Tuning maniax 2014 Hadoop編
- 2. 2 Apache Hadoop HDInsight 登場 クラスターの作成と管理 競技ルールの説明とチューニングのポイント 結果の提出方法 本日の内容
- 4. 4 突然ですが いま、1 TB の Web アクセスログファイルが目の前にあります。 URI 毎にアクセス数を集計しなければなりません。 どうしますか？ grep sort uniq| | > output
- 5. 5 分散処理の必要性 いずれにせよ、数多くのコンピューターで生成されるデータを、 たった一台で分析するのは無理があります。 一人じゃムリ… 複数のコンピューターによる分散処理が必要です 手分けしよう！
- 6. 6 そこで Apache Hadoop です Apache の分散コンピューティングフレームワーク Google の論文が 契機となって誕生！ 多数のサーバーで 分散並列処理 Yahoo や Facebook で使われている 高スケーラビリティ
- 7. 7 HDFS Hadoop の提供するもの その 1. 分散ファイルシステム “HDFS” (Hadoop Distributed File System) 複数のコンピューターを束ねて、 一つの仮想的なファイルシステムを提供。 Hadoop クラスタに属する全ての ノードが同じ名前空間を共有。 各ファイルは 64 MB ~ 256 MB 程度の ブロックに分割されて、複数ノードに分散。 ブロックサイズが大きいのは、シーケン シャルアクセスに特化しているため 各断片は最低 3 ノードに複製され、 ノード障害への耐性を持つ。 一つのファイルの複数の部分を、複数の コンピューターで同時に処理することで、 処理を高速化することができる。 断片 1 断片 2 断片 3 断片 4 断片 1 断片 2 断片 3 断片 4 ファイル 1 断片 1 断片 2 断片 3 断片 4 ファイル 4 断片 1 断片 2 断片 3 断片 4
- 8. 8 Hadoop の提供するもの その 2. 分散プログラミングモデル “MapReduce” 2013-08-26 23:59:03 W3SVC1 192.168.0.1 GET /… 2013-08-26 23:59:05 W3SVC1 192.168.0.1 GET /… 2013-08-26 23:59:25 W3SVC1 192.168.0.1 GET /… 2013-08-27 00:01:02 W3SVC1 192.168.0.1 GET /… 2013-08-27 00:02:04 W3SVC1 192.168.0.1 GET /… 名前は一見難しげですが、実際には単純です。 （だからこそスケーラビリティがあります） 例えば右のような Web のアクセスログがあるとして、 伝統的なテキスト処理ツールによる集計はこのようなものですが、 $ cat access_log | grep /Login.aspx | sort | uniq –c > output.txt 対象ファイルの全行を頭から舐めて 何らかの処理をする（この場合は検索） 中間結果を集計の ためにソートする ソートされたデータを 数え上げて結果を得る MapReduce はこういった処理をクラスター上で分散並列実行する仕組みです Map Reduce
- 9. 9 Hadoop クラスターの構成要素 Hadoop クラスター MapReduce 層 HDFS 層 ファイルの 登録情報を 一元管理 ジョブ トラッカー タスク トラッカー タスク トラッカー タスク トラッカー タスク トラッカー Map タスク Map タスクジョブと タスクの 状態を管理 Map タスク Map タスク Reduce タスク タスク トラッカー
- 11. 11 Microsoft Azure HDInsight Hortonworks と協業し、Windows 環境で Hadoop を提供します 元々 Java で書かれたオープンソースプロジェクトである Hadoop ですが、 Windows 環境でスムーズに動かすた めにはいくつか工夫が必要でした。 マイクロソフトは Hortonworks 社と協業し、 Hadoop の Windows 環境への移植と最適化を行っています。 Hortonworks は Yahoo! で Apache Hadoop の 開発に携わっていたチームが独立して設立された企業。 “Hortonworks Data Platform” (HDP) という Hadoop ディストリビューションを開発しており、 その Windows 版が HDInsight のコア部分です。 http://hortonworks.com/products/hdp-windows/
- 12. 12 Microsoft Azure HDInsight Service すぐに使えるクラウド上の Hadoop です。 2013年10月正式リリース済み 利用可能なリージョンは以下の 5 箇所 東南アジア (AsiaPacific Southeast) 北ヨーロッパ (Europe North) 西ヨーロッパ (Europe West) 米国東部 (US East) 米国西部 (US West) インスタンスサイズ ヘッドノード（ネームノード）は XL データノードは L サイズ OS Windows Server 2012 R2 バージョンは以下の3種から選択可能 HDInsight-1.6 (Hadoop 1.0.3) HDInsight-2.1 (Hadoop 1.2.0) HDInsight-3.0 (Hadoop 2.2.0)
