#garagekidztweetz

#garagekidztweetz

id:garage-kid@76whizkidz のライフログ・ブログ!

Attending Hadoop Conference Japan 2011 Fall in Shinbashi, Bellesalle Shiodome! #hcj11f

スポンサーリンク

Hadoop Conference Japan 2011 Fall に参加してきたので、私のメモを共有したいと思います。

まずは会場の模様を、写真で紹介したいと思います。


場所は新橋(写真:左)のベルサール汐留(写真:中)。現地にいくと大きな Hadoop のお出迎え(写真:右)がありました。

受付への案内(写真:左)も Hadoop、会場はかなり本格的な会場設営(写真:中)になっていて(Recruit さんの多大なる貢献による)、正面からみて右脇には Big3(分かりにくいですが左から Horton Works、Cloudera、MapR)と Recruit さんの企業旗が下がっていました(写真:右)。

タイムテーブルは、以下のようになっていました。

わたしが今回この Conference に参加した動機は、

  • Big3 (Cloudera, Horton Works, MapR) がそれぞれどんな考えをもっているか知りたかった
  • Hadoop 0.23 の情報を収集したい
  • Hbase: the Definitive Guide の Reviewer(?) である Todd Lipcon 氏による HBase の Introduction を聞いてみたい

上記の3つでしたので、タイムテーブルに引いた矢印のような形で各セッションに参加しました。

では、以降でわたしが参加したセッションのメモを共有します。

(*注1) 日本語のセッションは日本語、英語のセッションは英語で書いています。
(*注2) メモですのでわかりづらい点が多いだろうということを先にお詫びしておきます。
(*注3) スライド等の共有が後からなされるかと思うので、それらは分かり次第追記していきます。

10:00〜10:05 Opening.

Hadoop Conference Japan 2011 Fall オープニングスライド

hashtag: #hcj11f
1178 attendees.
今回の狙い
  • 国内の事例、海外のHadoop関連企業
アンケート結果
  • まだHadoopをつかったことがないが半数560
  • 3ー6ヶ月で使い始めた、300名ほど
  • 本イベントの把握、Twitterが4分の1、会場の7割が友人からの紹介
  • コミュニティートラックは2階
  • リクルートさんの力強い、会場の用意、リクルートの力なくしてなし
  • Hadoop T-shirts
Question Vote :質問投稿サイト
  • QuestionVOTE!! | Hadoop Conference Japan 2011 Fall
  • 1週間でつくったとか。
  • ハンドルネームと任意のパスワード、これをつかってセッションの最後に極力質問に答える。
  • 後日、動画での配信も行う
    :これはなかなか画期的な試みだったように思います。PC 持ち込みじゃない自分は活用出来ませんでしたが。

10:05〜10:35『The role of the Distribution in the Apache Hadoop Ecosystem』 Cloudera Inc, Todd Lipcon

In the past several years, Apache Hadoop has enjoyed considerable success due to its ability to scalably and reliably store and process vast quantities of data. HDFS and MapReduce are the two core components of this software, but the real power of Hadoop comes from the larger ecosystem of open source projects built on and around this core: projects like Apache Hive, Pig, Flume, Oozie, HBase, Avro, and more. ...


Video
Introduction
  • Todd Lipcon
  • Software Engineer
  • Hadoop, HBase committer
  • Previously machine learning.
Hadoop Overview
  • 2main components
  • HDFS + MR
  • HDFS scalable disk storage
  • MR
Why do we need Hadoop?
  • flexible
  • filesystem not Database
  • dont have schema
  • with Hadoop we can use any type of data
  • more flexible than Database
  • all of the data in one place
  • not necessarily special ETL tool
  • add machine easily, and can speed up easily
  • inexpensive, because it is OSS
Why Hadoop created?
  • Web2.0
    • more and more, users become to create data.
    • Weblog etc...
    • Operational data.
    • Generating Application log...
  • Its too expensive to treat with Weblog in the RDBMS
  • Talk about Big Data, but not only the Big Data
  • Datamining, Hadoop can also do this
  • Bring new opportunity to bring money
What Can Hadoop Do for you?
  • 2 Core use case
    • Advanced analytics + Data processing.
    • Both are very difficult to realize in RDBMS
  • NW analytics
    • How much NW capacity is used by customers
  • Bank
    • We want to understand which customers are good customers
How Cloudera Customers use apache Hadoop
  • Large National Bank, Web-based Media Company, Wireless Telecom Company
  • each Goal and Hadoop-able challenges.
Clouderas mission
  • Enable enterprise to derive business value from...
  • We believe you can make money from data.
About Cloudera
  • Hadoop expert.
  • Also Cloudera Japan.
    • twitter: @clouderajp
4main products
CDH Overview
  • 100% pure OSS, apache licence
  • Any apache licence product also included, like Hive, Sqoop etc..
  • Any time you can see any type of pacha files
  • Everything you need for Hadoop are included.
  • SCM
    • manage services for 50 nodes are free.
    • explanation of SCM
Why use a distribution?
  • Upstream projects are where OSSS developers should contribute code. Distributions are the best place for users to download and use code.
  • Distribution is a easiest way for user to use components.
  • Hadoop is just a kernel.
    • production use-cases require many components, each component has many versions available.
    • # This is very complicated for the user. Understanding these dependency is very difficult for the user.
    • Each component has a separate community. Releases do not happen at the same time.
Summary
  • Distribution make life easier
  • One download page
  • One installer(SCM express)

includes the most stable versions including important bug-fixes and improvement from OSS development

