デブサミ2014-Stormで実現するビッグデータのリアルタイム処理プラットフォーム～ストリームデータ処理から機械学習まで～

13-E-5
#devsamiE
2014/02/13
Acroquest Technology 株式会社
鈴木貴典

～ストリームデータ処理から機械学習まで～

自己紹介
{
“氏名”
“所属”
“Twitter”
“Facebook”
“分野”

:
:
:
:
:

”鈴木貴典”
“Acroquest Technology Co., Ltd.”
“@takanorig”
“https://www.facebook.com/takanorig”

[“SEPG”, “Testing”, “Management”,

”Framework”, ”Platform”]
}
Copyright © Acroquest Technology Co., Ltd. All rights reserved.

2

本日のStory

#1 ビッグデータ×リアルタイム
#2 ストリームデータ処理を実現するStorm
#3 ストリームデータ処理のアーキテクチャ


3

Story #1

ビッグデータ
×
リアルタイム


4

http://blog.qmee.com/qmee-online-in-60-seconds/

1. なぜ、リアルタイムが必要なのか？

ここに注目
Internet Of Things
(IoT)

http://www.businessinsider.com/decoding-smartphone-industry-jargon-2013-11

7

1. なぜ、リアルタイムが必要なのか？
ビッグデータ関連プロダクトのパラダイム
Google
GFS論文発表
(2003)

Google
GigTable論文発表
(2006)
Google
MapRedue論文発表
(2004)

2002

2004

2006

Hadoop
First Release
(2007)

2008

Google
Percolator・
Dremel(BigQuery)
論文発表
(2010)

2010

HBase
First Release
(2008)

2012

Twitter
Storm公開
(2011)


2014

Drill公開
(2013)
リアルタイム性が
求められる時代へ

8

2. ビッグデータ × リアルタイム
これまでのビッグデータ処理
①

ログ解析によるサイトやサービス
に対するアクセス分析

②

大量データに対する処理の
時間短縮

③

レコメンドエンジンを利用した
サービス性向上

主にバッチで
処理する領域

今後求められるビッグデータ処理
① 不正利用・不正アクセス検知

② センサーデータを利用した
交通状況や自然状況の分析
③ 緊急災害時の対応
④ ユーザの直近の行動に基づく
サービス性向上

リアルタイム性が
求められる領域


9

3. ビッグデータ処理の3つのタイプ

Batch

Query

Stream

高

低
Latency

10

要件に応じて、単体 or 組み合わせて利用
バッチ処理

インタラクティブ
クエリ処理

ストリームデータ
処理

実行タイミング

ユーザの指定や
定期的な実行

ユーザの指定や
定期的な実行

常時連続実行

処理単位

蓄積データを
一括で処理

蓄積データを
一括で処理

1～少数の
フローデータを処理

実行時間

分～時間

秒～分

ミリ秒～秒

処理モデル

MapReduce

クエリ, OLTP

Stream processing


11

タイプごとの代表的なプロダクト
バッチ処理

ストリームデータ
処理

CDH:
Cloudera's Distribution
Including Apache Hadoop

Apache

Apache

Drill

Storm

Cloudera

Hadoop

HDP:

インタラクティブ
クエリ処理

Apache

Impala

Spark
Streaming

Hortonworks

Hortonworks Data Platform

Stinger
Facebook

Presto


12

4. ストリームデータ処理とは？
連続的に発生し続けるデータ（ストリームデータ）を
リアルタイムに、解析・分析等の処理を行い続ける
ストリームデータ処理
スマートフォン
センサー

監視や通知用
デバイス
連続的なデータ

結果を常時出力

ダッシュボード
分析ツール

ログ

SNS

データストア


13

5. ストリームデータ処理の適用モデル
リアルタイム
データ集計

大量データの
事前処理

• これまで、バッチとし
て集計していたものを、
リアルタイムに集計。

• 大量データの事前整形
／フィルタリング／マ
ッチング等の処理を行
う。

• ユーザの行動やアクセ
ス状況に基づいたリア
ルタイムの判断／サー
ビスを可能にする。

• 必要（正確）なデータ
だけを扱えるようにす
る。

センサーデータの
集計／分析

セキュリティ
• 大量のセンサーデータ
を集計／分析。
• 近年、環境／ヘルスケ
ア／ウェアラブルなど
のセンサーやデバイス
の情報を扱うケースも
増えている。


• ID不正利用、なりすま
しなどの異常行動を瞬
時に検知。
• 外部からの攻撃に対し
て、リアルタイムに対
応することが可能。

14

Story #2

ストリームデータ処理を実現する

Storm


15

Stormとは？
Distributed and fault-tolerant
realtime computation System
分散し、耐障害性の高い、
リアルタイム処理システム


1. Stormとは？
1. Twitter社がオープンソースとして公開した
分散リアルタイム処理フレームワーク
 元々は、Twitterの分析を行っていたBackType社が開発
 Nathan Marz 氏が Lead Engineer
 Twitter社がBackType社を買収し、OSSとして公開（2011/09/11）

