Soumettre la recherche
Mettre en ligne
「新製品 Kudu 及び RecordServiceの概要」 #cwt2015
•
8 j'aime
•
9,818 vues
Cloudera Japan
Suivre
Cloudera, Inc. 共同創設者兼CTO: Amr AwadallahによるCloudera World Tokyo 2015の講演資料です
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 45
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
#cwt2016 Apache Kudu 構成とテーブル設計
#cwt2016 Apache Kudu 構成とテーブル設計
Cloudera Japan
Apache Kuduは何がそんなに「速い」DBなのか? #dbts2017
Apache Kuduは何がそんなに「速い」DBなのか? #dbts2017
Cloudera Japan
HBase Across the World #LINE_DM
HBase Across the World #LINE_DM
Cloudera Japan
Apache Hadoop YARNとマルチテナントにおけるリソース管理
Apache Hadoop YARNとマルチテナントにおけるリソース管理
Cloudera Japan
Apache Impalaパフォーマンスチューニング #dbts2018
Apache Impalaパフォーマンスチューニング #dbts2018
Cloudera Japan
機械学習の定番プラットフォームSparkの紹介
機械学習の定番プラットフォームSparkの紹介
Cloudera Japan
Impala + Kudu を用いたデータウェアハウス構築の勘所 (仮)
Impala + Kudu を用いたデータウェアハウス構築の勘所 (仮)
Cloudera Japan
CDHの歴史とCDH5新機能概要 #at_tokuben
CDHの歴史とCDH5新機能概要 #at_tokuben
Cloudera Japan
Recommandé
#cwt2016 Apache Kudu 構成とテーブル設計
#cwt2016 Apache Kudu 構成とテーブル設計
Cloudera Japan
Apache Kuduは何がそんなに「速い」DBなのか? #dbts2017
Apache Kuduは何がそんなに「速い」DBなのか? #dbts2017
Cloudera Japan
HBase Across the World #LINE_DM
HBase Across the World #LINE_DM
Cloudera Japan
Apache Hadoop YARNとマルチテナントにおけるリソース管理
Apache Hadoop YARNとマルチテナントにおけるリソース管理
Cloudera Japan
Apache Impalaパフォーマンスチューニング #dbts2018
Apache Impalaパフォーマンスチューニング #dbts2018
Cloudera Japan
機械学習の定番プラットフォームSparkの紹介
機械学習の定番プラットフォームSparkの紹介
Cloudera Japan
Impala + Kudu を用いたデータウェアハウス構築の勘所 (仮)
Impala + Kudu を用いたデータウェアハウス構築の勘所 (仮)
Cloudera Japan
CDHの歴史とCDH5新機能概要 #at_tokuben
CDHの歴史とCDH5新機能概要 #at_tokuben
Cloudera Japan
基礎から学ぶ超並列SQLエンジンImpala #cwt2015
基礎から学ぶ超並列SQLエンジンImpala #cwt2015
Cloudera Japan
Impala概要 道玄坂LT祭り 20150312 #dogenzakalt
Impala概要 道玄坂LT祭り 20150312 #dogenzakalt
Cloudera Japan
Hadoopビッグデータ基盤の歴史を振り返る #cwt2015
Hadoopビッグデータ基盤の歴史を振り返る #cwt2015
Cloudera Japan
Spark徹底入門 #cwt2015
Spark徹底入門 #cwt2015
Cloudera Japan
Kuduを調べてみた #dogenzakalt
Kuduを調べてみた #dogenzakalt
Toshihiro Suzuki
C5.2 (Cloudera Manager + CDH) アップデート #cwt2014
C5.2 (Cloudera Manager + CDH) アップデート #cwt2014
Cloudera Japan
Cloud Native Hadoop #cwt2016
Cloud Native Hadoop #cwt2016
Cloudera Japan
HBase活用事例 #hbase_ca
HBase活用事例 #hbase_ca
Cloudera Japan
Impala 2.0 Update 日本語版 #impalajp
Impala 2.0 Update 日本語版 #impalajp
Cloudera Japan
Troubleshooting Using Cloudera Manager #cwt2015
Troubleshooting Using Cloudera Manager #cwt2015
Cloudera Japan
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
Cloudera Japan
Cloudera Data Science WorkbenchとPySparkで 好きなPythonライブラリを 分散で使う #cadeda
Cloudera Data Science WorkbenchとPySparkで 好きなPythonライブラリを 分散で使う #cadeda
Cloudera Japan
Apache Kuduを使った分析システムの裏側
Apache Kuduを使った分析システムの裏側
Cloudera Japan
Impalaチューニングポイントベストプラクティス
Impalaチューニングポイントベストプラクティス
Yahoo!デベロッパーネットワーク
HDFS Supportaiblity Improvements
HDFS Supportaiblity Improvements
Cloudera Japan
エンタープライズデータハブ活用の落とし穴 2015 08-27
エンタープライズデータハブ活用の落とし穴 2015 08-27
Cloudera Japan
Cloudera in the Cloud #CWT2017
Cloudera in the Cloud #CWT2017
Cloudera Japan
#cwt2016 Cloudera Managerを用いた Hadoop のトラブルシューティング
#cwt2016 Cloudera Managerを用いた Hadoop のトラブルシューティング
Cloudera Japan
マルチテナント化に向けたHadoopの最新セキュリティ事情 #hcj2014
マルチテナント化に向けたHadoopの最新セキュリティ事情 #hcj2014
Cloudera Japan
HBaseサポート最前線 #hbase_ca
HBaseサポート最前線 #hbase_ca
Cloudera Japan
Apache Kudu - Updatable Analytical Storage #rakutentech
Apache Kudu - Updatable Analytical Storage #rakutentech
Cloudera Japan
機械学習で大事なことをミニGunosyをつくって学んだ╭( ・ㅂ・)و ̑̑
