション: • 分散ファイルシステム – DFS • MapReduce
- 12. 分散ファイルシステム
- 13. MapReduce • データが存在する場所で処理 (データと処理機能は互いにローカル) • Map (データを読み取り、キーおよび値を発行) • Reduce (キーごとにすべての値をグループ化、別の操作を実行)
- 14. Hadoop • GoogleのDFSおよびMapReduce ホワイトペーパーを基に開発された オープンソース • 大規模エコシステム • 導入企業: Yahoo, Facebook, TwiPer, LinkedIn, Sears, Apple, The New York Times, Telefonica, 他1000社以上!
- 16. データ取得 開発のきっかけ • 多様なデータソース からのデータを取得 する必要がある • 中にはいくつか貴重な データがある: • Time-‐to-‐live (TTL) • デリバリーの保証
- 17. データ取得: Apache Flume • スケーラブル、フォールトトレラント、 コンフィギュラブルトポロジー Hadoopエコシステムの中で相互に動作する データ取得用パイプライン • 安全なデータ転送を設定可能に -‐ ルーティング、レプリケーション、フェールオーバー • プラグインデータソース用にソースおよびシンクを拡張可能 • 並列にスケール – 10万メッセージ/秒
- 18. ワークフロー 開発の動機 データの再現性とトレーサビリティを実現するには 変換、格納、結合など、多くの処理ステップが必要 – データのためのプログラミングモデル
- 19. ワークフロー: Oozie 処理プログラムの独立性を把握し、それに基づいて スケジューリングと再実行を行い、各ステップのレ ポートを発行するワークフローエンジン • 時間またはデータ可用性によってジョブをトリガー • ほかのHadoop資産と統合可能 • スケーラブルで信頼性・拡張性が高いシステム
- 21. スキーマ: HCatalog • Hadoop用テーブルおよびストレージマネ ジメントレイヤー • 異なるデータ処理ツールの利用を実現 – Pig、MapReduce、Hive – グリッド上での データ読み込み・書き出しをより容易に
- 22. スキーマ: Avro • データシリアライゼーションシステム • Avroはデータとスキーマを一緒に格納 • 同じ名前のフィールド、ミッシングフィール ド、エキストラフィールド等々の一致は簡 単に解決 • Hadoop資産のほとんどの技術はAvroに 対応 – 相互運用性/データパス
- 24. データアクセス 開発の動機 多様なデータアクセスパターンに、単なるDFSファ イルでは対応できないため、それ以上の性能を持 つデータストアが必要。たとえばデータへのランダ ムアクセスを行う場合、キーバリューストアが必要。 ソリューション ユースケースに基づきさまざまなソリューションが ある • GoogleのBigTableホワイトペーパー • HadoopはSQLに対応済み
- 25. データアクセス: HBase • Hadoopデータベース – スケーラブルな分 散型ビッグデータストア(ソートマップ) – GoogleのBigTableがベース、Hadoop DFS がサポート • モジュラーを追加するとリニアにスケール • テーブルのシャーディングの自動設定が 可能 • フェールオーバーの自動化 • Apache HBaseテーブルとMapReduceジョ ブをバックアップする便利なベースクラス
- 26. データアクセス: SQL – Hive, Impala • 分散ファイルシステム上の生データに対す るSQLクエリ • Impala –HDFSのファイルに対し、SELECT（選 択）、JOIN（結合）、機能のアグリゲートと いったクエリを実行 – リアルタイムに • Hive –容易なデータサマライズの実現、アド ホッククエリの実行、Hadoopと互換性ある ファイルシステムに格納された大規模デー タセットを分析
- 28. データ分析 開発の動機 • データが持つ潜在的な価値の発掘。ビッグ データの裏にある最も重要なニーズ！ • クラスタリング、機械学習、相関性、モデリング – データサイエンスの中心分野 – 一般に、ユー スケースは非常に多様 ソリューション ユースケースに応じた最適なツールに適合できる ように、スキーマを共有できるプラグイン可能な アーキテクチャ
- 29. データ分析: フレームワーク例 • Mahout • 機械学習、クラスタリング • PaPern – カスケーディングからHadoop用の機械学習 DSL • 0xData • ビッグデータ用数学および予測エンジンのオープン ソース • サンプルアルゴリズム • Random Forest（ランダムフォレスト）アルゴリズム • K平均法 • 階層クラスタリング • 線形回帰 • ロジスティック回帰 • サポートベクターマシン • 人口ニューラルネットワーク • アソシエーションルール学習
- 31. サービス 開発の動機 • エンドユーザー用の強力なアプリケーション • リアルタイムなデータアクセスを実現する 検索／ブラウジングおよびレコメンデーションエンジン
- 32. サービス: 検索 – Solr Cloud • Hadoop最上部にインデックスを構築 • 並列にスケーラブル、フォールトトレラント機能 • インデックスオプションにおける圧倒的な柔軟性 • トークン化 • フィールドタイプ • データストレージ • 同様の柔軟性を持つ検索オプション • AND,OR,NOT, ワイルドカード • ファセット検索(オントロジー（概念体系）の利用) • 拡張アルゴリズムと重み付けプラグ機能
- 33. サービス: Manas – 機械学習 • The Hiveの超スケーラブルなマッチング エンジン • 100〜1000の機能を照合しながら10 億〜数十億ものドキュメントを効率的に ハンドリング • 現在、こうした機能を担当しているオー プンソースコミュニティ上には存在しな いエンジン
- 34. EXAMPLE APP USE-‐CASE アプリケーションサーバーのユースケース例
- 35. アプリサーバーのデータフロー