Apache Spark超入門（Hadoop / Spark Conference Japan 2016 講演資料）

Copyright © 2015 NTT DATA Corporation
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
猿田浩輔
Apache Spark超入門
2016/02/08
Hadoop / Spark Conference Japan 2016

Copyright © 2015 NTT DATA Corporation 2
わたしのこと
 氏名/所属
 猿田浩輔（さるたこうすけ）
 基盤システム事業本部 OSSプロフェッショナルサービス
 Apache Sparkコミッタ
 何をしている人?
 OSSを活用したR&Dやシステム開発、テクニカルサポートに携わっています
 7年ほどHadoop関連のR&Dやシステム開発に関わってきました
 Hadoopだけでは解決が難しい問題領域にアプローチするプロダクトとして、近年
Sparkにも手を出し始めました

 Apache Sparkとは？
 オープンソースの並列分散処理系
 並列分散処理の面倒な部分は処理系が解決してくれる
 障害時のリカバリ
 タスクの分割やスケジューリング
 etc
Apache Sparkとは
大量のデータをたくさんのサーバを並べて
並列分散処理し、
現実的な時間(数分～数時間)で
目的の処理結果を得る

 Apache Sparkとは？
 オープンソースの並列分散処理系
 並列分散処理の面倒な部分は処理系が解決してくれる
 障害時のリカバリ
 タスクの分割やスケジューリング
 etc
Apache Sparkとは
大量のデータをたくさんのサーバを並べて
並列分散処理し、
現実的な時間(数分～数時間)で
目的の処理結果を得る
なぜSparkが生まれたのか？
 オープンソースの並列分散処理系としては、
既にApache Hadoopが普及している
 Hadoopの特徴をおさらいし、Sparkが生まれ
た背景を紐解く

Apache Hadoopってどんなものだっけ？
 コモディティなサーバを複数並べて分散処理
 3つのコンポーネントで構成
分散ファイルシステム
HDFS
クラスタ管理基盤
YARN
並列分散処理フレームワーク
MapReduceフレームワーク
大量のデータを
貯める機能を提供
貯めたデータを処理
する機能を提供
クラスタの計算リソース
を管理する機能を提供

 並列分散処理を簡単に実行してくれる仕組み
 アプリ開発者はMap処理とReduce処理を実装する(原則Java)
 実装されたMap処理とReduce処理を元にフレームワークが分散
処理する。障害発生時もリトライで処理が継続する。
 基本的にサーバを増やせば処理性能はスケールアウトする
MapReduceフレームワークとは
Map処理 Reduce処理
Map処理とReduce処理で完結したジョブを形成する
データの加工や
フィルタリングなど
データの集計や
結合など
HDFS
HDFSと組み合わせるこ
とで、I/Oが分散され、高
スループットで処理可能
HDFS
処理結果処理対象のデータ

MapReduceフレームワークの課題
 Hadoopが普及するにつれて、次のような場合の
MapReduceフレームワークの処理効率が課題になってきた
① ジョブが多段に構成される場合
② 複数のジョブで何度も同じデータを利用する場合
M R
M R M R ・・・
・・・
・・・
ジョブ
M R
M R
データの受け渡し

MapReduceフレームワークの課題
 Hadoopが普及するにつれて、次のような場合の
MapReduceフレームワークの処理効率が課題になってきた
① ジョブが多段に構成される場合
② 複数のジョブで何度も同じデータを利用する場合
M R
M R M R ・・・
・・・
・・・
 反復処理
• 機械学習
• グラフ処理
 複雑な業務処理
 アドホックな分析処理
 複雑な業務処理

ジョブが多段に構成される場合の課題
 ジョブ間でのデータの受け渡しのために、都度HDFSへのI/Oが発生
 HDFSへの都度のI/Oのレイテンシが、処理時間の大部分を占めること
につながる
M R
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

複数のジョブで何度も同じデータを利用する場合の課題
何度も利用するデータを効率的に扱う仕組みがないため、同じデータを利用する
場合に都度巨大なデータの読み出しのための待ち時間が発生する
・・・
・・・
M R
M R
・・・M R
・・・M R
HDFS
ジョブごとに大きな
データの読み込みの
待ち時間がかかる