機械学習で大事なことをミニGunosyをつくって学んだ╭( ・ㅂ・)و ̑̑
Seiji Takahashi
Contenu connexe
Tendances
基礎から学ぶ超並列SQLエンジンImpala #cwt2015
基礎から学ぶ超並列SQLエンジンImpala #cwt2015
Cloudera Japan
Impala概要 道玄坂LT祭り 20150312 #dogenzakalt
Impala概要 道玄坂LT祭り 20150312 #dogenzakalt
Cloudera Japan
Hadoopビッグデータ基盤の歴史を振り返る #cwt2015
Hadoopビッグデータ基盤の歴史を振り返る #cwt2015
Cloudera Japan
Spark徹底入門 #cwt2015
Spark徹底入門 #cwt2015
Cloudera Japan
Kuduを調べてみた #dogenzakalt
Kuduを調べてみた #dogenzakalt
Toshihiro Suzuki
C5.2 (Cloudera Manager + CDH) アップデート #cwt2014
C5.2 (Cloudera Manager + CDH) アップデート #cwt2014
Cloudera Japan
Cloud Native Hadoop #cwt2016
Cloud Native Hadoop #cwt2016
Cloudera Japan
HBase活用事例 #hbase_ca
HBase活用事例 #hbase_ca
Cloudera Japan
Impala 2.0 Update 日本語版 #impalajp
Impala 2.0 Update 日本語版 #impalajp
Cloudera Japan
Troubleshooting Using Cloudera Manager #cwt2015
Troubleshooting Using Cloudera Manager #cwt2015
Cloudera Japan
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
Cloudera Japan
Cloudera Data Science WorkbenchとPySparkで 好きなPythonライブラリを 分散で使う #cadeda
Cloudera Data Science WorkbenchとPySparkで 好きなPythonライブラリを 分散で使う #cadeda
Cloudera Japan
Apache Kuduを使った分析システムの裏側
Apache Kuduを使った分析システムの裏側
Cloudera Japan
Impalaチューニングポイントベストプラクティス
Impalaチューニングポイントベストプラクティス
Yahoo!デベロッパーネットワーク
HDFS Supportaiblity Improvements
HDFS Supportaiblity Improvements
Cloudera Japan
エンタープライズデータハブ活用の落とし穴 2015 08-27
エンタープライズデータハブ活用の落とし穴 2015 08-27
Cloudera Japan
Cloudera in the Cloud #CWT2017
Cloudera in the Cloud #CWT2017
Cloudera Japan
#cwt2016 Cloudera Managerを用いた Hadoop のトラブルシューティング
#cwt2016 Cloudera Managerを用いた Hadoop のトラブルシューティング
Cloudera Japan
マルチテナント化に向けたHadoopの最新セキュリティ事情 #hcj2014
マルチテナント化に向けたHadoopの最新セキュリティ事情 #hcj2014
Cloudera Japan
HBaseサポート最前線 #hbase_ca
HBaseサポート最前線 #hbase_ca
Cloudera Japan
Tendances
(20)
基礎から学ぶ超並列SQLエンジンImpala #cwt2015
基礎から学ぶ超並列SQLエンジンImpala #cwt2015
Impala概要 道玄坂LT祭り 20150312 #dogenzakalt
Impala概要 道玄坂LT祭り 20150312 #dogenzakalt
Hadoopビッグデータ基盤の歴史を振り返る #cwt2015
Hadoopビッグデータ基盤の歴史を振り返る #cwt2015
Spark徹底入門 #cwt2015
Spark徹底入門 #cwt2015
Kuduを調べてみた #dogenzakalt
Kuduを調べてみた #dogenzakalt
C5.2 (Cloudera Manager + CDH) アップデート #cwt2014
C5.2 (Cloudera Manager + CDH) アップデート #cwt2014
Cloud Native Hadoop #cwt2016
Cloud Native Hadoop #cwt2016
HBase活用事例 #hbase_ca
HBase活用事例 #hbase_ca
Impala 2.0 Update 日本語版 #impalajp
Impala 2.0 Update 日本語版 #impalajp
Troubleshooting Using Cloudera Manager #cwt2015
Troubleshooting Using Cloudera Manager #cwt2015
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
Cloudera Data Science WorkbenchとPySparkで 好きなPythonライブラリを 分散で使う #cadeda
Cloudera Data Science WorkbenchとPySparkで 好きなPythonライブラリを 分散で使う #cadeda
Apache Kuduを使った分析システムの裏側
Apache Kuduを使った分析システムの裏側
Impalaチューニングポイントベストプラクティス
Impalaチューニングポイントベストプラクティス
HDFS Supportaiblity Improvements
HDFS Supportaiblity Improvements
エンタープライズデータハブ活用の落とし穴 2015 08-27
エンタープライズデータハブ活用の落とし穴 2015 08-27
Cloudera in the Cloud #CWT2017
Cloudera in the Cloud #CWT2017
#cwt2016 Cloudera Managerを用いた Hadoop のトラブルシューティング
#cwt2016 Cloudera Managerを用いた Hadoop のトラブルシューティング
マルチテナント化に向けたHadoopの最新セキュリティ事情 #hcj2014
マルチテナント化に向けたHadoopの最新セキュリティ事情 #hcj2014
HBaseサポート最前線 #hbase_ca
HBaseサポート最前線 #hbase_ca
En vedette
Apache Kudu - Updatable Analytical Storage #rakutentech
Apache Kudu - Updatable Analytical Storage #rakutentech
Cloudera Japan
機械学習で大事なことをミニGunosyをつくって学んだ╭( ・ㅂ・)و ̑̑
機械学習で大事なことをミニGunosyをつくって学んだ╭( ・ㅂ・)و ̑̑
Seiji Takahashi
Gunosyデータマイニング研究会 #118 これからの強化学習
Gunosyデータマイニング研究会 #118 これからの強化学習
圭輔 大曽根