Journey of the apache Hadoop user
  • Discover the benefits of apache Hadoop
  • deploy CDH SCM
  • xxxx
Cloudera Enterprise
  • Cloudera management Suite
    • activity monitor
    • service and configuration monitor
    • Resource manager.
    • Authorization manager
  • Cloudera support
    • 24x7 or 8x5 support SLA
    • configuration check
    • comprehensive knowledge-base and docs
Summary
  • CDH is easiest way to use Hadoop
    • #Don't need to afraid of the fork.
  • SCM Express is the easiest way to configure Hadoop
  • Cloudera can help you run Hadoop in production.
    • #if you have some trouble with Hadoop, contact with Cloudera, they can help

QA

  • Q1. Over 100 customers they have.
    • Japanese office, currently already have Japanese engineer, and will launch their office.

10:50〜11:20『About Hortonworks』 HortonWorks, Owen O'Malley

Hortonworks is a new company that was founded around the engineering team from Yahoo that has been driving the majority of the work on Apache Hadoop for the last almost 6 years. Our mission is simple: To revolutionize and commoditize the storage and processing of big data via open source. In order to accomplish this mission, we are focused on accelerating the development and adoption of Apache Hadoop. ...


Horton works
  • Starting in July,2011
  • from Y!
  • Brand new company
  • Mission, Architect the Big data management
About Horton work Game plan
  • We want make Hadoop more and more popular.
  • Define APIs for ISVs , OEMs and others to integrate with apache Hadoop
  • Profit by providing training and support
Credentials
  • Technical, from Y! Hadoop engineer team
  • Business operation
    • team of highly successful OSS veterans
  • Investors
    • backed by benchmark capital and Y!
What is apache Hadoop?
  • Set of OSS project
  • Transforms commodity HW into a service that ....
    • PB data can store
    • MR
  • Key attribute
    • Redundant and reliable
    • Easy to program
    • Extremely powerful
    • Batch processing centric
    • Runs on commodity HW
Typical Hadoop Applications
  • advertising
Who build Hadoop
  • Chart, Line of code.
    • Y! and Horton Works contributes big number
A Brief History
  • Y! early adopters
  • other internet companies
  • Service providers
  • Wide Enterprise Adoption
Hadoop @Y!
  • 40K servers
  • 170PB
  • 5M monthly jobs
  • 1000+ active users
Case study of Y!
  • Personalized for each visitor
  • Click rates are increased
  • Result
    • twice the engagement
More case studies
  • Serving Maps
  • Five minute production
  • Weekly categorization models
  • Upon 3Type of clusters
    • Science Hadoop Cluster
      • Machine learning to build ever better categorization models
    • Production Hadoop Cluster
    • ???
Yahoo mail
  • 450M mail boxes
  • 5B+ deliveries/day
The Hadoop Market
  • Business drivers
    • identified high value project that require use of more data
  • Financial drivers
    • Growing cost of datra system as propotion of IT spent
  • Technical drivers
    • Existing solutions failing under growing requirements
Market opportunity for Hadoop
Market Dynamics
  • Technology & knowledges gaps are preventing apache Hadoop from becoming an enterprise standard
  • Virtually every F500 company is constructing a Hadoop strategy
  • Top ISV/OEMs working to create Hadoop strategy
  • Community is becoming increasingly confused by all of the noise
    • multiple distribution, many vendar announcement
Conclusion
  • There is not a Hadoop market to win today
  • In order to succeed ...
Horton work storategies
  • #1 Overcome technology Gaps
    • make easier to install, manage & use Apache Hadoop
    • Make Apache Hadoop more robust
  • #2 Enable a vibrant Ecosystem
    • Unify the community around a storing apache Hadoop offeing
  • #3 Overcome Knowledge Gaps
    • Subscribe their Blog RSS.
      • Improve user experience with Apache Hadoop SW.
      • Expand technical contents
      • Extensive Hadoop truing & certification program
      • Expert technical support services
Rational for Hortonworks Storategy
  • Strong interest from community in a complete, enterprise-viable , apache Hadoop

QA

  • Q1. What kind of tool do you use for managing 42,000 nodes
    • By hand
    • creating configuration tool
    • plan to develop
  • Q2. What the company come from?
    • from Child story, Horton
  • Q3. Specific plan for Japanese market.
    • Planning for support also Japanese company
  • Q4. Do you have a comment for CDH?
    • xxxxxxxx
  • Q5. 500M job contains adhoc query? How much adhoc queries?
    • Y! has 3 type of cluster
      • Don't have a number, but science cluster maybe have the largest number of adhoc queries.
        #So fast, so cant log enough :(

11:25〜11:55『How Hadoop needs to evolve and integrate into the enterprise』 MapR Technology Inc, Ted Dunning

Hadoop has allowed new classes of problems to be solved in a dramatically more cost effective way. Many problems, however, do not fit nicely into the pattern of isolated problems with limited legacy systems whose primary difficulty is exactly suited to the map-reduce style of computation. In order to move from the early adopter phase of life to the early mainstream adoption, Hadoop will need to overcome several serious liabilities. ...