- 13. 13 HDInsight に含まれる Hadoop のコンポーネント Hcatalog 主要な関連 プロジェクト
- 14. 14 HDInsight Service システム構成 データ ノードネーム ノード BLOB ストレージ Microsoft Azure の PaaS 機能と BLOB ストレージを活用します。 ネームノード、データノードは どちらも Worker ロールの インスタンスです。 多数のノードを素早く デプロイできます。 また、Microsoft Azure の 「BLOB ストレージ」を、 デフォルトのファイルシステム として利用します。 もちろん HDFS も 利用可能です。
- 15. 15 なぜ BLOB ストレージ？ HDFS の代わりに BLOB ストレージを使うメリット BLOB ストレージは、大容量・低価格・高信頼性と 三拍子そろった Microsoft Azure の主要サービスです。 Azure 上で稼働する多くのアプリケーションが、 BLOB ストレージにデータを保存しています。 また、“Azure Diagnostics” 機能で Azure 上の サーバーから IIS ログ等のログファイルを BLOB ストレージへ自動転送することも一般的です。 BLOB をデフォルトのファイルシステムとすることで、 これら BLOB 上のデータを HDFS へ一旦コピーする ことなく、直接分析することができます。 データはそこにある！ クラスターを消してもデータは残る Hadoop クラスターの稼働中は、ジョブを実行して いない時間も CPU コア数に応じた課金が発生します。 クラスターを削除してしまえば、課金は止まりますが、 HDFS は各ノードのローカルディスクであるため、 内容が失われてしまいます。 BLOB ストレージは、クラスターとは切り離されて いますから、クラスターを削除してもデータは残ります。 様々なツールが利用可能 BLOB ストレージにアクセスする既存のツールで、 Hadoop クラスターとデータのやり取りができます。 CloudBerry Explorer for Windows Azure や CloudXplorer, AzCopy 等。
- 16. 16 NativeAzureFileSystem どういう仕組みで BLOB を Hadoop のファイルシステムにしているのか そもそも Hadoop のファイルシステムは可換 様々なファイルシステムを扱えるように、 Hadoop はファイルシステムの抽象化層を持っています。 マイクロソフトは NativeAzureFileSystem クラスを作成し、 Azure BLOB をサポートできるようにしました。 種類 URI スキーム Java の実装クラス (org.apache.Hadoop) 説明 Local file fs.LocalFileSystem ローカル ファイルシステム HDFS hdfs hdfs.DistributedFileSystem これがデフォルト FTP ftp fs.ftp.FTPFileSystem FTP サイト用 S3 s3n fs.s3native.NativeS3FileSystem Amazon S3 用 Azure BLOB wasb fs.azurenative.NativeAzureFileSystem Azure BLOB 用 主なファイルシステム
- 17. 17 BLOBストレージの登録と利用 wasb://コンテナ名@アカウント名.blob.core.windows.net/パス名 core-site.xml で、 BLOB ストレージがデフォルトファイルシステムに設定されています。
- 19. 19 管理ポータルからクラスター作成 「簡易作成」であっという間に 32 ノードまでのクラスタが作れます 「簡易作成」画面にはリージョンの指定欄が ありませんが、ここで選択したストレージ アカウントと同じリージョンに、 HDInsight クラスターが作成されます。
- 21. 21 使い終わったら削除 マスターとスレーブの 全ノードが削除されます。 課金も止まります。 BLOBストレージは残ります。 作成したスクリプトや 結果データなどは、Hadoopの ファイルシステムに置いて おけば、クラスタを消しても 残ります。
- 23. 23 課題設定 総容量1TBほどの 「Webアクセスログを模したタブ区切りのテキストファイル」を、 事務局が用意する「東南アジアのストーレジアカウント」に公開します。 具体的なURLは後日。 そのログファイル(群)を自分のストレージアカウントにコピーして、 以下の解析結果を出力してください。 アクセス数の多いURL: 上位10件 多く利用されているユーザーエージェント: 上位10件 URI毎の平均レスポンスタイム: 下位10件 「Webアクセスログの解析ごっこ」