A/B Testing at Pinterest: Building a Culture of Experimentation
A/B Testing at Pinterest: Building a Culture of Experimentation
WrangleConf
あなただけにそっと教える弊社の分析事情 #data analyst meetup tokyo vol.1 LT
あなただけにそっと教える弊社の分析事情 #data analyst meetup tokyo vol.1 LT
Hiroaki Kudo
“確率的最適化”を読む前に知っておくといいかもしれない関数解析のこと
“確率的最適化”を読む前に知っておくといいかもしれない関数解析のこと
Hiroaki Kudo
爆速クエリエンジン”Presto”を使いたくなる話
爆速クエリエンジン”Presto”を使いたくなる話
Kentaro Yoshida
記事分類における教師データおよびモデルの管理
記事分類における教師データおよびモデルの管理
圭輔 大曽根
論文紹介@ Gunosyデータマイニング研究会 #97
論文紹介@ Gunosyデータマイニング研究会 #97
圭輔 大曽根
マイクロサービスとABテスト
マイクロサービスとABテスト
圭輔 大曽根
Gunosy における AWS 上での自然言語処理・機械学習の活用事例
Gunosy における AWS 上での自然言語処理・機械学習の活用事例
圭輔 大曽根
WebDB Forum 2016 gunosy
WebDB Forum 2016 gunosy
Hiroaki Kudo
いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標
圭輔 大曽根
En vedette
(13)
Apache Kudu - Updatable Analytical Storage #rakutentech
Apache Kudu - Updatable Analytical Storage #rakutentech
機械学習で大事なことをミニGunosyをつくって学んだ╭( ・ㅂ・)و ̑̑
機械学習で大事なことをミニGunosyをつくって学んだ╭( ・ㅂ・)و ̑̑
Gunosyデータマイニング研究会 #118 これからの強化学習
Gunosyデータマイニング研究会 #118 これからの強化学習
A/B Testing at Pinterest: Building a Culture of Experimentation
A/B Testing at Pinterest: Building a Culture of Experimentation
あなただけにそっと教える弊社の分析事情 #data analyst meetup tokyo vol.1 LT
あなただけにそっと教える弊社の分析事情 #data analyst meetup tokyo vol.1 LT
“確率的最適化”を読む前に知っておくといいかもしれない関数解析のこと
“確率的最適化”を読む前に知っておくといいかもしれない関数解析のこと
爆速クエリエンジン”Presto”を使いたくなる話
爆速クエリエンジン”Presto”を使いたくなる話
記事分類における教師データおよびモデルの管理
記事分類における教師データおよびモデルの管理
論文紹介@ Gunosyデータマイニング研究会 #97
論文紹介@ Gunosyデータマイニング研究会 #97
マイクロサービスとABテスト
マイクロサービスとABテスト
Gunosy における AWS 上での自然言語処理・機械学習の活用事例
Gunosy における AWS 上での自然言語処理・機械学習の活用事例
WebDB Forum 2016 gunosy
WebDB Forum 2016 gunosy
いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標
Similaire à 「新製品 Kudu 及び RecordServiceの概要」 #cwt2015
HDFS HA セミナー #hadoop
HDFS HA セミナー #hadoop
Cloudera Japan
Hadoop 2.6の最新機能(Cloudera World Tokyo 2014 LT講演資料)
Hadoop 2.6の最新機能(Cloudera World Tokyo 2014 LT講演資料)
NTT DATA OSS Professional Services
DeNA private cloud のその後 - OpenStack最新情報セミナー(2017年3月)
DeNA private cloud のその後 - OpenStack最新情報セミナー(2017年3月)
VirtualTech Japan Inc.
Storm×couchbase serverで作るリアルタイム解析基盤
Storm×couchbase serverで作るリアルタイム解析基盤
NTT Communications Technology Development
スマートフォン×Cassandraによるハイパフォーマンス基盤の構築事例
スマートフォン×Cassandraによるハイパフォーマンス基盤の構築事例
terurou
CloudStackユーザ会 OSC.cloud
CloudStackユーザ会 OSC.cloud
samemoon
Lenovo seminar rancher_200513
Lenovo seminar rancher_200513
Junji Nishihara
Cassandra における SSD の活用
Cassandra における SSD の活用
Yuji Ito
QuickDemo HashiCorp Terraform with Microsoft Azure and VMware vSphere
QuickDemo HashiCorp Terraform with Microsoft Azure and VMware vSphere
Wataru Unno
Apache CloudStack 4.0 インストール(ver0.5)
Apache CloudStack 4.0 インストール(ver0.5)
Yasuhiro Arai
Oracle Cloud Infrastructure 最新情報(Oracle Cloudウェビナーシリーズ: 2020年7月30日)
Oracle Cloud Infrastructure 最新情報(Oracle Cloudウェビナーシリーズ: 2020年7月30日)
オラクルエンジニア通信
マルチテナント Hadoop クラスタのためのモニタリング Best Practice
マルチテナント Hadoop クラスタのためのモニタリング Best Practice
Hadoop / Spark Conference Japan
Oracle Cloud PaaS & IaaS:2018年7月度サービス情報アップデート
Oracle Cloud PaaS & IaaS:2018年7月度サービス情報アップデート
オラクルエンジニア通信
Hadoop Compatible File Systems (Azure編) (セミナー「Big Data Developerに贈る第二弾 ‐ Azur...
Hadoop Compatible File Systems (Azure編) (セミナー「Big Data Developerに贈る第二弾 ‐ Azur...
NTT DATA Technology & Innovation
[Modern Cloud Day Tokyo 2019] Oracle Cloud (PaaS/IaaS)入門:事例を聞いて使ってみたくなったら ~サー...
[Modern Cloud Day Tokyo 2019] Oracle Cloud (PaaS/IaaS)入門:事例を聞いて使ってみたくなったら ~サー...
