Cloud Computing y MapReduce

Cloud Computing
Jose Emilio Labra Gayo
University of Oviedo, Spain
http://www.di.uniovi.es/~labra

Esquema de la presentación
Motivación
Cloud Computing
MapReduce

Motivación
La era de los datos
Generación volúmenes de datos/día 
En 2009, récord de crecimiento (60%)
Se estima en 800.000petabytes (1PB = 1millón GB)
Fuente: IDC The digital UniverseDecade: Are youready?
http://www.emc.com/collateral/demos/microsites/idc-digital-universe/iview.htm

Ejemplos de fuentes de datos
Éxito de la web:
Mayor participación si cabe en la Web 2.0
Abaratamiento de dispositivos
Cámaras digitales, Teléfonos móviles, etc.
Youtube contiene unos 144 millones de vídeos*
Redes sociales
Facebook contenía 15 billones de fotos en 2009**
* http://beerpla.net/2008/08/14/how-to-find-out-the-number-of-videos-on-youtube/
** http://www.facebook.com/note.php?note_id=76191543919

Otras fuentes de datos
Internet de las cosas
Cada vez más dispositivos estarán conectados a Internet
Aumento de Sensores y generadores de datos
Acelerador de partículas LHC producirá 15 petabytes de datos al año
http://public.web.cern.ch/public/en/lhc/Computing-en.html
Frigorífico con Internet
http://www.youtube.com/watch?v=sfEbMV295Kk&feature=player_embedded

Grandes Centros de Datos
Google, Yahoo!, Amazon, etc.
Centro de datos de Yahoo!

Cloud Computing
Pegatina creada por Brian Fitzpatrick para
Google CodeHosting en 2006

Cloud Computing
Cloud computing = Servicios de grandes compañías (Google, Amazon,…) que pueden ser alquilados por clientes externos
Ejemplos de servicios:
Recursos computacionales (ciclos CPU)
Almacenamiento
Entornos de ejecución completos

Ventajas
Precio
Amazon EC2 = Máquinas virtuales a 10¢/hora
Amazon S3 = Almacenamiento 15¢/mes/Gb
Algunos servicios = gratuitos!
Escalabilidad
Se paga en función del consumo
Acceso a potentes centros de datos
Facilidad de uso y mantenimiento

Ventajas
Independencia dispositivos y localización
Acceso desde cualquier navegador en cualquier sitio
Eficiencia:
Centralización de infraestructuras, ahorro de energía, control compartido de carga
Fiabilidad:
Réplicas, recuperación de desastres

Tipos de Cloud Computing
No todas las nubes ofrecen todos los servicios
Se podrían clasificar en:
SaaS: Software as a Service
PaaS: Platform as a Service
IaaS: Infraestructure as a Service
SaaS
PaaS
IaaS

IaaS: Infraestructura
Se ofrecen recursos computacionales
Capacidad de computación
Almacenamiento
Entorno virtualizado de máquinas conectadas por red
Ejemplos:
Eucalyptus, Amazon EC2, Amazon S3

PaaS: Plataforma
Se ofrece una solución instalada y configurada como servicio (plataforma)
Aplicaciones:
Hosting para aplicaciones Web
Entornos de desarrollo
Facilitan despliegue rápido y barato
Ejemplos:
Google AppEngine, VMForce, AppScale

SaaS: Software
Aplicación software como servicio bajo demanda
El usuario no tiene que instalar/configurar aplicaciones
Reduce coste de adquisición de software
Ejemplos:
Aplicaciones Google (Gmail, GDocs, etc)

Retos de Cloud Computing
Legalidad
¿Almacenar datos en otros países?
¿Y si no se cumple el servicio?
Seguridad, privacidad
¿Es más seguro tener los datos en nuestra máquina o en un data-center?
Dependencia: ¿Nuevos monopolios? ¿Interoperabilidad entre nubes?
Sostenibilidad: ¿Consumo energético?