2. ストリームデータ処理を実現するための代表的なOSS
 コアエンジンはClojure、コンポーネントはJavaで実装されている
 コンポーネント部分は、Scala, Rubyなど、他の言語での実装も可能

3. 2013/09/18より、Apache Incubaterとして
開発が進められている


17

2. Stormの導入事例（利用企業）

http://storm.incubator.apache.org/

18

3. Stormの7つの特長
1. Integrates

簡単な統合

メッセージキューや、NoSQL／DBと簡単に連係して処理することが可能。

2. Simple API

シンプルなAPI

StormのAPIは非常にシンプルであり、複雑な処理を特に意識することなく、
分散リアルタイムシステムの開発可能。

3. Scalable

スケーラブル

Stormは複数のマシンで構成されるクラスタ上で並列分散的に動作し、膨大な数のメッセ
ージに対しても低レイテンシを維持しつつ、スケールする。

4. Fault tolerant

耐障害性

障害が発生し、処理中のノードがダウンした場合でも、Stormは必要に応じてタスクの再
割り当てやノードの再起動を行い、処理が完全に停止してしまうようなことがない。


19

3. Stormの7つの特長
5. Guarantees data processing

欠損のないデータ処理

何らかの理由により、データの処理に失敗したり、タイムアウトが発生したりした場合で
も、Stormはそれを検知し、再処理するしくみを有している。
この機構により、すべてのメッセージが処理されることを担保可能。

6. Use with any language

複数の開発言語サポート

Storm自体はClojureで実装されているが、ユーザが開発するアプリケーション部分は、
様々な言語で開発可能である。
Java, Scala, Ruby, Python, Perl, JavaScript, PHPなど、多くの言語をサポート。

7. Easy to deploy and operate

簡単なデプロイ・運用

Stormは簡単にデプロイし、動作させることができ、システム構成もわずかな設定で変更。
Amazon EC2などのクラウド環境でも動作させられる。


20

4. Storm Cluster（Physical View）
Supervisor Node

Zookeeper:
クラスタの協調処理
• 各ノードの状態管理

Nimbus Node

Nimbus

1

1..＊

Supervisor

Zookeeper

Worker
Worker:

Supervisor

タスクを実行するプロセス
• Topologyのサブセットの実行

Zookeeper
Supervisor

Worker

Numbus:
Masterノード
• Workerプロセスへ
のタスクの割り振り
• Workerプロセスの
モニタリング

Zookeeper

1
1..＊

Supervisor
Supervisor:
Slaveノード
• タスクのアサイン待ち受け
• Workerプロセスの起動／停止

Executer
Worker Process
Executer:
Worker上で動作する
処理スレッド


21

5. Storm Topology（Logical View）
Bolt：

Spout：

StreamからTupleを
受信し、変換・加工する

Streamのデータソース
としてTupleを送出する

Bolt
Spout

Bolt
Bolt

Spout

Bolt
Stream：

Bolt

途切れずに連続するTupleの流れ

Tuple：
Stormで処理されるメッセージを
保持する、単一のデータ

Topology
Spout＋Boltからなるネットワーク構造。Stormにおける処理の単位となる

22

6. Storm Key features
1. Stream groupings
ストリームの複数種類のグルーピング方法を提供している。

2. Distributed RPC
クエリ的に、ストリーム処理を実行する。アドホック、インタラクティブな実行。

3. Transactional
トランザクション的なストリーム処理も実行可能。

4. Trident
複数のTupleに対しての処理を可能にする。関数的な呼び出しで、集計・マージ・ジョイン
といった、CEP（Complex Event Processing）のような処理も簡単に実現可能。

5. Metrics
ストーム内部のメトリクス情報を取得可能。動作状況や異常の発生などの情報が分かりやす
く得られる。


23

7. Stormのパフォーマンス
300,000

Tuples/sec

(on EC2 c1.xlarge × 1)

1,640,000

Tuples/sec

(on the Node of Twitter Cluster)


24

Story #3

ストリームデータ処理の
アーキテクチャ

25

1. アーキテクチャの
検討ポイント
① 大量データの
収集方法

② 増減する
ストリームデータへの
対応
③ 分散処理、
および、分散の単位
④ 中間データの扱い
26

2. ストリームデータ処理のアーキテクチャ
基本的なアーキテクチャ
データ発生元

データ受信部

データ処理部

データ活用部

通信
データ

取得
センサー
データ

データ受信

解析

メッセージ
キュー

出力

解析

出力

取得

ログ

ユーザ通知
取得

SNS
データ

ダッシュボード
分析ツール

データ収集
保存

永続化用
データストア

解析結果用
データストア

キャッシュ用
データストア


27

3. 事例 ①Infochimps社のリアルタイム分析サービス
① 政府系からビジネス系データまで、60,000を超える膨大なデータを提供する
Infochimps社のリアルタイム分析プラットフォームとして利用されている。
② Storm＋Kafka をメインに、ストリームデータ処理をクラウド上で実現しており、
ビッグデータの提供を行っている。

http://blog.infochimps.com/2012/10/30/next-gen-real-time-streaming-storm-kafka-integration/