オラクルエンジニア通信
[AWSマイスターシリーズ] Amazon Redshift
[AWSマイスターシリーズ] Amazon Redshift
Amazon Web Services Japan
HPC on AWS 2020 Summer
HPC on AWS 2020 Summer
Daisuke Miyamoto
B34 Extremely Tuned Hadoop Cluster by Daisuke Hirama
B34 Extremely Tuned Hadoop Cluster by Daisuke Hirama
Insight Technology, Inc.
Amazon Redshift パフォーマンスチューニングテクニックと最新アップデート
Amazon Redshift パフォーマンスチューニングテクニックと最新アップデート
Amazon Web Services Japan
LagopusとAzureとIPsecとDPDK
LagopusとAzureとIPsecとDPDK
Tomoya Hibi
Similaire à 「新製品 Kudu 及び RecordServiceの概要」 #cwt2015
(20)
HDFS HA セミナー #hadoop
HDFS HA セミナー #hadoop
Hadoop 2.6の最新機能(Cloudera World Tokyo 2014 LT講演資料)
Hadoop 2.6の最新機能(Cloudera World Tokyo 2014 LT講演資料)
DeNA private cloud のその後 - OpenStack最新情報セミナー(2017年3月)
DeNA private cloud のその後 - OpenStack最新情報セミナー(2017年3月)
Storm×couchbase serverで作るリアルタイム解析基盤
Storm×couchbase serverで作るリアルタイム解析基盤
スマートフォン×Cassandraによるハイパフォーマンス基盤の構築事例
スマートフォン×Cassandraによるハイパフォーマンス基盤の構築事例
CloudStackユーザ会 OSC.cloud
CloudStackユーザ会 OSC.cloud
Lenovo seminar rancher_200513
Lenovo seminar rancher_200513
Cassandra における SSD の活用
Cassandra における SSD の活用
QuickDemo HashiCorp Terraform with Microsoft Azure and VMware vSphere
QuickDemo HashiCorp Terraform with Microsoft Azure and VMware vSphere
Apache CloudStack 4.0 インストール(ver0.5)
Apache CloudStack 4.0 インストール(ver0.5)
Oracle Cloud Infrastructure 最新情報(Oracle Cloudウェビナーシリーズ: 2020年7月30日)
Oracle Cloud Infrastructure 最新情報(Oracle Cloudウェビナーシリーズ: 2020年7月30日)
マルチテナント Hadoop クラスタのためのモニタリング Best Practice
マルチテナント Hadoop クラスタのためのモニタリング Best Practice
Oracle Cloud PaaS & IaaS:2018年7月度サービス情報アップデート
Oracle Cloud PaaS & IaaS:2018年7月度サービス情報アップデート
Hadoop Compatible File Systems (Azure編) (セミナー「Big Data Developerに贈る第二弾 ‐ Azur...
Hadoop Compatible File Systems (Azure編) (セミナー「Big Data Developerに贈る第二弾 ‐ Azur...
[Modern Cloud Day Tokyo 2019] Oracle Cloud (PaaS/IaaS)入門:事例を聞いて使ってみたくなったら ~サー...
[Modern Cloud Day Tokyo 2019] Oracle Cloud (PaaS/IaaS)入門:事例を聞いて使ってみたくなったら ~サー...
[AWSマイスターシリーズ] Amazon Redshift
[AWSマイスターシリーズ] Amazon Redshift
HPC on AWS 2020 Summer
HPC on AWS 2020 Summer
B34 Extremely Tuned Hadoop Cluster by Daisuke Hirama
B34 Extremely Tuned Hadoop Cluster by Daisuke Hirama
Amazon Redshift パフォーマンスチューニングテクニックと最新アップデート
Amazon Redshift パフォーマンスチューニングテクニックと最新アップデート
LagopusとAzureとIPsecとDPDK
LagopusとAzureとIPsecとDPDK
Plus de Cloudera Japan
分散DB Apache KuduのアーキテクチャDBの性能と一貫性を両立させる仕組み「HybridTime」とは
分散DB Apache KuduのアーキテクチャDBの性能と一貫性を両立させる仕組み「HybridTime」とは
Cloudera Japan
Cloudera のサポートエンジニアリング #supennight
Cloudera のサポートエンジニアリング #supennight
Cloudera Japan
Train, predict, serve: How to go into production your machine learning model
Train, predict, serve: How to go into production your machine learning model
Cloudera Japan
先行事例から学ぶ IoT / ビッグデータの始め方
先行事例から学ぶ IoT / ビッグデータの始め方
Cloudera Japan
Clouderaが提供するエンタープライズ向け運用、データ管理ツールの使い方 #CW2017
Clouderaが提供するエンタープライズ向け運用、データ管理ツールの使い方 #CW2017
Cloudera Japan
How to go into production your machine learning models? #CWT2017
How to go into production your machine learning models? #CWT2017
Cloudera Japan
Hue 4.0 / Hue Meetup Tokyo #huejp
Hue 4.0 / Hue Meetup Tokyo #huejp
Cloudera Japan
Cloudera + MicrosoftでHadoopするのがイイらしい。 #CWT2016
Cloudera + MicrosoftでHadoopするのがイイらしい。 #CWT2016
Cloudera Japan
Ibis: すごい pandas ⼤規模データ分析もらっくらく #summerDS
Ibis: すごい pandas ⼤規模データ分析もらっくらく #summerDS
Cloudera Japan
