VLDB2011勉強会 Research Session 18: MapReduce and Hadoop

【VLDB2011勉強会】

Session 18: MapReduce and Hadoop

担当：塩川浩昭（NTT）

1

紹介する4本の論文
1. Column-Oriented Storage Techniques for MapReduce
Avrilia Floratou, Jignesh M. Patel(University of Wisconsin Madison), Eugene J.
Shekita, Sandeep Tata (IBM)
2. Automatic Optimization for MapReduce Program
Eaman Jahani, Michael J. Cafarella (University of Michigan), Christopher Re
(University of Wisconsin Madison)
3. CoHadoop: Flexible Data Placement and Its Exploitation in
Hadoop
Mohamed Y. Eltabakh, Yuanyuan Tian, Fatma Ozcan (IBM), Rainer Gemulla (Max
Planck Institut fur Informatik), Aljoscha Krettek, John McPherson (IBM)
4. Profiling, What-if Analysis, and Cost-based Optimization of
MapReduce Programs
Herodotos Herodotou, Shivnath Babu (Duke Uiversity)

2 Session 18: MapReduce and Hadoop 担当：塩川浩昭（NTT）


 背景
 MapReduceに対してparallel DBMSのテクニックを導入したい
 Hadoopの実装に手を入れるのは大変なのでデータフォーマッ
トを変えるだけで対応したい
 本論文の提案
 複数のデータ型から構成されるデータスキーマのcolocationを維持しつ
つ，列ごとに1つのファイルとして保持するデータフォーマット
ColumnInputFormat(CIF)を実装，高速化
 CIFとskip listを用いた不要なColumnのdeserialize削減による処理の高
速化
 LZOとDictionary Compressed Skip Listを用いたデータ圧縮による処理
の高速化



 対象とする処理
 複合的なデータ型を持つスキーマの処理
 例)URLに”ibm.com/jp”を持つ際，metadataを出力
Mapper データスキーマ

処理

論文Figure1より引用論文Figure2より引用

 処理の高速化に必要なテクニック
 データスキーマに含まれるデータを同じデータノードで保持(colocation)
 Binary formatでのデータの管理，serialize/deserialize処理の削減
 データの圧縮による読み込み/書き出しデータ量の削減



 ColumnInputFormat(CIF)の実装
 Column毎に別ファイルとして管理することで，不要なColumnデータの
deserializeを回避可能にする
 さらに，colocationのために，同じRowに属するColumnデータは同じデータ
ノードに配置する

論文Figure4より引用
（その他）論文Figure3より引用
 処理に不要なColumnのスキップを高速化するためにColumn毎にSkip List
を導入
 ColumnデータはDictionary Compressed Skip Listにより圧縮



 データスキャン速度，処理速度の評価
 CIFは必要なcolumnがcolocateされており，必要なデータのみ
をdeserializeするため，データの読み込みがRCFile(Hiveの
データフォーマット)よりも最大で38倍速い
 MapReduceの処理時間はSEQに対して10～12倍速い

論文Table1より引用

2. Automatic Optimization for MapReduce Programs
 概要
 MapReduce処理はユーザがコーディングしたプログラムを実行する計
算モデルであるため，DBMSで培った問合せ最適化技術が適用できず
効率が悪い
 MANIMALというプログラム自動解析システムにより，MapReduceの問
合せ最適化を実現し，1,121%の処理速度向上を実現
 本論文の貢献
 Selection, Projection, Join処理を対象にプログラムの修正を
必要としない最適化の実現
 プログラムからSelection, Projection, Join処理を検出・抽出す
るアルゴリズムの提案
 既存ベンチマークPavloに対して，MANIMALを導入し，11倍の
性能向上を実現