  • Future Evolution of Hadoop
Some Thanks
  • World wide community
Company background
  • MapR provides the industries best Hadoop Distribution
  • Background of team
  • EMC,,,
    • Strategic Partnership
MapRs innovation
  • Easy
  • Dependable
  • ???
2X application speed
Quick history
  • From 2007 until now Hadoop has exploded
  • Data also exploded
  • Strong adoption of many companies. web, telecom...
  • Weak adoption in lager companies.
Why this difference happened?
  • Physics of startup compaies (Chart)
    • with exponentila growth the past is always very small

For Startups

  • Histry is very small
  • the future is huge
  • Must adopt new technologies to servive
  • Compativility is not as important

Physics of large companies
  • An organization grows the past become very important
    • For large comanies
  • Present state is always large
  • Realtive growth is much larger
the startup technology picture
  • old computers (can throw away
  • current computers
  • long term computers
The large enterprise picture
  • current computers (long term and current must be work together
  • proof of concept Hadoop Cluster
  • Long term Hadoop Cluter
What does this mean?
  • Hadoop is very very good at streaming through things in batch jobs
  • HBase is good at persisting ....
Narrow Foundation
  • Web service, Pig, Hive
  • OLAP, OLTP, Sequential File processing, MR, HBase
  • RDBMS, NAS, HDFS
    #move data through the wall is very difficult
Narrow Foundation
  • Because big data has inertia,m it is difficult to move
One Possible Answer
  • Widen the foundation
  • Use standard
Broad Foundation
  • MapR can broadend the capability of data storage.
  • can break the wall.
    :How to break this wall???
  • Having a broad foundation allows many kinds of computation to work together
  • It is no longer necessary to throw data over a wall
  • Performance much higher for MR
  • Enterprise grade feature sets such as snapshots and mirrors can be integrated
  • Operations more familiar to admin staff
Conclusion
  • Revolution is required for startups
  • Revolution is not suitable for large
  • it is important to take more respectful approach when introduction Hadoop into ....

QA

  • Q1. Why MapR didn't goes OSS?
    • They are also the contributor of the community. if they give back to the community for the change.
    • Mr. Tedd is also Zookeepers committer.
    • They also have free version, but not open.
  • Q2. How to interact between RDBMS and Hadoop
    • providing a filesystem-bases
    • providing a API for batch processing
  • Q3. Do you have a plan for implementing Zookeeper, MR2.0 with C++
    • Apache have a good product, so reinventing these mature product so they will accept it.

Lunch time

ここで昼やすみが入りました。

大変ありがたいことに、昼食は出していただきました(本当に委員会のみなさんありがとうございます)。実は引換券(写真:左)のサンドイッチの種類はどこでなにが配られているかが間違っていて、私は本当はチキン竜田にしたかったのですが、ツナサンド(写真:中、右)になっちゃいました(途中で間違ってる旨、アナウンスがあったのですが、並んでいる人が多かったので、並び直すのがめんどくさかったのです…)

Lunch time LT.

#1. IBM, intrroduction of Bigsheet.
  • Like a Excel sheet IF, can conduct MR without coding.
  • Demo.
  • Case Study.
    • BlockBuster
  • Comclusion
    • Data discovery is a key to start improving your business.
#2. Mobage の大規模分析基盤とその活用
  • データマイニング部
  • 大規模データ収集基盤
  • Mobageとソーシャルゲーム
  • Mobage の大規模分析の課題
    • 分析のニーズ増大
    • 内容によってはクエリを若干変えるだけでできる
      →エンジニア以外でもクエリが実行できるようにしたらよい
  • セキュリティ面の課題
    • アクセス権
  • Hueの活用
    • LDAPでアカウントは管理
    • WebからPig、Hive
  • さらなる課題
    • HueのPluginをつくるのが面倒
      • Pyhon(Django)、js、Jframe
  • まとめ
    • Hadoop自体も重要だがHadoopの使い方も重要
#3. Hadoop+HBaseでのPaaS
  • 背景と目的
    • 標準化されたPaaSの実装手段の確立
    • PaaSのOSS化で市場確立
  • 課題
    • トランザクションの確立
    • システムパフォーマンスの検証
    • セキュリティ
  • システム構成
    • Webアプリケーションサーバークラスター
    • リバースプロキシ
  • 利用テクノロジー
    • Hadoop、HBase、Zookeeper、Mahout、JMX、JDO、JTA
  • 技術的問題
    • HBASE-3992
    • HDFSからのWebアプリケーションのデプロイ、アンデプロイ
    • ロギングインターフェース
    • 自動運用のためのアルゴリズム
    • 開発環境設計
    • セキュリティ
  • 興味がある方への呼びかけ
#4. パネルログ分析
  • ブレインパッド、IPOしたばかり、値がついた
  • パネルログ?
    • 通常のWebログと何が違う
    • ある特定サイトのログ
  • パネル=人
    • 全ての人の行動のログを追うことができる
  • システム構成
    • 分析用のAPIを用意している
    • APIサーバー、キューサーバー、管理サーバー
      →EMR Or Hadoop Cluster
    • 分析用のMRはネイティブなJava MR
      • HiveやPigではできなかったから。
      • 一段のMRの中でもパフォーマンスを考えて複数並列でうごく
  • OSS化?
    • MR2.0 如何でやめる。
  • 用途
    • サイトの時系列分析
    • リピート分析
    • 検索ワード分析
    • サイトランキング
    • 流入流出サイト分析
  • ユーティリティもある
  • SaaSとして提供
    • 広告代理店
#5. Hadoop MR デザインパターン
  • 象本の翻訳者、 先行販売
  • tamagawa_ryuji
  • 象本+徹底入門+この本
  • 目次の紹介
  • MRのこう書くんだよ本
  • 第6章が難しい、数式乱出
  • 次は、馬や豚の本をやりたいと思っている