クラウド上でHadoopを構築できる Cloudera Director 2.0 の紹介 #dogenzakalt
クラウド上でHadoopを構築できる Cloudera Director 2.0 の紹介 #dogenzakalt
Cloudera Japan
MapReduceを置き換えるSpark 〜HadoopとSparkの統合〜 #cwt2015
MapReduceを置き換えるSpark 〜HadoopとSparkの統合〜 #cwt2015
Cloudera Japan
PCIコンプライアンスに向けたビジネス指針〜MasterCardの事例〜 #cwt2015
PCIコンプライアンスに向けたビジネス指針〜MasterCardの事例〜 #cwt2015
Cloudera Japan
基調講演: 「データエコシステムへの挑戦」 #cwt2015
基調講演: 「データエコシステムへの挑戦」 #cwt2015
Cloudera Japan
基調講演:「ビッグデータのセキュリティとガバナンス要件」 #cwt2015
基調講演:「ビッグデータのセキュリティとガバナンス要件」 #cwt2015
Cloudera Japan
基調講演: 「パーペイシブ分析を目指して」#cwt2015
基調講演: 「パーペイシブ分析を目指して」#cwt2015
Cloudera Japan
Plus de Cloudera Japan
(15)
分散DB Apache KuduのアーキテクチャDBの性能と一貫性を両立させる仕組み「HybridTime」とは
分散DB Apache KuduのアーキテクチャDBの性能と一貫性を両立させる仕組み「HybridTime」とは
Cloudera のサポートエンジニアリング #supennight
Cloudera のサポートエンジニアリング #supennight
Train, predict, serve: How to go into production your machine learning model
Train, predict, serve: How to go into production your machine learning model
先行事例から学ぶ IoT / ビッグデータの始め方
先行事例から学ぶ IoT / ビッグデータの始め方
Clouderaが提供するエンタープライズ向け運用、データ管理ツールの使い方 #CW2017
Clouderaが提供するエンタープライズ向け運用、データ管理ツールの使い方 #CW2017
How to go into production your machine learning models? #CWT2017
How to go into production your machine learning models? #CWT2017
Hue 4.0 / Hue Meetup Tokyo #huejp
Hue 4.0 / Hue Meetup Tokyo #huejp
Cloudera + MicrosoftでHadoopするのがイイらしい。 #CWT2016
Cloudera + MicrosoftでHadoopするのがイイらしい。 #CWT2016
Ibis: すごい pandas ⼤規模データ分析もらっくらく #summerDS
Ibis: すごい pandas ⼤規模データ分析もらっくらく #summerDS
クラウド上でHadoopを構築できる Cloudera Director 2.0 の紹介 #dogenzakalt
クラウド上でHadoopを構築できる Cloudera Director 2.0 の紹介 #dogenzakalt
MapReduceを置き換えるSpark 〜HadoopとSparkの統合〜 #cwt2015
MapReduceを置き換えるSpark 〜HadoopとSparkの統合〜 #cwt2015
PCIコンプライアンスに向けたビジネス指針〜MasterCardの事例〜 #cwt2015
PCIコンプライアンスに向けたビジネス指針〜MasterCardの事例〜 #cwt2015
基調講演: 「データエコシステムへの挑戦」 #cwt2015
基調講演: 「データエコシステムへの挑戦」 #cwt2015
基調講演:「ビッグデータのセキュリティとガバナンス要件」 #cwt2015
基調講演:「ビッグデータのセキュリティとガバナンス要件」 #cwt2015
基調講演: 「パーペイシブ分析を目指して」#cwt2015
基調講演: 「パーペイシブ分析を目指して」#cwt2015
Dernier
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
Dernier
(8)
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
「新製品 Kudu 及び RecordServiceの概要」 #cwt2015
1.
1 © Cloudera,
Inc. All rights reserved. 新製品Kudu 及びRecordService の概要 セキュリティ強化 + ファストデータの⾼高速分析 Amr Awadallah | Cloudera 共同創業者、CTO Twitter: @awadallah
2.
2 © Cloudera,
Inc. All rights reserved. 現在のセキュリティアーキテクチャ: 統⼀一性の⽋欠如 = 限定的なアクセス HDFS Hive ポリシー A Hive しかしその⼀一⽅方で ... 細かな制約を サポートするエンジンも存在 ... 統⼀一的でよりきめ細かな ポリシーの提供 RecordService とは 総合的なアクセスコントロールの適⽤用 MapReduce (テーブルレベル) RecordService (ポリシー適⽤用) Impala Sentry (ポリシー定義) Sentry (ポリシー定義) ... Impala (カラムレベル) HDFS HDFS Spark MR Spark (テーブルレベル)
3.
3 © Cloudera,
Inc. All rights reserved. アジェンダ Kudo とは? (動機と⽬目標) ユースケース デザインと内部構造概要 簡単なベンチマーク 現状、そしてこれから始めるには
4.
4 © Cloudera,
Inc. All rights reserved. Kudu とは ?
5.
5 © Cloudera,
Inc. All rights reserved. Hadoop の現状のストレージランドスケープ HDFS の優位点: • ⼤大量量データの効率率率的なスキャン • ⾼高スループットでデータを蓄積 HBase の優位点: • 各⾏行行に対する効率率率的な検索索と書き込み • データは変更更可能 こうした特性が同時に必要な場合、ギャップ が発⽣生する Hadoop の ストレージに 存在する「ギャップ」
6.
6 © Cloudera,
Inc. All rights reserved. • ⼤大規模なスキャンを⾼高スループットで実⾏行行 • 低レイテンシでランダムアクセスを実⾏行行 • ⾼高いCPUパフォーマンスを確保するため、RAMと フラッシュの優位性を活⽤用 • 1カラムのスキャンレートを、HBase の 10~∼100倍⾼高速に • ⾼高効率率率 I/O • 型独⾃自のエンコーディングによる、カラムストア • 特定のカラムにアクセスする場合の効率率率的な分析 • 叙述的(Expressive)で進化可能なデータモデル • マルチデータセンター運⽤用が可能なアーキテクチャ Kudu の設計⽬目標
7.