28

3. 事例 ②Loggly社のログマネジメントサービス
① クラウド・ベースでのログマネジメントを行っているLoggly社の第二世代
プラットフォームを、Kafka＋Storm＋Elasticsearchを利用して構築。
② Stormを利用して、イベント・パイプラインを構築。ログのリアルタイムでの
収集＋インデックス作成に役立っている。

http://www.slideshare.net/AmazonWebServices/infrastructure-at-scale-apache-kafka-twitter-storm-elastic-searcharc303-aws-reinvent-2013

29

3. 事例 ③クラウド上でセンサーデータのリアルタイム判定＋集計
① Cloudn（クラウド・エヌ）上で、センサーデータをリアルタイムに収集・処理
② リアルタイムで、データの閾値判定処理と一定間隔での集計処理を、常時並列実行
センサー群

結果の出力
イベント
受信

Storm
取得

リアルタイム
閾値判定
判定

通知

解析

RabbitMQ
保存

取得

保存

ストリーム
データ集計
グラフ表示

一時
データ保存

表示用
データ保存


30

4. Something＋Storm
Storm on YARN
① Hadoop 2.0（YARN Based）とStormとの組み合わせ
② Hadoopが管理するノード上で、Stormクラスタを動作させる
③ HDFSやHBaseのデータリソースを、Stormから簡単に利用できる


31

4. Something＋Storm
Amazon Kinesis with Storm
① 「Amazon Kinesis Storm Spout」を利用して、Kinesisで収集・加
工したストリームデータを、Stormクラスタに受け渡して処理可能
② Kinesis自体、分散してのストリームデータ処理が可能だが、Kinesis
だけでは実現しにくい複雑な処理や、既存のStormクラスタとの
連係が可能

Bolt

Bolt

Amazon
Kinesis

Bolt

Bolt

Amazon
Kinesis
Storm Spout


32

5. Stormでオンライン機械学習 Stream-ML
AcroMUSASHI Stream：
Storｍをベースとした
ストリームデータの分散処理プラットフォーム
• Stormをより簡単に使いこなすためのエコシステム
• データの収集／受信、データの格納までをシームレスに連結

• 分散システムの立ち上げをより迅速に
https://github.com/acromusashi

2014/01/30
オンライン機会学習
ライブラリ

AcroMUSASHI
Stream-ML

機械学習

をリリース！

Storm


With

33

学習結果をオンラインで更新しながら
ストリームデータを解析・評価
通信
データ

センサー
データ

ストリーム
データ

クラスタリング

異常値検知
評価結果

Stream-ML

ログ

学習結果の
オンライン更新

SNS
データ

インメモリDB


34

モチベーション
①イベント処理 ⇒ CEP ⇒ 機械学習
on ストリームデータ処理
②スケーラブル＋高信頼性で、リアルタイム系で
使える機械学習のための機能が欲しかった

③チャレンジ!!（できたらカッコ良さそう）


35

特長
① スケーラビリティを備えた高速分散処理
② 機械学習のアルゴリズム単体ではなく、
データ分析全体のリアルタイム分散処理が可能

対応済みのアルゴリズム

クラスタリング
（K-means）

外れ値検知
（LOF）

変化点検出
（ChangeFinder）


36

６. バッチとリアルタイムのハイブリッド
ラムダアーキテクチャ（バッチ×ストリーム）

All Data

Precomputed
Information

Batch recompute

Data

Speed Layer
Process
Stream

Incremented
Information

Serving Layer
Batch
View
Batch
View
Realtime
View

Merge

Batch Layer

Query

Realtime
View

RealTime increment


37

６. バッチとリアルタイムのハイブリッド
ラムダアーキテクチャ（バッチ×ストリーム）

All Data

Precomputed
Information

Batch recompute

Serving Layer
Batch
View
Batch
View

ElephantDB

Data

Realtime
View

Speed Layer
Process
Stream

Incremented
Information

Realtime
View

Merge

Batch Layer （MapReduce）

（HDFS）

Query

（Storm）
（Impala）

RealTime increment
（Storm）

（Storm）


38

本日のまとめ
1. ビッグデータの処理は、リアルタイム性を求められる時代に
なってきた
•

ストリームデータ処理は、低レイテンシで大量のデータを
常時処理する方式であり、リアルタイムの処理に向く

2. Stormは、ストリームデータ処理を簡単に実現するための
フレームワーク

3. Stormを利用したストリームデータ処理は、応用範囲が広い
•
•

処理のパイプ、バッチ処理との連係、機械学習なども可能にする
AcroMUSASHI Stream-ML 使ってみてください


39

Thank you

Infrastructures Evolution


40

デブサミ2014-Stormで実現するビッグデータのリアルタイム処理プラットフォーム～ストリームデータ処理から機械学習まで～

More Related Content

What's hot (20)

Viewers also liked (20)

Similar to デブサミ2014-Stormで実現するビッグデータのリアルタイム処理プラットフォーム～ストリームデータ処理から機械学習まで～ (20)

More from Takanori Suzuki (9)