 MapReduceフレームワークが苦手としていた、スループットとレイ
テンシの両立が必要な領域にアプローチする
 Hadoop同様、大量のIAサーバを束ねて大規模なデータに対して
分散処理を行う
 RDDと呼ばれる部分故障への耐性を考慮した分散コレクションに対し、
典型的なデータ処理を繰り返して目的の結果を得る処理モデル
 ジョブに含まれる処理が定型化されておらず、様々な処理を組み
合わせられる
改めてApache Sparkとは
最新安定バージョンは1.6.0。現在2.0.0のリリースに向けて開発中
RDD RDD RDDRDD
ユーザ定義の
処理の流れ
フォーマット変換グルーピングフィルター集計入力

 複雑な処理を少ないジョブ数で実現できる
RDD RDD RDDRDD
RDD RDD
Sparkジョブ中間データを都度出力する必要がないため、
I/Oはジョブの入力と出力だけに抑えられる
高スループットと低レイテンシを両立する工夫
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の加工

 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
RDDRDD
ジョブA
RDD
HDFS
RDD
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
RDD RDD RDD
ジョブB
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
キャッシュ済みのRDD
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

 キャッシュは反復処理にも有効
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

Sparkはインターフェイスも優れている
 RDDに対する処理は、配列やリストなどのコレクションの
ように記述できる
 並列分散処理を強く意識しなくても処理が記述できる
 Scala / Java / Python向けのAPIが提供されている
 インタラクティブシェルが「試行錯誤」を加速する
 都度のビルドが不要なため、ロジックの試作から効果の確
認のサイクルを高速化できる
// 例
val rdd = sc.textFile(...) // HDFSなどのストレージから
//ファイルの内容をRDDにロード
rdd.filter(...).map(...).reduceByKey(...).saveAsText(...)
フィルタして加工して集計して結果を保存

データソース(HDFSなど)
Sparkの全体像
• 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
分散処理基盤を扱いや
すくする便利なエコシス
テムが付属している
• YARNなどのクラスタ管理基盤と連係動作する
• データソースの分散ファイルシステムにはHDFSも利用可能
 従来MapReduceで実装していた処理をSparkにマイグレーションしやすい
分散処理エンジンを含むコア部分

 SQLやHiveQLで分散処理を記述するためのライブラリ
 RDDの上に成り立つスキーマ付きのテーブル状のデータ構造「DataFrame」
に対してSQL/HiveQLを発行することで分散処理を実現可能
 SQLを使い慣れたデータ分析者担当者が分散処理の恩恵を受けられる
Spark SQL

 DataFrameに対するクエリから、オプティマイザによってRDDベー
スの処理の物理プランが生成される
 構造化データを扱いやすい
 Parquet / ORC / CSV / JSON / テキスト / JDBC ...
 データソースによってはフィルタ処理をデータソース側に移譲することで、
無駄なデータの読み込みを避けられる
Spark SQL
オペレータの実行順
序の最適化など
データソースの特性を
活用した最適化など

MLlib / ML Pipelines
 機械学習を分散処理するためのライブラリ
 レコメンデーション / 分類 / 予測などに最適
 ポピュラーなアルゴリズムがカバーされている
 バージョンアップのたびに、カバーされるアルゴリズムが
増えている
(一例)

MLlib / ML Pipelines
 昨今はML Pipelinesの開発が活発
 学習/最適化アルゴリズムなどのパーツだけではなく、Scikit-Learnのような機
械学習全体のパイプラインをサポートするAPIが提供されている
val tokenizer = new Tokenizer()
.setInputCol("text")
.setOutputCol("words")
val hashingTF = new HashingTF()
.setNumFeatures(1000)
.setInputCol(tokenizer.getOutputCol)
.setOutputCol("features")
val lr = new LogisticRegression()
.setMaxIter(10)
.setRegParam(0.01)
// パイプラインにトークン分割、ハッシュ化、処理とロジスティック回帰を設定
val pipeline = new Pipeline().setStages(Array(tokenizer, hashingTF, lr))
val model = pipeline.fit(trainingDataset) // モデルの当てはめ