7 © Cloudera,
Inc. All rights reserved. ハードウェアのランドスケープを変える • HDD → SSD • NAND フラッシュ: iops: 最⼤大 450k (read), 250k (write), スループット: 約 2GB/sec (read), 1.5GB/sec (write) 価格は $3/GB 以下でさらに低下する傾向 • 3D XPoint memory (NAND の 1,000倍⾼高速。RAMよりも低価格) • RAM は価格が低下し、容量量は増加 • 過去の数年年で 64 → 128 → 256GB 以上に 結論 1 : 次のボトルネックは CPU に発⽣生する。現状のストレージシステムは CPUの効率率率を考慮して設計されていない 結論 2: ランダムアクセスには、カラムストアがふさわしい
8.
8 © Cloudera,
Inc. All rights reserved. Kuduの概要 ファストデータに対する⾼高速分析のためのストレージ • Hadoop向けの新たなカラムストア • 更更新されるデータに対する分析アプリ ケーション構築のためのアーキテクチャを シンプル化 • ⾼高速分析を実⾏行行するためのデザイン • Hadoopとネイティブに統合 • Apacheライセンスオープンソース (ASFインキュベータ提案中) • ベータ版が利利⽤用可能 ファイルシステム HDFS NoSQL HBASE インジェスト – SQOOP, FLUME, KAFKA データ統合とストレージ セキュリティ – SENTRY リソース管理理 – YARN 統合データサービス バッチ ストリーム SQL 検索索 モデル オンライン データエンジニアリング データディスカバリと分析 データアプリ SPARK, HIVE, PIG SPARK IMPALA SOLR SPARK HBASE リレーショナル KUDU
9.
9 © Cloudera,
Inc. All rights reserved. Kudu を使う • テーブルは SQLライクなスキーマを持っている • 無限数のカラム(HBase/Cassandraとは異異なる) • タイプ: BOOL, INT8, INT16, INT32, INT64, FLOAT, DOUBLE, STRING, BINARY, TIMESTAMP • カラムの⼀一部はパッシブリー複合主キー(possibly-‐‑‒composite primary key) を形成 • ⾼高速 ALTER TABLE • Java および C++ “NoSQL” スタイルの API • Insert(), Update(), Delete(), Scan() • MapReduce, Spark, and Impala との統合 • 乞うご期待! 9
10.
10 © Cloudera,
Inc. All rights reserved. Kudu は何ではないか • SQL インタフェースそのものではない • ストレージレイヤに過ぎない - 「SQLは⾃自分で⽤用意」(例例えば Impala や Spark) • HDFS上で稼働するアプリケーションではない • ネイティブな Hadoop ストレージエンジン • HDFSと共存させるのが望ましい • HDFSやHBase を置き換えるものではない • 適切切なユースケースに適切切なストレージを選択 • Cloudera はこれらを引き続きサポート、投資する
11.
11 © Cloudera,
Inc. All rights reserved. Kudu のユースケース
12.
12 © Cloudera,
Inc. All rights reserved. Kudu ユースケース Kudu は、シーケンシャルとランダム READ/WRITE を同時に組み合わせて使⽤用する といったユースケースに最適。例例えば: ● 時系列列 ○ 例例: ストリームマーケットデータ、不不正アクセス検知・防御、リスクモニタリング ○ ワークロード: Insert, Update, Scan, Lookup ● マシンデータの分析 ○ 例例: ネットワークへの侵⼊入の検知 ○ ワークロード: Insert, Scan, Lookup ● オンラインレポーティング ○ 例例: ODS ○ ワークロード: Insert, Update, Scan, Lookup
13.
13 © Cloudera,
Inc. All rights reserved. 業界適⽤用例例 • ストリーミングマーケット データ • リアルタイム不不正検知と防御 • リスクモニタリング • リアルタイム商品提案 • ローケーションベース ターゲティング • 地理理空間モニタリング • リスクおよび侵⼊入の検知 (リアルタイム) ⾦金金融サービス ⼩小売 公共
14.
14 © Cloudera,
Inc. All rights reserved. 現在の Hadoop のリアルタイム分析 実世界における不不正検知 = ストレージが複雑になりがち 考慮点: ● プロセス実⾏行行中に障害が発⽣生した 場合の対処⽅方法は? ● レポーティング⽤用フォーマットに、 どの程度度の頻度度でストリーミング データを再構成し投⼊入すればよい のか? ● レポーティングする場合、データ がまだ再構成されていないことを どう確認すればよいのか? ● 重要なジョブがメンテナンスで 停⽌止しないようにするには? 新規のパーティション 直近⽤用のパーティション 過去データ HBase Parquet File ⼗十分にデータが 蓄積されたか ? HBase ファイル をParquet に 再構成 • 実⾏行行処理理の完了了を待機 • 新しく書き込まれた Parquet ファイルを 参照し、新規 Impalaパーティションを定義 ⼊入⼒力力データ (メッセージング システム) レポーティング リクエスト Impala on HDFS
15.
15 © Cloudera,
Inc. All rights reserved. Kuduを使⽤用したHadoop のリアルタイム分析 ハイブリッドアプリーチに⽐比べ、シンブルでより優れたパフォーマンスのアーキテクチャ Impala on Kudu ⼊入⼒力力データ (メッセージング システム) レポーティング リクエスト
16.
16 © Cloudera,
Inc. All rights reserved. デザインと内部構造
17.
17 © Cloudera,
Inc. All rights reserved. Kudu の基本的なデザイン • 型付けされた (typed) ストレージ • 基本構造: テーブル • テーブルはタブレットに分解される (ほぼパーティションと同義) • Paxos に似たクォーラムモデル (Raft) により、⼀一貫性を維持 • 地理理的に離離れた、アクティブ/アクティブなシステムをサポートするアーキテクチャ
18.