13:00〜13:45『Apache HBase: an Introduction』Cloudera Inc, Todd Lipcon

What is HBase?
  • OSS, distributed, sorted map data store
  • OSS apache 2.0 licence
  • committers and contributors form diverse organizations
    • Cloudera , Facebook, stumbleupon,
  • Distributed
    • Store and acess data on 1-1000 commodity servers
    • automatic FO based on apache Zookeeper
    • Linear scaling of capacity and IOPS by adding servers
  • sorted map datastore
    • Not a relational database
    • tables consist of rows, each of which has a primary key
    • Each row may have any number of columns
      • like a Map,byte>
      • Different from RDBMS
  • Rows are stored in sorted order
    • logical views as records #image
    • Row key, Data
  • Column family
    • DIfferent types of data separated into different column family
    • A single cell might have different values at different timestamps
      • milliseconds since unix epoch
Physical view as cells
  • info column family and roles column family sample.
Column family
  • Different sets of columns may have different properties and access patterns
  • Configurable by column family
    • Compression
    • Version retention poliicies
    • Cache priority
Accessing HBase
  • Java API
  • REST/HTTP
  • Apache Thrift (any language)
  • Hive/Pig for analytics

HBase API
  • get(row)
  • put
  • scan
  • increment
  • ... checkAndPut, delete, etc...
  • MR/Hive
HIgh level architecture
  • MR
  • Java Client #Zookeeper manage
  • HBase #also Zookeeper manage
  • HDFS
Terms and daemons
  • Regions
    • A subset of a tables rows, like a range partitions
  • Region server
    • Serves data for reads and writes
  • Master
    • Responsible for coordinating the slave
  • assign Region, detects failures of region server
Cluster Architecture
  • Client
  • ZK Peers
  • HMasters
  • Region Servers
  • HDFS

HBase Architecture 101
HBase vs Other technologies
  • When should i use HBase?
    #if you have neither random write nor random read, please just use HDFS.
    • Write pattern, random write, bulk incremental
    • Read pattern, Random read, small range scan, or table scan
    • Hive performance, 4-5x faster than HDFS/MR
    • Structured data, Sparse CF data model
    • Max data size, -1PB
vs RDBMS
  • Data layout, CF oriented
  • transactions, Single row only
  • Query language, get/put/scan...
  • Indexes, Row-key only
  • Max data size, PB class

vs Other NoSQL
  • Favor consistency over availability(but availability isnot bad, is good)
  • Ordered range partitions
  • very efficient build loads, MR analysis
  • automatically shard

HBase in number
  • 850-1000nodes
  • most clusters 10-40nodes
  • writes 1-3ms
  • read 0-3ms
Use Cases
  • Firefox Crash Reports
    • Crash reports is stored in HBase with a unique ID
  • Facebook analytics
    • Read time counters of URLs shared, links liked , impressions generated
  • 20 Billion events/day
  • 30 second latency from click to count
  • OpenTSDB
    • Scalable time-series store and metrics.
    • OSS project

Use Hbase if
  • You need random write and read or both
  • You need to do many thousands of operations per second on multiple TB of data

...

Dont use HBase if
  • You only append to your datase and tend to read the whole thing
  • You primarily do adhoc analytics

...

Resources
  • DL CDH3
  • Hbase definitive guide is just released.

QA

  • Q1. What limit the HBase
    • Just the practice he shared, not limited.
  • Q2. Largest is the Y! web page cluster
    • web cache, presentation on June. can find online.
  • Q3. Online web analytics knowhow
    • Facebook message services, they divided Hbase cluster for each one is hundreds nodes and minimize the down time.
  • Q4. Scan slow down sometimes do you know why it happen?
    • not know the particular reason.
  • Q5. Resion servers FO time takes time
    • during the FO usually one minute or 4-5 minutes, can tune.
    • Request will be timeout, but will retry.
  • Q6. Have a hadoop cluster, if want to use HBase, should devide Hadoop cluster and Hbase cluster
    • should devide, and for Online processing use HBase, for analyzing use Hadoop

13:50〜14:35『Architectural details and implications of MapR technology』MapR Technology Inc, Ted Dunning

  • much more engineering talk
  • Hats on the desk
MR review
  • diagram of typical MR.
    • input, split, shuffle, output
  • Bottle neck and issues
    • Read only files
    • many copies on IO path
    • shuffle based on HTTP
      • cant use new technologies
      • eats file descriptors
    • spill goto local file space
      • Bad for skewed distribution of sizes

MapR areas of development
  • MR
  • management
  • storage services

MapR improvements
  • faster file system
    • fewe copies
    • multiple NICS
    • No file descriptor or pagebuf competition
  • faster MR
    • use distributed file system
    • Direct RPC to receiver
    • Very wide merges

MapR innovations
  • Volumes
    • distributed management
    • Data palace ment
  • Read/rwite random access file system
    • Allows distributed meeta-data
    • improved scaling
    • Enables NFS access
  • application level NNIC bonding
  • Transactiuonally correct snapshots and mirrors

MapR containers
  • files/directories are sharded into blocks, which are placed into mini NNs containaers on disk
    • each container has a replication chain
    • updates are transactional
    • Failures are handled by rearrange....
  • Container Locations and replication
  • Container location database (CLDB) kkeeps track of nodes hosting each container and replication chain order
    #communication are conducted directly

