Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

AWS Black Belt Tech シリーズ 2015 - Amazon Elastic MapReduce

31,237 views

Published on

AWS Blackbelt 2015年9月16日 Amazon Elastic MapReduceの資料です。今後の予定は以下をご覧ください。
http://aws.amazon.com/jp/about-aws/events/#webinar

Published in: Technology

AWS Black Belt Tech シリーズ 2015 - Amazon Elastic MapReduce

  1. 1. 1 Amazon Elastic MapReduce AWS Black Belt Tech Webinar 2015 アマゾン データ サービス ジャパン株式会社 ソリューションアーキテクト 岩永 亮介 2015/9/16 ※2016/08/17更新
  2. 2. 2 Amazon Elastic MapReduceの歴史 • 2009年に最初のリリース – MapReduceジョブを、ボタン1つで実行できる環境を提供 • Hadoopエコシステムの進化に対応 – Pig, Hive, HBase, Impala, Presto, Hue, Hadoop 2.0, Spark • AWSサービスの進化に対応 – Spot, IAM, DynamoDB, VPC, CloudWatch, CLI, Kinesis, KMS → もはやMapReduceだけではない!
  3. 3. 3 ビッグデータパイプライン S3 Kinesis DynamoDB AWS Lambda KCL Apps EMR EMR Redshift Machine Learning Collect Process Analyze Store Data Collection and Storage Data Processing Event Processing Data Analysis Data Answers
  4. 4. 4 分散処理基盤 • 分散処理に必要なリソー スを簡単に調達/廃棄可能 – Master/Core/Task node – EMRFS – Bootstrap Action, Steps 分散処理アプリケーション • 複雑な設定無しに分散アプ リケーションを利用可能 – Hadoop, YARN – Hive, Pig, HBase, Spark.. Amazon EMRを構成する2つの要素
  5. 5. 5 Agenda • 分散処理基盤としてのAmazon EMR • Amazon EMR主要アップデート (2014/10以降) • 分散処理アプリケーションとしてのAmazon EMR • まとめ
  6. 6. 6 分散処理基盤としてのAmazon EMR - アーキテクチャ -
  7. 7. 7 Task Node Task Instance Group Amazon EMRのアーキテクチャ security group security group Master Node Master Instance Group Amazon S3 Amazon DynamoDB Amazon Kinesis Core Node Core Instance Group HDFS HDFS HDFS HDFS Task Node Task Instance Group スレーブ群を 管理 HDFS アクセス AWSサービス アクセス
  8. 8. 8 Amazon EMR Master Instance Group • Master Nodeは1つ – Failoverは非対応 • いわゆるマスターの 役割を担う – NameNodeや JobTrackerなどが動く – Core NodeやTask Nodeの監視 Master Node Master Instance Group Hadoop1: JobTracker Hadoop2: ResourceManager HDFS: NameNode Hive: HiveServer, MetaStore Presto: Coordinator
  9. 9. 9 Amazon EMR Core Instance Group • 1つ以上のCore Node • いわゆるスレーブの 役割を担う – TaskTrackerなど – DataNodeが動きロー カルディスクがHDFS として使われる HDFS Core Node Core Instance Group Hadoop1: TaskTracker Hadoop2: NodeManager HDFS: DataNode Presto: Worker
  10. 10. 10 Amazon EMR Core Instance Group • Core Node追加可能 – HDFS容量増加 – CPU/RAM増設 • HDFSを持っているた め、削減はできない – 4.1.0からは削減も可 能に HDFS Core Node Core Instance Group Hadoop1: TaskTracker Hadoop2: NodeManager HDFS: DataNode Presto: Worker