18 © Cloudera,
Inc. All rights reserved. テーブルとタブレット • テーブルはパーティションに⽔水平分割される • 範囲パーティショニング または ハッシュパーティショニング • プライマリキー(ホスト、メトリック、タイムスタンプ)は、ハッシュ(タイムスタンプ)により 100以上のバケットに分散 • 各タブレットは Raft コンセンサスで、N個(3または5)の複製を持つ • 任意のレプリカからの読み込み、低いMTTRでリーダ主導の書き込みが可能 • タブレットサーバがタブレットを保持する • データはローカルディスクに保存(HDFSは不不要) 18
19.
19 © Cloudera,
Inc. All rights reserved. クライアント メタキャッシュ
20.
20 © Cloudera,
Inc. All rights reserved. Client Meta Cache 「todd@cloudera.com の⾏行行はテーブルTのど こにありますか?」(Masterに尋ねる)
21.
21 © Cloudera,
Inc. All rights reserved. クライアント メタキャッシュ 「todd@cloudera.com の⾏行行はテーブルTのど こにありますか?」(Masterに尋ねる) サーバ {Z,Y,X} の タブレット2にあります。 さらに、他のタブレット:T1,T2,T3, ... についての情 報もあります
22.
22 © Cloudera,
Inc. All rights reserved. クライアント 「todd@cloudera.com の⾏行行はテーブルTのど こにありますか?」(Masterに尋ねる) サーバ {Z,Y,X} の タブレット2にあります。 さらに、他のタブレット:T1,T2,T3, ... についての情 報もあります メタキャッシュ T1: … T2: … T3: …
23.
23 © Cloudera,
Inc. All rights reserved. クライアント UPDATE todd@cloudera.com SET … メタキャッシュ T1: … T2: … T3: … 「todd@cloudera.com の⾏行行はテーブルTのど こにありますか?」(Masterに尋ねる) サーバ {Z,Y,X} の タブレット2にあります。 さらに、他のタブレット:T1,T2,T3, ... についての情 報もあります
24.
24 © Cloudera,
Inc. All rights reserved. タブレットのデザイン • インメモリストアにInsertがバッファされる(HBaseの memstore と同様) • ディスクにフラッシュ • カラムナレイアウト、Apache Parquet に類似 • MVCC を使ってアップデート(タイムスタンプでタグをアップデート: in-‐‑‒place ではない) • “SELECT AS OF <timestamp>” クエリを許可、またタブレットスキャン全体で整合性を維持 • “current time” スキャンにほぼ最適な READパス • ⾏行行毎の分岐がなく、⾼高速なベクトル化でコーディングと術語評価 (predicate evaluation) • 直近のアップデート数に応じてパフォーマンスが劣劣化 24
25.
25 © Cloudera,
Inc. All rights reserved. メタデータ • マスタは複製される (Replicated master) * • タブレットのディレクトリとして機能 (“META” テーブル) • カタログとして機能(テーブルスキーマなど) • ロードバランサーとして機能(TS の⽣生存を追跡、レプリケーション中の タブレットの再レプリケーション) • パフォーマンス確保のためすべてのメタデータをRAMにキャッシュ • 80ノードによるロードテスト、GetTableLocations RPC のパフォーマンス: • 99パーセンタイル:68us、99.99パーセンタイル:657us • CPU使⽤用率率率はピークで 2% 未満 • マスタのアドレスをクライアントに設定 • 必要に応じてマスタにタブレットの場所を問い合せてキャッシュする 25
26.
26 © Cloudera,
Inc. All rights reserved. Kudu のトレードオフ • ランダムアクセスの速度度劣劣化 • HBase モデルは、ディスクシーク無しにランダムアップデートが可能 • Kudu はアップデート前のキー検索索、インサート前の Bloom検索索が必要 • 1⾏行行だけの READ 速度度が劣劣化する場合がある • カラムナはスキャンに対して最低化されたデザインになっている • 今後: 1⾏行行だけのアクセスが重要がアプリケーションのために、カラムグループ (Column groups) を提供予定
27.
27 © Cloudera,
Inc. All rights reserved. ベンチマーク
28.
28 © Cloudera,
Inc. All rights reserved. TPC-‐‑‒H(分析向けベンチマーク) • 75TS + 1 マスタクラスタ • 各クラスタに 12 のハードドライブとデータセットに⼗十分なRAMを搭載 • Kudu 0.5.0、Impala 2.2 with Kudu support、CDH 5.4 を使⽤用 • TPC-‐‑‒H Scale Factor 100 (100GB) • サンプルクエリ: • SELECT n_name, sum(l_extendedprice * (1 - l_discount)) as revenue FROM customer, orders, lineitem, supplier, nation, region WHERE c_custkey = o_custkey AND l_orderkey = o_orderkey AND l_suppkey = s_suppkey AND c_nationkey = s_nationkey AND s_nationkey = n_nationkey AND n_regionkey = r_regionkey AND r_name = 'ASIA' AND o_orderdate >= date '1994-01-01' AND o_orderdate < '1995-01-01’ GROUP BY n_name ORDER BY revenue desc; 28
29.
29 © Cloudera,
Inc. All rights reserved. -‐‑‒ RAM上のデータに対して、Kudu が Parquet を 31% 上回る(幾何平均) -‐‑‒ HDD内のデータ(より⼤大きな I/Oリクエスト)に対しては、Parquet が Kudu を上回ると想定される
30.
30 © Cloudera,
Inc. All rights reserved. Apache Phoenix の場合 • 10 ノードクラスタ(9 ワーカ、 1 マスタ) • HBase 1.0、Phoenix 4.3 • TPC-‐‑‒H LINEITEM テーブルのみ (六六⼗十億⾏行行) 30 2152 219 76 131 0.04 1918 13.2 1.7 0.7 0.15 155 9.3 1.4 1.5 1.37 0.01 0.1 1 10 100 1000 10000 Load TPCH Q1 COUNT(*) COUNT(*) WHERE… single-‐row lookup 時間 (秒) Phoenix Kudu Parquet
31.