MapReduceProgramando en la nube

MapReduce
Pensado para procesar grandes cantidades de datos
Programador especifica computación mediante 2 funciones: map y reduce
Adaptado a ejecución distribuida en múltiples nodos
Control de nodos que fallan, balance de carga, etc

MapReduce
Desarrollado por Google
Publicado en 2004
Implementación interna propietaria
Hadoop: implementación open source
Versión inicial de Yahoo!
Actualmente Proyecto Apache
Adopción industrial
Facebook, last.fm, etc.

Características de MapReduce
Computaciones distribuidas
Troceado de datos de entrada
Tolerancia a fallos de nodos
Portabilidad en nodos con hardware/software heterogéneo
Procesado por lotes de grandes cantidades de datos
Write-once. Read-many

Orígenes funcionales
Programación funcional:
Modelo de programación basado en:
Ausencia de efectos laterales
Funciones de orden superior
Funciones similares a mapy reduce llevan utilizándose mucho tiempo en programación funcional

Map en P. funcional
Aplica una función a todos los elementos de una lista
Lista de entrada
función
Lista de salida
En Haskell:
Calcular la longitud de todas las palabras de una lista
> maplength [“esto”, “es”, “un”, “ejemplo”]
[4,2,2,7]
Dar la vuelta a todas las palabras de una lista
> map reverse ["esto","es","un","ejemplo"]
["otse","se","nu","olpmeje“]

Reduce en P. funcional
Transforma una lista en un valor combinando los elementos entre sí
Lista de entrada
Valor de salida
En Haskell (reduce fold)
Suma de los elementos de una lista
> foldr (+) 0 [1,2,3,4,5]
15
Producto de los elementos de una lista
> foldr (*) 1 [1,2,3,4,5]
120

MapReduce
Inspirado en P. funcional:
2 componentes: mapper y reducer
Los datos se trocean para su procesamiento
Cada dato asociado a una clave
Transforma [(clave1,valor1)] en [(clave2,valor2)]
v2
c2
MapReduce
v1
c1
Entrada:
[(Clave1,Valor1)]
v2
c2
Salida:
[(Clave2,Valor2)]
v1
c1
v2
c2
v1
c1
v2
c2

Mapper
Para cada (clave1,valor1) devuelve una lista de (clave2,valor2)
Tipo: (clave1, valor1)  [(clave2,valor2)]
v1
k1
mapper
vi1
c1
v2
k2
v3
k1
mapper
vi2
c2
v4
k3
v5
k1
v6
k1
mapper
vi3
c3
v7
k3

Mezcla y ordenación de claves
El sistema se encarga de mezclar y ordenar resultados intermedios en función de las claves
Mezcla y ordena
v1
k1
v1
v3
v5
v6
k1
v2
k2
v3
k1
v4
v2
k3
k2
v5
k1
v6
k1
v4
k3
v7
v7
k3

Reducer
Para cada clave2, toma la lista de valores asociada y los combina en uno solo
Tipo: (clave2, [valor2])  (clave2,valor2)
reducer
v1
v3
v5
v6
vf1
k1
k1
reducer
v2
vf2
k2
k2
reducer
vf3
k3
v4
k3
v7

Esquema general
Mezcla y ordena
v1
k1
reducer
vf1
k1
mapper
v1
v3
v5
v6
k1
vi1
c1
v2
k2
v3
k1
reducer
mapper
vi1
c1
vf2
k2
v4
v2
k3
k2
v5
k1
v6
reducer
vf3
k3
k1
v4
k3
v7
mapper
vi1
c1
v7
k3
MapReduce

Ejemplo: Cuenta palabras
Mezcla y ordena
1
a
reducer
4
a
mapper
1
1
1
1
a
a b
d1
1
b
1
a
mapper
reducer
a c a
d2
1
b
1
1
c
b
1
a
1
2
c
a
reducer
1
c
1
mapper
a c
d3
1
c
MapReduce
// suma la lista de números de cada palabra
reducer(p,ns) {
sum = 0
for each nin ns { sum += n; }
emit (p, sum)
}
// devuelve cada palabra con un 1
mapper(d,ps) {
for eachp inps:
emit (p, 1)
}

Sistema MapReduce
El entorno de ejecución se encarga de
Planificación: Cada trabajo (job) se divide en tareas (tasks)
Co-localización de datos/código
Cada nodo computacional contiene sus datos de forma local (no existe un sistema central)
Sincronización:
Tareas reduce deben esperar final de fase map
Gestión de errores y fallos
Alta tolerancia a fallos de los nodos computacionales