MapR scaling
  • contgainers represent 16-32GB of dta
    • each can hold upto 1 Billion files and directories
    • 100M contgainers _ 2Exabytes
  • 250 bytttes Dram to cache a container
  • 25GB to cache all containers for 2EB cluster
    • but not necessary , can page to disk
  • typical large 10PB cluster needs 2GB
  • Container reports are 100x -1000x < HDFS block reports
  • serve 100x more datanodes
  • increase container size to 64GB to serve 4EB cluster
    • MR not affected

MapRs streaming Performance
  • Chart
    • 16 streams x 120GB, 11x 7200rpm SATA
    • 2000 streams x 1GB , 11x 15krpm SAS
    • compare HW, MapR, Hadoop
    • MB/sec, higher is better.
      • Good number than native Hadoop

Terasort on MapR
  • 10+1 nodes, 8core , 24GB Dranm, 11x1TB 7200rpm SATA
  • lower is better
  • Elapsed time(min)
  • compare with MapR and Hadoop

Hbase on MapR
  • YCSB random read
  • records per second higher is better
  • compare with MapR and Apache

Small files(apache Hadoop, 10dnodes)
  • op
    • create file , write 100bytes, close
  • notes
    • NN not replicated, NN uses 20G RAM, DN uses 2G DRAM
      #file number increased, it become out of box.
  • > What about MapR?
  • same 10 nodes
    • over 80M files it still stable.

What MapR is not
  • Volumes !=federation
    • MapR supports > 10,000 volums all with independent p;acemnetn and defaults
  • NFS!=Fuse
  • MapR!=maprfs

New Capabilities ; 主旨がわり
Alternative of NFS
  • Export to the world
  • Local server
    • NFS seerver -> Cluster nodes
    • Nodes are identical

Shaded text indexing
  • traditional exsample diagram.
  • >
  • on failure, deletes local files
  • must avoid directory collisions
    • cant use shard id

Conventional data flows
  • input document
  • Map
  • Reduce
  • clustered index storage: index to task work directory via NFS
  • search engine

Simplified NFS data flows
  • Input documents
  • Map
  • Reduce
  • Cluster
  • Mirrors
  • Search Engine

K-means, the movie
  • machine learning common problem explanatiion.
  • Old tricks, new docs
  • Poor man"s pregal
    • Click model architecture
  • Hybrid model flow

Conclusion
  • We used to know all this
  • Tab completion used to work ....

QA

  • Q1. When MapR adopt MR2.0?
    • when Hadoop 0.23 released, as soon as possible.
  • Q2. How MapR think to have a compatibility of Hadoop
    • as possible as their customer wants.
  • Q3. Difference of glasterFS
    • glasterFS is for realise reliable FS
    • MapR is for using commodity servers

14:40〜15:25『基幹バッチ処理から見たHadoop』 ノーチラス・テクノロジーズ, 神林 飛志

Hadoopマーケット
  • 大フィーバー状態
  • 日本の場合の特殊状態
  • 基幹にもつかえるんじゃないか

BIと基幹処理の違い
  • 基幹は複雑な処理がからみあう
  • 基幹は品質重視、テストしないでリリースするとかいったことはない

Asakusaの説明
  • AsakusaDSL
  • ThunderGate
  • TestDriver
    →Asakusaくらいしかでない
  • 開発手法がないと死ねる
  • 80ページあるので早口になる

Case Study
  • 西鉄ストア
  • 基幹会計システムのリプレース
  • 100ー500GB
  • Big Dataでもなんでもない。
  • 細かいデータ。件数がおおい。中間データが多い。
  • 会計といっているが、本部基幹
Case1. 西鉄ストア
売り上げ売掛金
  • 店舗からの売り上げデータの一斉集計
  • いかに早く締めるか
  • 利益の当日確定処理
    →Hadoopの出番

買い掛け仕入れ計上
  • 仕入れ計上の高速化
  • 決済データとの照合
  • かなり面倒なバッチ処理→Hadoopの出番

売価還元法から個別原価法へ
  • 利益確定、正確性、データ量
  • 細かいトレースをすべてとって計算するために計算量が1000倍
    →Hadoopしかない

既存のバッチ処理のところがHadoopになっている

集配信
  • どこまで処理を負担させるか、検討すべき課題
  • フロント

インフラ
  • Hadoop、バッチサーバー的な位置づけ
  • INTEC社

まとめ
  • Hadoopをつかうことで多様なデータを高速に処理できるようになっている
  • 不要な物理作業が必要なくなる

Case2. アンデルセン(パン屋)
  • 原価計算
  • 原材料から製品原価計算

Hadoopでの並列計算処理に置き換え
  • Stoed ProcedureをOperatorDSLへ

特徴
  • グラフ処理のアドバンテージを生かす形
  • AmazonVPCでHadoop基幹バッチを動かす
  • データ展開が肝
    →Hadoopはそのへんが弱い
    →ThunderGateを今は使っている、つぎはWindGate

まとめ
  • 4時間バッチが20分に
  • AmazonVPCのおかげで追加のシステムが必要ない

Case3. 某名古屋の流通業
  • LSPの電子化
  • 今は紙でやっている
  • データ量1ー2GB程度
  • 時間帯別の客数分布予測
    →機械学習
  • 現在は計算量がすくないから問題ないが
  • 将来に備えるとコストだい 大