- 24. 24 ログファイルのフォーマット 解析しやすいように単純化してあります 2014-04-01 02:52:48 192.168.47.74 user734 100.77.60.35 /javadocs/r0.11.0/api/org/apache/hadoop/hive/ql/io/BucketizedHiveInputFormat.html 759 Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:22.0) Gecko/20130328 Firefox/22.0 2014-04-01 03:07:12 192.168.208.45 user647 100.77.60.35 /docs/current/api/org/apache/hadoop/filecache/class-use/DistributedCache.html 818 Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:23.0) Gecko/20131011 Firefox/23.0 2014-04-01 03:21:36 192.168.149.135 user781 100.77.60.35 /docs/r0.12.0/api/org/apache/pig/scripting/jruby/JrubyAlgebraicEvalFunc.Final.html 734 Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:22.0) Gecko/20130328 Firefox/22.0 datetime t clientip t user t serverip t uri t timetaken t useragent
- 25. 25 プログラムの作成方法 HDInsight を使う限り、解析プログラムの作成方法は自由です。 JavaでMapReduceプログラムを書く 。(普通のやり方) Hadoop Streamingを使ってC# (や、その他の言語) で書く。 Hiveで華麗にクエリを発行する。 PIGですらすらとスクリプトを書く。
- 26. 26 チューニングのポイント HDInsightという同じ環境ですが、差は付きます。 ノード数！ (これは「チューニング」というわけではありませんが、 結果に大きな影響を及ぼす要素であることは間違いありません) シャッフル/ソートフェーズの負荷軽減 (Combinerの作成など) HadoopやJVMに渡す各種パラメータの設定
- 27. 27 参考になる情報 「Hadoopを使いこなす(1)」 http://techblog.yahoo.co.jp/architecture/_footnote/ 「How to manually compile and create your own jar file to execute on HDInsight」 http://blogs.msdn.com/b/bigdatasupport/archive/2014/01/21/how-to-manually- compile-and-create-your-own-jar-file-to-execute-on-hdinsight.aspx 「How to pass Hadoop configuration values for a job on HDInsight」 http://blogs.msdn.com/b/bigdatasupport/archive/2014/02/13/how-to-pass- hadoop-configuration-values-for-a-job-via-hdinsight-powershell-and-net-sdk.aspx 「Customizing HDInsight Cluster provisioning」 http://blogs.msdn.com/b/bigdatasupport/archive/2014/04/15/customizing- hdinsight-cluster-provisioning-via-powershell-and-net-sdk.aspx
- 29. 29 ご提出いただくもの 基本的に皆様の「スポーツマンシップ」に依存しております！ Hadoopからの出力ファイル。 ジョブの実行に要した時間を示すログ。 再現試験を可能にするための環境情報。 ノード数、jarファイル、Hiveのクエリ、PIGのスクリプト等
- 30. 30 出力ファイルの様式 デフォルトのOutputFormatでReducerが出力するファイル User: admin Name: word count Application Type: MAPREDUCE State: FINISHED FinalStatus: SUCCEEDED Started: 24-Mar-2014 17:01:11 Elapsed: 1hrs, 7mins, 53sec
- 31. 31 詳細はThink ITで 出力ファイルの形式や個数、提出方法などの詳細は、 Think ITのTuning Maniax 2014 Hadoop編 第2回記事で 説明します！