Sistema de ficheros distribuido
Google desarrolló sistema distribuido GFS
Hadoop creó HDFS
Ficheros se dividen en bloques (chunks)
2 tipos de nodos:
Namenode (maestro), datanodes (servidores datos)
Datanodes almacenan diferentes bloques
Replicación de bloques
Namenodecontiene metadatos
En qué nodo está cada trozo
Comunicación directa entre clientes y datanodes

Sistema de ficheros distribuido
Namenode
fichero1: (B1 – N1 N2, B2 – N1 N2 N3)
fichero2: (B3 – N2 N3, B4 – N1 N2)
fichero3: (B5 – N1 N3)
Cliente1
Cliente2
B1
B1
B4
B5
B2
Datanodes
B4
B5
B3
B3
B2
B2
Datos publicados por Google (2007)
200+ clusters
Muchos clusters de 1000+ máquinas
Pools de miles de clientes
4+ PB
Tolerancia fallos de HW/SW
N1
N2
N3

Ejercicio: Índice Inverso
Dada una serie de documentos, obtener la lista de palabras asociando a cada palabra el documento en el que aparece.
Ordenar los documentos según el mayor número de apariciones
Índice inverso
lugar doc16, doc21, doc23, doc45
Manchadoc22, doc2, doc4, doc9, doc11
Quijotedoc22, doc1, doc2, doc7
. . .
Documento 1
En un lugar de la Mancha ,de cuyo nombre no quiero acordarme no ha mucho tiempo que vivía un hidalgo de los de lanza en astillero, adarga antigua, rocín flaco y galgo corredor. Una olla de algo más…

Índice inverso: buscadores
Esquema básico de un buscador
consulta
Web
Búsqueda
P1
P1
P1
Web
crawling
Indexado
Índice
palabra1 doc1, doc23, doc4,…
palabra2 doc54,doc23
palabra3 doc1,doc7,d1oc9,doc5...
palabra4 doc7,doc9,doc10
…
Documentos
en caché

Índice inverso
Mezcla y ordena
d1
a
d2
a
reducer
d1
d3
a b
mapper
d1
d2
d2
d3
d1
a
d1
b
d2
a
a c a
d2
d1
b
mapper
reducer
d2
d1
c
b
d2
a
d2
c
d3
d3
a
reducer
d2
c
d3
a c
mapper
d3
d3
c
MapReduce
// ordena la lista de documentos por
// importancia
reducer(p,ds) {
ds1 = ordena(ds)
emit (p, ds1)
}
// devuelve cada palabra con su
// documento
mapper(d,ps) {
for eachp inps:
emit (p, d)
}

Ejercicio: Canciones populares
A partir de los logs de los usuarios de un servidor de música, obtener el número de veces que se escucha cada canción
Inspirado en last.fm
2/3/2010 9:41 Ana C1
2/3/2010 9:42 Dani C2
2/3/2010 9:44 Ana C2
2/3/2010 10:01 Luis C1
2/3/2010 10:10 Ana C3
2/3/2010 10:15 Ana C2
2/3/2010 10:20 Dani C2
2/3/2010 10:21 Luis C4
2/3/2010 10:24 Luis C2
2/3/2010 10:26 Luis C4
2/3/2010 10:27 Ana C4
C1 2 oyentes, 2 escuchas
Analizador

Ejercicio: canciones populares
Mezcla y ordena
A
A C1
C1
9:41
mapper
D C2
D
9:42
C2
A C2
A
9:44
C2
reducer
2
2
mapper
C1
L
L C1
C1
10:01
A
C
C1
A C3
A
reducer
3
10:10
5
C3
C2
C2
D
A
A
D
L
A C2
10:15
A
C2
reducer
1
C3
mapper
A
C3
D C2
D
10:20
C2
reducer
2
3
C4
L C4
10:21
L
L
L
A
C4
C4
L
L C2
C2
10:24
mapper
L C4
10:26
L
C4
MapReduce
A C4
10:27
A
C4