分散しないHadoop
  • 速い
  • 計算量が増えたら増やす
  • 備えあれば憂なし

どうやってつくったか?
  • Hadoopの足りないところ
  • MRしかない、Transactionない、SPOF
    →ThunderGateで解決した

書きやすいDSLが必要
  • そもそもバッチってなんだ
  • SQLは問い合わせ言語、オンライン処理は得意
  • 基本的に業務バッチ処理はデータ変形、集計

設計はちゃんとする
  • データモデルとフローモデルの組み合わせをきちんとする
  • 世の中の処理は、たいてい非同期であるということを知る
  • たいていの仕組みは、昔から伝わっている業務フローってやつになっている

IO設計

→HIPO

  • STS分割手法

もっとも困難なのは正常系異常処理
  • どこまでの例外を業務リスクとして拾うか
  • ある程度のビジネスセンスが必要

それがないときはどうする
  • 50ー60歳の親父さんたちにきくといい
    →酒を呑ませる(バカボンだったら無駄)
  • 昔からやっていた処理
    できれば人力でやっていて
    やばくなたら 人力をいれてしのいだ

グラフ構造をモデル化する
  • Node処理の独立性
  • Edge処理での情報の関連性
    →こぞう本に

今後のAsakusa
  • WindGate
  • 開発手法ねりあげる
  • キャッシュメカニズム
  • Hadoopだけにひっぱられないように

Asakusaの課題
  • 次世代分散OSへの対応
  • 次世代型のアーキテクチャ
DCのOS化
YARN vs MESOS

QA

アンデルセンさん、EMRは使っていない。
理由がある、NDA ゆえ今は話せない。

15:45〜16:30『NTTデータ流 Hadoop活用のすすめ  〜インフラ構築・運用の勘所〜』 NTTデータ 猿田 浩輔

  • インフラの話
自己紹介
  • 猿田浩輔
  • OSSの検証、整備。実際のプロジェクトの支援
  • 経産省の実証実験に協力
  • 最近は Hive のチューニングをしてほしいといった案件が増えてきている
  • 徹底入門の執筆者のひとり
Hadoopについてのおさらい
  • 2つの大きなコンポーネント
  • HDFS x MR
  • 集中管理型の分散システム
  • Slaveを増やすことにより全体の処理性能を向上させるスケールアウトアーキテクチャ
  • HDFSとMR
  • HDFS、レプリケーションの話
Hadoopインフラ構築運用時によくあがる話題
  • Hadoopの可用性向上
  • 数百台以上のClusterの効率的な運用
    • 初期構築 etc..
NTTデータの取り組み
マスターノードの可用性向上の検討
  • MR、HDFS
  • 故障を想定したつくりになっている
  • MR
  • TTがタスクを失敗してもリトライする仕組み。他のTTに割り振り直す仕組み。
  • ただし、JTはSPOF

    • Zookeeper、MapReduce-279
  • HDFS
    • データを複数のDNに分散レプリケーション
    • Rack Awareness の考慮
    • ただし、NNはSPOF

      • High Availability Framework for HDFS NN -> HDFS-1623
      • 再起動なしでNNの再設定
      • HDFS-1477
  • Hadoop Clusterは全体の一部にすぎない。
  • 外接要件など、連携箇所との整合性をとる
  • 一部分だけに過剰な可用性を追求しない
  • シンプルな方式を選択する
  • Masterでダウンが発生する要因
    • SW障害
    • HW障害
      →HAなどの仕組みでのりきる
    • メンテナンス
    • オペミス
    • 突発的な停電
      →仕組みだけでなく、運用や設計の工夫
  • 実績のある枯れた技術を組み合わせる
    • Pacemaker(Heartbeat)などのHAクラスタリングソフトウェアを用いた可用性向上方式のノウハウがたまっている
    • Heartbeat x DRBD
  • FO に時間がかかるのは、ブロックレポートが発生するから。
大量サーバの運用効率化
  • 数百台のサーバを運用していると、常にどこか一台くらいは壊れている状態になる。
  • 予期しないときの、予期しないトラブルに備えた対策
  • 確実に復旧できる方法を用意し、最悪の復旧時間を制御する
  • 運用設計の検討指針
  • オペレーションのパターンを最小限に抑える
  • 統一された運用設計でオペレーションミスを排除
  • 障害発生時の例外対応を最小化
  • 所要時間の最悪値を制御
  • OSの自動インストール
  • 構成管理
    →複数のサーバーに一貫した設定を適用
  • 共通的なやり方で簡素化する
  • 実際的なOSインストール
  • CentOS の Kickstart と PXEブート
  • Puppet で一貫した管理→100台規模のサーバー群を90分、設定変更は3分
  • 運用簡素化のための割り切り
  • 障害復旧において細かい切り分けは実施しない
  • OSからのリカバリに失敗する場合は、代替機をセットアップし、交換する
  • あらかじめ許容できる縮退率を把握、機器交換のタイミングを計画する→一日のおわり、週末にまとめて実施など
クラスタのリソース情報の取得
  • Ganglia によるリソース情報の可視化
    #Hadoopだけでなく使われている。
  • Cluster単位、Rack単位などで統合的に監視。
トポロジ設計、失敗談
  • Rack Awareness
  • 想定外の事故
  • エッジスイッチごとにラックアウェアネスを構成すると、異なる電源系統のスレーブサーバにレプリカがつくられるとは限らない
  • 電源系統に障害が発生した場合、データにアクセスできなくなる。最悪ロストする。
まとめ
  • 部分最適ではなく、全体最適をめざす
  • よく知っている方式、方法を採用する
  • 可能なかぎりシンプルに
  • 最悪のケースを制御する