  11. 11. 11 Amazon EMR Task Instance Group • HDFSを持たない以外 はCoreと同じ役割 • HDFSのデータは Core Nodeにアクセ スする • HDFSを持たないので 削除も自由 Task Node Task Instance Group Hadoop1: TaskTracker Hadoop2: NodeManager (Presto: Worker)
  12. 12. 12 Amazon EMR Task Instance Group • 複数Group設定可能 – Spotのbid価格を調整 – Instance Typeを調整 • 余っているRIを活用 したり、市場価格に 合わせてSpotを調整 したりと柔軟に対応 Task Instance Group 2 Task Instance Group 1 c3.xlarge * 2 bid: $0.1 r3.xlarge * 2 bid: $0.5
  13. 13. 13 Spot Instanceの活用例 Task Instance GroupCore Instance Group 予測されたコストで最低要件を満たす 低コストでより高速に On-demandを Core Nodeに利用 最低要件を満たすだけ のキャパシティをOn- demand価格で確保 Spot Instanceを Task Nodeに利用 On-demandの最大 90%引き程度の価格で 追加のリソースを確保 例: m3.xlarge 6台で10時間かかる処理 (倍の12台なら、5時間で終わると仮定) Core Node(On-demand)のみ: $0.336×10h×6台 = $20.16 で10時間※ Task Node(Spot)で倍に: $0.336×5h×6台 + $0.12×5h×6台 = $13.68 で5時間※ ※2015年9月16日現在のus-east-1の価格です。Spotの価格は時によって変動するので仮の価格です。
  14. 14. 14 分散処理基盤としてのAmazon EMR - 機能・特徴 -
  15. 15. 15 EMRFS: Amazon S3をHDFSの様に扱う • 計算資源とストレージを隔離できる • クラスタのシャットダウンが可能 – クラスタを消してもデータをロストしない • 複数クラスタ間でデータ共有が簡単 – クラスタのバージョンアップ検証が並行できる • データの高い耐久性 EMR EMR Amazon S3
  16. 16. 16 EMRFSの特徴 • “s3://”と指定するだけで利用可能 • Amazon S3の機能がそのまま使える – 例: 古いデータはAmazon Glacierに自動で移動させる • Amazon S3のサーバサイド・クライアントサイ ドの暗号化も利用可能 – 他のアプリでクライアント暗号化したAmazon S3データも読み 出し可能 • クラスタを消してもデータは消えない
  17. 17. 17 EMRFSのConsistent View • Amazon S3は結果整合性 – 書き込み直後の読み取りは不整 合の可能性 • EMRFSではConsistent View を提供 – Amazon DynamoDBにメタデー タを格納し整合性担保 • 結果としてオブジェクトのリ スト取得も高速に Amazon S3 Amazon DynamoDB EMRFSの メタデータを格納
  18. 18. 18 Amazon EMRならではの使い方 • 必要な時だけクラスタ起動 – 消せばお金はかからない – 処理が終わったら自動で消え る設定も可能 • データは全てAmazon S3 – クラスタを消してもデータは 消えない – データを貯める段階ではクラ スタ不要 t
  19. 19. 19 Amazon EMRの機能: Bootstrap Action • 全てのNode起動時に実行されるスクリプト – 実行可能ファイルであれば何でもOK • Bash, Ruby, Python, etc. – Amazon S3に置いて指定、コマンドライン引数も自由に指定 • 任意のソフトウェアをインストールしたり、設 定したりできる – AWS提供のものもいくつか存在する
  20. 20. 20 Amazon EMRの機能: Step • クラスタが準備できたら始まる処理 – クラスタ起動時に設定することもできるし、起動しているクラスタ に後から追加することもできる – 例: 日次のETL処理を行うHiveQL実行 • Amazon S3上のjarファイルを指定して実行 – Streaming, Hive, Pig, SparkはEMRがサポート – script-runner.jarでbashスクリプトを実行させることも可能 • 最後のStepが終わったら自動でクラスタを終了させ ることもできる(Auto-terminate)
  21. 21. 21 Amazon EMRでのジョブ実行方法 • Stepで実行 – Amazon EMRの仕組みの上で実行 – 成功/失敗等を簡単に管理できる – 現状はシリアル実行のみ • 各アプリケーション毎のインタフェースで実行 – Master Nodeにsshして、コマンド実行 – Hiveserver, spark-submit等でジョブを叩き込むなど
  22. 22. 22 Amazon EMR主要アップデート(2014/10以降)