Ejercicio: Amigos comunes
Encontrar la lista de amigos comunes
Inspirado en Facebook
Ana  Dani Juan Luis
Dani Ana Juan Luis Mar
Juan  Ana Dani Luis Mar
Luis  Ana Dani Juan Mar
Mar  Dani Juan Luis
Ana
Dani
Mar
A  D J L
D  A J L M
J  A D L M
L  A D J M
M  D J L
Juan
Luis
Si Ana visita la página de Juan, el sistema debería mostrar Dani, Luis

Ejercicio: Amigos comunes
A D
D J L
A J
D J L
mapper
Mezcla y ordena
D J L
A
reducer
A L
D J L
J L
D J L
A J L M
A D
A D
D L
reducer
A D
A J L M
A J
A J
D J L
A D L M
D J
A J L M
mapper
D
A J L M
reducer
D J
A L
D J L
A D J M
A L
D L
A J L M
D M
A J L M
reducer
A L M
D J
A J L M
A D L M
D J
A J
A D L M
reducer
A J M
D L
A J L M
A D J M
D L
D J
A D L M
mapper
J
A D L M
reducer
J L
D M
J L
A D L M
A J L M
D J L
D M
J M
A D L M
reducer
A D M
J L
A D L M
A D J M
J L
A L
A D J M
reducer
D L
A D L M
D J L
J M
J M
D L
A D J M
mapper
L
A D J M
J L
A D J M
reducer
D J
A D J M
D J L
L M
L M
L M
A D J M
D J L
D M
MapReduce
M
D J L
mapper
D J L
J M
D J L
L M

Ejercicio: Similaridad
A partir de los logs, encontrar número de canciones en común entre 2 usuarios
Inspirado en Amazon (libros similares), Facebook (posibles amigos), etc.
Habitualmente se realizan varios pasos mapReduce

Ejemplo: Similaridad
A C1
9:41
D C2
9:42
A C2
9:44
Mezcla y ordena
A C
C1, 1
reducer
mapper
C1, 1
1
A C
A C
L C1
A
C
10:01
C1
A D
C2, 2
reducer
A D
A D
A C3
10:10
C2, 2
2
C2
D
A
A
D
L
A L
C2, 1
MapReduce1
A C2
10:15
reducer
A L
C4, 2
C2 1
C4 2
3
A L
A L
A
mapper
C3
D C2
10:20
L
L
A
C4
L C4
10:21
MapReduce2
L C2
10:24
L C4
10:26
A C4
10:27

MapReduce en la práctica
Múltiples aplicaciones:
Google en 2007, 20petabytes al día, en una media de 100mil trabajos mapreduce/día
El algoritmo PageRank puede implementarse mediante MapReduce
Casos de éxito:
Traducción automática, Similaridad entre ítems, ordenamiento (Hadoop ordena 500GB/59sg (véase: sortbenchmark.org)
Otras compañías: last.fm, facebook, Yahoo!, twitter, etc.

Implementaciones MapReduce
Google (interna)
Hadoop (open source)
CloudMapReduce (basado en servicios de Amazon)
Aster Data (SQL)
Greenplum (SQL)
Disco (Python/Erlang)
Holumbus(Haskell)

Librerías/lenguajes MapReduce
Hive (Hadoop): lenguaje de consulta inspirado en SQL
Pig (Hadoop): lenguaje específico para definir flujos de datos
Cascading: API para especificar flujos de datos distribuidos
Flume Java (Google)
Dryad (Microsoft)

Agradecimientos
Parte del contenido de esta presentación ha sido tomado de otras presentaciones similares de:
Jimmy Lin
Jeff Dean
Jose Manuel Redondo

http://jelabra.blogspot.com	155
http://jelabra.blogspot.com.es	34
http://jelabra.blogspot.com.ar	4
http://static.slidesharecdn.com	1
http://www.jelabra.blogspot.com	1
http://jelabra.blogspot.be	1

Cloud Computing y MapReduce

by Jose Emilio Labra Gayo

Accessibility

Categories

Upload Details

Usage Rights

6 Embeds 196

Statistics

Cloud Computing y MapReduce Presentation Transcript