QA

なし

16:35〜17:20『Hadoop 0.23 and MapReduce v2』HortonWorks, Owen O'Malley

Current Hadoop Branches
  • so many, so many people confused.
  • Don't use 0.21.0 - Not stable
  • Hadoop 0.20.0,1,2 - old and very stable.
  • Hadoop 0.20.203.0
    • added security
    • MR job limits
    • performance work
  • 0.20.204.0
    • Fail in place
    • RPM & Debian package
  • 0.20.205.0
    • HBase support
Highlight of 0.23
  • Expected to become the next stable release.
  • A community effort from - Cloudera , Ebay , Hortonworks, and Y!
  • Includes many new features
  • HDFS federation
  • HDFS write pipeline improvement with support for HBase
  • MR Shuffle optimized by 30%
  • Small Mapredce jobs optimization
    • Small jobs are run as a single task for lower latency
  • MR 2.0
HDFS federation
  • a solution to HDFS NN scaling
    • Entire HDFS namespace is kept in NNs RAM
      • Limits the number of files and blocks Splits namespace between NN
  • All DN are shared between all NN
  • Clientside mount tables allow clients to view multiple NN as a single Namaspace
Hadoop MR today
  • Job Tracker
    • manages cluster resources and job scheduling
  • TaskTracker
    • Per node agent
    • manage task
  • Current limitation
    • Scalability
      • Cluster size 4,000 nodes
      • Concurrent tasks, 40,000
      • Coarse synchronization in JT
    • SPOF
      • restart is very tricky due to complex state
      • Hard partition of resources into MR slots
      • Lack support for alternate paradigms
    • iterative applications implemented usig MR are 10x slower
    • eg ; K-means, PageRank
  • Lack of wire compatible protocols
    • Client and cluster must vbe of same version
    • Applications and workflow cannot migrate to different Cluster.
Requirement
  • Reliability
  • Availability
  • Scalability
    • each machine with 16 core 48/96GB RaAM, 24/36TB disk
    • 100,000+ concurrent tasks
    • 10,000 concurrent jobs
  • Wire compatibility
    • Agility and Evolution
  • upgrades to the grid SW stack
Design Centre
  • Split up the two major faction of JT
    • Cluster resource management
    • Application life
  • MR becomes user-land library
Architecture
  • Client
  • Resource manager
  • Node manager
  • App master
  • Container
Improvemetns vis a vis curent MR
  • Scalability
    • Application life cycle management is very expencsive
    • Partition resource management and application life cycle management
    • application management is distributed
    • HW trends
      • 6,000 2012 machines
  • Fault Tolerance and Availability
    • Resource manager
      • No SPOF , state are saved on Zookeeper
      • Application master are restarted automatically on RM restart
      • Applications continue to progress with existing resources during restart, new resources aren't allocated
    • Application master
      • optional FO via application specific checkpoint
      • MR applications pick up where they left off via state saved in HDFS
  • WIre Compativility
    • Protocol are wire compatible
    • Old clients can talk to new servers
    • Rolling upgrades
  • Innovation and Agility
    • MR now becomes a user land library
    • Multiple versions of MR can run in the same cluster
    • Customer upgrade MR versions on theier schedule
  • Utilization
    • Ceneric resource model
      • Memory
      • CPU
      • Disk b/w
      • NW b/w
    • Remove fixed partition of map and reduce slots
  • Support for programming paradigms other than MR
    • MPI
    • Graph processing (Giraph
    • Iterative BSP processing (Hama
    • Machine learning (Spark
    • Master-worker
    • Enabled by allowing use of paradigm-specific Application Master
    • Run all on the same Hadoop Cluster
Sammary
  • MR v2 takes Hadoop to the next level
    • Scale out even further
    • High availability ....
Status Sep 2011
  • Feature complete
  • Rigorous testing cycle underway
    • Scale testing 500-
  • coming in the next release of Apache Hadoop
  • Beta deployment, CY2011 Q4.

QA

  • Q1. One of the NN failed what happen?
    • downed namespace cant be access, if want access need to HA
    • cant access it will restart
    • Can access from new server to Old one
  • Q2. MR2.0, wire compatibility or other support which is more important to develop?
    • HDFS not using RPC, hard to improve.
    • Wire compatibility is now in a best effort
    • use Hoop?
  • Q3. Windows support?
    • They will, but nobody seems to use windows.
  • Q4. Will use release Oozie support MR2.0?
    • Dont actually know, but will.
    • Because Y! also using 0.2x
  • Q5. What the difference MESOS between MR2.0?
    • most big difference is, MESOS not has security.
    • retaliation problem?
      • Giraph will???