  23. 23. 23 Amazon EMR主要アップデート (2014/10以降) • (前出)複数のTask Node Group • カスタムSecurity Group • Amazon S3のクライアントサイド暗号化対応 • アプリケーションサポート追加(Hue, Spark) • Private SubnetでもEMRが起動可能に • EBSの設定が可能に & M4/C4もサポート • Release 4.x, 5.x
  24. 24. 24 カスタムSecurity Groupが利用可能に • 自身で作成したSecurity Groupを指定可能 – 例: クラスタ毎に別のSecurity Groupを設定して、分離度を上げる • Security Groupは2種類 – Managed: 必須、必要なルールが自動的に追加される • SG内、master-slave間、管理用通信(Amazonから8443 portへ) – Additional: 任意、追加のルールを設定する用途 https://aws.amazon.com/about-aws/whats-new/2015/01/22/customizable-security-groups-and- multiple-task-instances-now-available-for-amazon-emr/
  25. 25. 25 Amazon S3クライアントサイド暗号化対応 • EMRFSの拡張として提供 – EMRFSを使っていれば透過的に暗号化・復号される • クライアントサイド暗号化 – (サーバサイド暗号化では、Amazon S3の内部で暗号化も復号も行う) – クライアントサイド暗号化では、Amazon EMRで暗号化・復号する • Amazon S3への保存前に暗号化して保存する • 鍵の提供元として、Amazon KMSまたはカスタムプロバイダを指定可能 https://aws.amazon.com/about-aws/whats-new/2015/03/amazon-emr-support-for-amazon-s3-client- side-encryption-now-available/
  26. 26. 26 EMRFS – クライアントサイド暗号化 Amazon S3 クライアントから AmazonS3に暗号化して保存 クライアントサイド暗号化を有効化した EMRFSで復号して読み込み キーベンダー (AWS KMSか、カスタムのプロバイダ) (クライアントサイドで暗号化されたオブジェクト)
  27. 27. 27 アプリケーションサポートの追加 • Spark – AMI Version 3.8.0以降 • Hue – AMI Version 3.3.0以降 – Release 4.1.0以降 • Release 4.0.0には含まれていないので注意 https://aws.amazon.com/about-aws/whats-new/2015/06/apache-spark-now-available-on-amazon-emr/ https://aws.amazon.com/about-aws/whats-new/2014/11/07/amazon-elastic-mapreduce-now-supports-hue/
  28. 28. 28 Private SubnetでもEMRが起動可能に • SubnetがPrivateでも起 動可能に – EMR 4.2.0以降で対応 • Publicとの違い – S3のVPC endpointが必要 – DynamoDB等へのアクセ スにはNAT GW等が必要 – EMR Serviceが利用する Security Groupが必要
  29. 29. 29 EBSの設定が可能に&M4/C4もサポート • EMRのAPI等からEBS を設定可能に – タイプ、サイズ等を指定 可能 • EBSのSC1/ST1もサ ポート – HDFSで効果を発揮する • M4とC4が利用可能に
  30. 30. 30 Amazon EMR Release (2015/07以降) • Release 4.0.0 – 2015/07 • Release 4.1.0 – 2015/09 • Release 4.2.0 – 2015/11 • Release 4.3.0 – 2016/01 • Release 4.4.0 – 2016/03 • Release 4.5.0 – 2016/04 • Release 4.6.0 – 2016/04 • Release 4.7.1 – 2016/06 • Release 4.7.2 – 2016/07 • Release 5.0.0 – 2016/08 • 約12ヶ月間で10回のリ リース • 進化の早いHadoopエ コシステムに追従して いくため
  31. 31. 31 Amazon EMR Release登場 • ポートやパスを標準的なものへ変更 – Amazon EMR独自の設定から、オープンソースの標準設定へ • アプリケーションの設定を直接的に変更できる様に – 設定ファイルを編集するのではなく、パラメータを直接指定できる • マネージメントコンソール、ドキュメントも刷新 – Quick Createでより簡単にクラスタ作成 – ドキュメントは、Management GuideとRelease Guideへ ※従来のAMIベースのバージョンの時との差分について、ドキュメントに詳細がまとまっています http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide/emr-release-differences.html