 MANIMAL：システム概要
MapReduce処理を実行


Analyzer Optimizer
• コンパイラで利用されるプログラム解析 • Control flowと呼ばれる処理・状態のフローと，
ツールを使い，＜処理の種類(selection, 各処理の処理対象データから，DAGを生成
projection, join)，処理対象データ，処理 • 処理結果が正しく出力される範囲内で，DAG
条件＞を抽出の統合を行い，問合せ最適化を実施
• 抽出したデータに応じて，処理対象データの
indexを作成しておく


 評価実験
 ベンチマークPavloにおける最適化箇所の検出精度

検出失敗

論文Table1より引用
【原因】・通常は使用しないクラスを用いた実装がされていた．
・今回，未対応としたJava Hashtableが含まれていた

→（イレギュラーな場合を除き）最適化箇所の抽出に成功している
 処理速度比較

論文Table2より引用約3～11倍の高速化を実現

3. CoHadoop: Flexible Data Placement and Its
Exploitation in Hadoop
 背景
 HDFSはファイルをパーティションに分割し，更にパーティションを幾つかのブロッ
クに分割するため，処理の際に複数のデータノードへのアクセスが発生し処理
速度が低下する
 CoHadoopでは（特にlog解析を対象に）処理に必要となるブロックを同じデータ
ノードで持つ(colocating)ことにより処理速度の向上を実現

 本論文の貢献
 関連するブロックをcolocatingする
軽量な手法をHDFSに実装
 Colocatingを基にlog解析処理を実装し，
処理速度を向上
 CoHadoopの障害回復，データの分散に
ついて検証


• 基本アイデア
 Partitioning  Colocating
 HDFS上のファイルをkey順にソート  1つの処理に必要となるファイル集
し，一定のkeyレンジ毎にファイル分合にそれぞれlocatorを割り当てる
割する
 Locatorが同じファイルはベストエ
フォートで同じデータノードに配置



 データロード時間と処理時間の評価
 リモートからのデータロードがないためHadoop++よりも高速に読み込み
 ParHadoopがローカルにかデータを配置しない一方で，CoHadoopはリ
モートにも配置するため，CoHadoopのロード時間がわずかに遅い
 CoHadoopはデータが大きいほどデータの処理時間が相対的に速くな
る（RawHadoopよりも約93%減）


 データ配置のばらつきとリカバリ時間の検証
 CoHadoopは可能な限りcolocateするため，データノード毎に配置され
るデータ量にばらつきが生じる
 しかしながら，障害発生時のリカバリ時間は最小となる



4. Profiling, What-if Analysis, and Cost-based
Optimization of MapReduce Programs
 背景
 MapReduce実行に必要なパラメータの数が膨大（190個以上）
 MapReduceの性能はパラメータにより複雑に変化
 Cost-based optimizationをMapReduceでも自動チューニングを
実現できるようにしたい
 本論文の提案
 Profiler, What-if Engine, Cost-based
Optimizer(CBO)の導入
 Profiler: MapReduceのプログラムから
入力動的に統計情報を取得
 What-if Engine: パラメータ変更時の性能
入力を推定
 CBO: 最適なパラメータの探索
論文Figure2(a)より引用

 Profiler：MapReduce処理に関する情報の抽出
1. 解析ツールBtraceを用いてMapReduceプログラムのbyte codeに対して
ECAルールのアクションを関連付ける
2. Map, Reduce処理をより詳細なフェーズに分解し，以下の4カテゴリにつ
いてキャプチャする
 Dataflow fields: 各フェーズで処理されたバイト数，レコード数など
 Cost fields: 各フェーズの処理時間，CPU使用量，I/Oコストなど
 Dataflow Statics fields: Dataflow fieldsに関する統計（平均，合計など）
 Cost Statics fields: Cost fieldsに関する統計（平均，合計など）

MapのSpill
Spill数減尐
処理の時間が
I/Oの低下
増加してる






VLDB2011勉強会 Research Session 18: MapReduce and Hadoop

More Related Content

What's hot (20)

Similar to VLDB2011勉強会 Research Session 18: MapReduce and Hadoop (20)

VLDB2011勉強会 Research Session 18: MapReduce and Hadoop