17:25〜18:10『MapReduceによる大規模データ処理 at Yahoo! JAPAN』ヤフー, 角田 直行 吉田 一星

自己紹介
  • 角田直行
  • Y! 地図、路線、、、、
Y! Japanでの事例
  • サービスを支えるプラットフォームでHadoopが使われている。
  • Yahoo ではプラットフォーム戦略を現在はとっている
  • ログプラットフォームと検索プラットフォーム(ABYSS)
  • Yahoo検索
  • キーワード入力補助、関連キーワード、ショートカットの表示制御
  • リアルタイム検索
  • 検索プラットフォーム(ABYSS)が検索機能を提供
  • Twitterから提供されたデータをABYSSに送ってインデキシング
  • Yahooオークション
  • レコメンデーションプラットフォーム
MRによるアルゴリズムデザイン
  • こぞう本、OREILLY本
  • Yahooの事例
#1 空間解析
  • 位置関係を利用した検索を行いたい
  • 今いる場所から一番近いコンビニなど
  • リバースジオコーダー
  • 緯度経度から住所をもとめる
  • ある住所が住所ポリゴンのなかにふくまれるかどうか?
  • GeoHash
  • 緯度経度を英数字の文字列であらわすアルゴリズム
    :このセッションは詳細にメモをとることはあきらめた。
#2 検索インデックス生成
  • MRの最も基本的なタスクをひとつ
  • 単語をキーにした URLのリストの形式に転置する
  • 実際の課題
  • インデックスには複数のフィールドがある
  • フィールドごとに単語を分割する方法をがちがう
  • フィールドと単語分割(2Gram、形態素解析)
  • ユニークな文書番号を付与し、文書番号でソートする
  • ABYSSの場合
  • 検索インデックス作成処理の流れ
  • 前処理→Hadoop→後処理
  • 実際に何をやってるか?
  • Map、Shuffle、Reduce それぞれの説明
#3 機械学習
  • データの中で見えているものをてがかりに、見えないものを予測する
  • 例:ページの内容がアダルトかどうか判定する、など(一番上にもってこなくても…)
  • 機械学習によるランキング
  • 検索結果を機械学習でランキングする例
  • Pagerank, クリック数, リンク数, 被リンク数
  • 重みと素性の値を単純にかけあわせてスコアを推定→線形回帰
  • 重みの学習
  • 重みをどう学習するかがポイント
  • オンライン学習
  • 正解データを一件づつみていって重みを更新する
  • バッチ学習
  • すべての正解データをみて重みを更新する
  • オンライン学習をMRで行う。
  • Iterative Parameter Mixing
    ※繰り返すアルゴリズムは効率が悪いのだが。
  • Gradient Boosted Decision Tree
  • 決定木
  • 検索ランキングでは実際には、精度がたかい決定木ベースのGBDTという手法が使われている
  • 複数の決定木のスコアを足し合わせて、結果のスコアを決定する
  • GBDTの学習プロセス
  • 1つ前の決定木の結果をもとに次の決定木の学習を行う
  • 決定木の構築
  • 一定の深さになったら終了する
  • MRで分散可能なのは、決定木の構築
枝の分岐
MR の水平分割
MRの垂直分割
  • 分散方法の比較
  • 水平分割と垂直分割
  • 実は MR を使わず MPI で分散 させることが一番はやい
まとめ
  • Hadoop の連載記事があるとのこと。
  • 東京Node学園の宣伝

メモは以上です。
※あとで更新するかもしれませんが、最後に感想を書いて終わりにしたいと思います。

感想:

  • HBase: The Definitive GuideHadoop MapReduce デザインパターン ―MapReduceによる大規模テキストデータ処理RECRUIT さんの貢献によるところが大きいのだと思いますが、大変エンタテイメント性の高いイベントだったと思います。オープンニングのムービーなど凝り方などは国内の有料のカンファレンスでもないほどのものだった。
  • 参加者アンケートの結果をみての判断かと思うのだが、 Beginner 向けが 3/4 くらいを占めていたように思う。
    1/4 がアーリーアダプター向け、残りがレイトマジョリティー向けという印象だった。その間にいるアーリーマジョリティー向けの内容がごっそりと抜けていた印象を受けた。(ロジャーズの採用者分布曲線)
  • こぞう本と馬本を買って自分で勉強しようという意欲を強めました。

同 Conference の References

関連サイト
  1. 質問サイト:QuestionVOTE!! | Hadoop Conference Japan 2011 Fall
  2. QuestionVOTE!! | Hadoop Conference Japan 2011 Fall
    当日のスライド、動画はこちらに集まるとのことらしいです。
  3. recruitcojp's Profile - GitHub
    RECRUIT さんのツール群
他の方による本 Conference のレポート
  1. Hadoop Conferene Japan Fall 2011 - 急がば回れ、選ぶなら近道
    @okachimachiorz1さんによる Big3 の鋭い考察が大変ためになります。
  2. Hadoop Conference Japan 2011 Fall に参加しました - Taste of Tech Topics
    ひとつひとつのセッションに丁寧なコメントが書かれています。
  3. Hadoop Conference Japan 2011 fallで使用された資料 #hcj11f | インフラエンジニアのつぶやき
    当日発表されたスライド、気になったという tweet のまとめ
  4. Hadoop Conference Japan 2011 Fall #hcj11f - nokunoの日記
    Community track がわのメモが大変ためになりました。
  5. Hadoop Conference Japan 2011 Fall に行ってきた&しゃべってきた - tagomorisのメモ置き場
    livedoor での Hadoop 事例を LT された方のレポート。
  6. 忘れてしまうから書いておこう -- Hadoop Conference Japan 2011 fall - Guutaraの日記
    覚書、備忘録的なエントリ。
  7. Hadoop Conference Japan 2011 Fallに行ってきた - watawata日記
    Community Track 中心に参加された方のレポート。