31 © Cloudera,
Inc. All rights reserved. NoSQL スタイルランダムアクセス (YCSB) • YCSB 0.5.0-‐‑‒スナップショット • 10 ノードクラスタ (9 ワーカ、1 マスタ) • HBase 1.0 • ⼀一億⾏行行、⼗十億ops 31
32.
32 © Cloudera,
Inc. All rights reserved. Xiaomi ユースケース • モバイルアプリやバックエンドサービスから、重要な RPC トレーシングイベントを収集 • サービスモニタリングおよびトラブルシューティング⽤用ツール • 優れた WRITE スループット • 1⽇日 50 億超のレコード、さらに成⻑⾧長中 • 最新データをクエリし、素早く応答 • 問題を迅速に特定し解決することが可能 • 個別レコードの検索索が可能 • 容易易なトラブルシューティング
33.
33 © Cloudera,
Inc. All rights reserved. ビッグデータ分析パイプライン Kudu 以前 • ロングパイプライン ⼤大きなレイテンシ(1時間~∼1⽇日)、データ変換がネック • 順序付けがない ログの到着(ストレージ)順序がそのまま論論理理的な順番とは限らない 例例えば、1⽇日のログ確認に2~∼3⽇日のログの読み込みが必要
34.
34 © Cloudera,
Inc. All rights reserved. ビッグデータ分析パイプライン Kudu による簡素化 • ETL パイプライン (0~∼10秒のレイテンシ) バックプレッシャーを避ける必要がある、あるいは ETLが必要なアプリ • ダイレクトパイプライン(レイテンシなし) ETLを必要としないバックプレッシャーの問題のないアプリ OLAP スキャン サイドテーブル検索索 結果のストア
35.
35 © Cloudera,
Inc. All rights reserved. ユースケース1:ベンチマーク 環境 • 71 ノードクラスタ • ハードウェア • CPU: E5-‐‑‒2620 2.1GHz * 24 core Memory: 64GB • ネットワーク: 1Gb ディスク: 12 HDD • ソフトウェア • Hadoop2.6/Impala 2.1/Kudu データ • サーバ側の 1⽇日のトレースデータ • 最⼤大 26億⾏行行 • 最⼤大 270 byte/⾏行行 • 列列:17, キー列列:5
36.
36 © Cloudera,
Inc. All rights reserved. ユースケース1: ベンチマーク結果 1.4 2.0 2.3 3.1 1.3 0.9 1.3 2.8 4.0 5.7 7.5 16.7 Q1 Q2 Q3 Q4 Q5 Q6 kudu parquet 合計時間(s) スループット(合計) スループット(ノードあたり) Kudu 961.1 2.8M record/s 39.5k record/s Parquet 114.6 23.5M record/s 331k records/s Impala を使⽤用したバルクロード (INSERT INTO): クエリレイテンシ: * HDFS Parquet ファイルレプリケーション = 3、kudu テーブルレプリケーション = 3 * 各クエリを5回実⾏行行した平均値
37.
37 © Cloudera,
Inc. All rights reserved. 現状、そしてこれから始めるには
38.
38 © Cloudera,
Inc. All rights reserved. 現状 ✔ アーキテクチャのコアとなるコンポーネントはすべて完了了 ✔ Java と C++ API ✔ Impala、MapReduce および Spark の統合 ✔ SSD と HDD をサポート ✔ フォールトリカバリ ✔ パブリックベータ利利⽤用可能
39.
39 © Cloudera,
Inc. All rights reserved. これから始めるには ユーザー: ベータをインストールまたは VMで試す: getkudu.io サポートは: kudu-‐‑‒user@googlegroups.com ホワイトペーパー: getkudu.io/kudu.pdf 開発者: コントリビューション: github.com/cloudera/kudu (コミット) gerrit.cloudera.org (レビュー) issues.cloudera.org (JIRA は2013年年) 開発者リストに参加: kudu-‐‑‒dev@googlegroups.com コントリビューションを歓迎しています!
40.
40 © Cloudera,
Inc. All rights reserved. ご静聴ありがとうございました
41.
41 © Cloudera,
Inc. All rights reserved. Appendix
42.
42 © Cloudera,
Inc. All rights reserved. Fault tolerance • Transient FOLLOWER failure: • Leader can s]ll achieve majority • Restart follower TS within 5 min and it will rejoin transparently • Transient LEADER failure: • Followers expect to hear a heartbeat from their leader every 1.5 seconds • 3 missed heartbeats: leader elec]on! • New LEADER is elected from remaining nodes within a few seconds • Restart within 5 min and it rejoins as a FOLLOWER • N replicas handle (N-‐1)/2 failures 42
43.
43 © Cloudera,
Inc. All rights reserved. Fault tolerance (2) • Permanent failure: • Leader no]ces that a follower has been dead for 5 minutes • Evicts that follower • Master selects a new replica • Leader copies the data over to the new one, which joins as a new FOLLOWER 43
44.
44 © Cloudera,
Inc. All rights reserved. LSM vs Kudu • LSM – Log Structured Merge (Cassandra, HBase, etc) • Inserts and updates all go to an in-‐memory map (MemStore) and later flush to on-‐disk files (HFile/SSTable) • Reads perform an on-‐the-‐fly merge of all on-‐disk HFiles • Kudu • Shares some traits (memstores, compac]ons) • More complex. • Slower writes in exchange for faster reads (especially scans) 44
45.
45 © Cloudera,
Inc. All rights reserved. Kudu storage – Compac]on policy • Solves an op]miza]on problem (knapsack problem) • Minimize “height” of rowsets for the average key lookup • Bound on number of seeks for write or random-‐read • Restrict total IO of any compac]on to a budget (128MB) • No long compac7ons, ever • No “minor” vs “major” dis7nc7on • Always be compac]ng or flushing • Low IO priority maintenance threads 45
Notes de l'éditeur
Monash Feedback Names: Flow, streaming, gateway
Télécharger maintenant