  32. 32. 32 Release: ポートやパスの変更 • オープンソースの標準的な設定に変更 – 従来はカスタムのポートやパスを利用していた – 変更例: • yarn.resourcemanager.webapp.address port 9026 => 8088 • /home/hadoop/hive => /usr/lib/hive, /etc/hive/conf, /var/log/hive • 実行ユーザもコンポーネント毎に別ユーザへ – 従来は全てhadoopユーザだった – yarnユーザ、hiveユーザなどに変更
  33. 33. 33 Release: アプリケーションの設定変更 • Classification + Propertiesで直接的な指定 – 従来はBootstrap Actionなどで変更していた – 以下の様な構造のデータを指定するだけで設定変更可能になった http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide/emr-configure-apps.html [ { "Classification": "mapred-site", "Properties": { "mapred.tasktracker.map.tasks.maximum": "2", "mapreduce.map.sort.spill.percent": "90", "mapreduce.tasktracker.reduce.tasks.maximum": "5" } } ] /etc/hadoop/conf/mapred-site.xml に設定値が記述される
  34. 34. 34 Release: コンソール、ドキュメント変更 • マネージメントコンソールでQuick Create可能に – ソフトウェア、ハードウェア、セキュリティの3項目だけ – 従来通りのコンソールもGo to advanced optionsのリンクから利用可能 • ドキュメントが新たにリリース – Management Guide • Amazon EMRのサービスとプラットフォームに関するドキュメント • http://docs.aws.amazon.com/ElasticMapReduce/latest/ManagementGuide – Release Guide • インストールされているソフトウェア等のリリースに関するドキュメント • http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide
  35. 35. 35 アプリケーションの変更履歴 (〜4.7.2) 続く
  36. 36. 36 アプリケーションの変更履歴 (〜4.7.2)
  37. 37. 37 アプリケーションの変更履歴 (〜5.0.0)
  38. 38. 38 Release 4.0.0 • サポートアプリケーションが以下に変更 – Hadoop 2.6.0 – Hive 1.0.0 – Pig 0.14.0 – Mahout 0.10.0 – Spark 1.4.1 • Apache Bigtopベースのパッケージングシステムへ – これまでよりも、速い更新が可能に
  39. 39. 39 Release 4.1.0 • アプリケーション更新 – Spark 1.5.0 – Hue 3.7.1 (新規) • サンドボックスで、開発中のアプリケーションも利 用可能 – Presto 0.119 – Zeppelin 0.6 (Snapshot) – Oozie 4.0.1
  40. 40. 40 Release 4.2.0 • アプリケーション更新 – Spark 1.5.2 – Ganglia 3.6.0 (新規) • サンドボックス更新 – Presto 0.125 – Zeppelin 0.5.5 – Oozie 4.2.0
  41. 41. 41 Release 4.3.0 • アプリケーション更新 – Hadoop 2.7.1 – Spark 1.6.0 – Ganglia 3.7.2 • サンドボックス更新 – Presto 0.130
  42. 42. 42 Release 4.4.0 • アプリケーション更新 – HCatalog 1.0.0 (新規) – Mahout 0.11.1 • サンドボックス更新 – Sqoop 1.4.6 (新規) – Presto 0.136 – Zeppelin 0.5.6 • Sparkのデフォルト設 定変更 – Dynamic allocationが デフォルトで有効に • Java 8が同梱 – JAVA_HOMEを設定する だけで使える
  43. 43. 43 Release 4.5.0 • アプリケーション更新 – Spark 1.6.1 – Hadoop 2.7.2 • サンドボックス更新 – Presto 0.140 • EMRFSの機能追加 – S3のSSE-KMS暗号化 が利用可能に • AWS KMSで作成した CMKを指定できる
  44. 44. 44 Release 4.6.0 • アプリケーション更新 – HBase 1.2.0 (新規) – NoSQL on Hadoop • サンドボックス更新 – Zookeeper 3.4.8 (新規) – Presto 0.143