Spark Streaming
 小さなバッチ処理を繰り返してストリーミング処理を実現
http://spark.incubator.apache.org/docs/latest/streaming-programming-guide.html
KafkaやFlumeな
どから途切れな
く流入するデータ
を処理する
流入するデータを数10ミリ秒 - 数秒単位で区切った塊(バッチ)
に対してマイクロバッチ処理を適用する処理を繰り返す。

イマドキのSpark

24Copyright © 2015 NTT DATA Corporation
フロントエンドとバックエンドの進化
[フロントエンド]
RDDを中心とした処理系から、DataFrameを中
心とした処理系へ
[バックエンド]
CPU利用効率の改善 - Project Tungsten –
イマドキのSpark

フロントエンドとバックエンドの進化
心とした処理系へ
CPU利用効率の改善 - Project Tungsten –
イマドキのSpark - DataFrame中心の処理系へ-

 ある程度の規模の処理をRDDベースの処理で組み立てると
 見通しが悪い
 人手での最適化が難しい
 RDDベースの処理の場合、言語によってバックエンドの処理系が異なるため、
言語によってパフォーマンスが異なる
RDDベースの処理の課題

DataFrame API
 DataFrameに対してSQLを発行できるだけではなく、DataFrame
APIと呼ばれるデータ処理用のAPIが提供されている
 (Scala/Python/Java/R)
 構造化されたデータの処理が簡潔に記述できる
DataFrame APIで
同様の処理を記述

DataFrame API
 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

2015年からのトレンド
心とした処理系への進化
CPU利用効率の改善 - Project Tungsten -
イマドキのSpark - Project Tungsten -

様々な要因により、ボトルネックのトレンドがCPUに
 Spark自体のアーキテクチャの改良
I/O効率の良いシャッフルロジック(ソートベースシャッフル)
ネットワーク越しにデータを転送する際のメモリコピー回数の削
減(Netty)
 DataFrameをベースとした処理の最適化
I/Oの削減
処理の最適化
 昨今のハードウェアトレンドの変化
SSDや高スループットのネットワークが安価になってきた
一方でCPUのクロック数は頭打ち

Project Tungsten
 SparkのCPU利用効率を改善
① 独自のメモリ管理
メモリ利用効率の向上
無駄な中間オブジェクト生成の回避
GCの削減
② キャッシュアウェアなデータレイアウト
メモリアクセスの待ち時間の削減
③ コードの動的生成
条件分岐の削減
ボクシング / アンボクシングによるオブジェクト生成の削減
バーチャルメソッドコールの回数の削減

Project Tungsten
Project Tungsten(SPARK-7075)
特に性能にセンシティブな部分の独自のメモリ管理
•メモリ利用効率の向上
•無駄な中間オブジェクト生成の回避
•GCの削減
キャッシュアウェアなデータレイアウト
モダンなCPUを活用できるコードの動的生成
Project Tungstenについてより詳しい情
報は、以下のセッションで確認できます
 Reynold Xin
Deep Dive into Project Tungsten
(C会場 15:15～)

まとめ
 SparkはMapReduceフレームワークが苦手としていた、スループットとレイテン
シの両立を狙った並列分散処理系
 複雑な処理を実行する場合も中間データを都度HDFSに出力せず、I/Oのコスト
を抑えられる
 何度も利用するデータはキャッシュできる
 Sparkはインターフェイスも優れている
 配列やリストのようなコレクションのように処理を記述できる
 インタラクティブシェルが試行錯誤を加速する
 エコシステムが充実している
 SQL / 機械学習 / ストリーム処理 / グラフ処理
 現在はフロントエンドとバックエンドで進化が始まっている
 DataFrameを中心とした処理系
 Project TungstenによるCPU利用効率の改善

Hadoop/Sparkのことなら、NTTデータにお任せください
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

Apache Spark超入門（Hadoop / Spark Conference Japan 2016 講演資料）

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Viewers also liked

Viewers also liked (8)

Similar to Apache Spark超入門（Hadoop / Spark Conference Japan 2016 講演資料）

Similar to Apache Spark超入門（Hadoop / Spark Conference Japan 2016 講演資料） (20)

More from NTT DATA OSS Professional Services

More from NTT DATA OSS Professional Services (20)