  45. 45. 45 Release 4.7.1 ※バグ修正があったので4.7.0は非推奨 • アプリケーション更新 – Phoenix 4.7.0 (新規) – SQL on HBase – Tez 0.8.3 (新規) – DAG engine on YARN – HBase 1.2.1 – Mahaut 0.12.0 • サンドボックス更新 – Presto 0.147
  46. 46. 46 Release 4.7.2 • アプリケーション更新 – Mahout 0.12.2 – Spark 1.6.2 • サンドボックス更新 – Presto 0.148
  47. 47. 47 Release 5.0.0 • アプリケーション更新 – Hive 2.1 – Presto 0.150 – Spark 2.0 (Scala 2.11) – Hue 3.10.0 – Pig 0.16.0 – Tez 0.8.4 – Zeppelin 0.6.1 • デフォルト変更 – Java 8 – Tez (Hive, Pig) • デバッグ改善 – Stepの失敗理由が簡単に見 れる様に • Sandboxが無くなった – アプリケーション名が変更 されたので注意
  48. 48. 48 分散処理アプリケーションとしてのAmazon EMR
  49. 49. 49 Amazon EMRにおけるアプリケーション • サポートアプリケーション – クラスタ作成時に簡単なオプションをつけるだけでインストー ル可能なもの – Release Label/AMI Version毎に使えるアプリケーション、 バージョンが異なる • カスタムインストールアプリケーション – サポートが無くても、Bootstrap ActionやStepsを組み合わせ て任意のアプリケーションをインストール可能
  50. 50. 50 アプリケーション: Hadoop • YARN = Yet-Another-Resource- Negotiator • Hadoop2から導入されたリソース管 理の仕組み – 以前は全てJobTrackerが行っていた • Resource Requestベースのスケ ジューラ – ApplicationMasterからのリクエストに 応じて、空いているリソースを ResourceManagerが割り当てる MapReduce Pig Hive Other Other HDFS Other Map ReducePig Hive YARN HDFS Hadoop V1 Hadoop V2
  51. 51. 51 YARN: ResourceManager • マスターサーバで稼働 • スレーブ群のリソース情 報を集約 – CPU, Memory, etc. • 必要なリソースを探して 割り当てる • ジョブの管理は行わない – ApplicationMasterの仕事 http://hadoop.apache.org/docs/current/hadoop-yarn/hadoop-yarn-site/YARN.html
  52. 52. 52 YARN: NodeManager • スレーブサーバで稼働 • そのサーバのリソース情 報をRMに報告 • サーバ上のContainerの 管理を行う – 要求に答えてContainerを 起動する http://hadoop.apache.org/docs/current/hadoop-yarn/hadoop-yarn-site/YARN.html
  53. 53. 53 YARN: Container • スレーブのリソースが切 り出されたもの • NMによって起動される • 実行方式 – DefaultContainerExecutor • プロセス – LinuxContainerExecutor • cgroups – DockerContainerExecutor • Docker http://hadoop.apache.org/docs/current/hadoop-yarn/hadoop-yarn-site/YARN.html
  54. 54. 54 YARN: ApplicationMaster • ジョブ全体を管理する Container – 旧JobTrackerの様な存在 – ジョブ毎に1つのAM • ジョブを分散処理する Container全体の進捗管 理や監視を行う – Scheduler http://hadoop.apache.org/docs/current/hadoop-yarn/hadoop-yarn-site/YARN.html
  55. 55. 55 Amazon EMRとYARN • MapReduce, Hive, Pig, Spark on YARN – Amazon EMRクラスタが持つ計算資源を、YARNがアプリケー ションに割り振ってくれる • マルチテナントなクラスタも簡単に作れる – MRでもHiveでもSparkでも、共通のリソースを分割して使える
  56. 56. 56 アプリケーション: Hive • SQL likeな宣言的言語で、ビッグデータに対する処理が 行えるアプリケーション • データソースに対してスキーマを定義することで、あた かもテーブルの様に扱える – 通常はHDFSがデータソース – Amazon EMRではEMRFS(Amazon S3)が利用可能 • 他にも、Amazon Kinesis, Amazon DynamoDBへのコネクタを提供 • 処理の実際は実行エンジンによって異なる – MapReduce, Tez, Spark https://hive.apache.org/
  57. 57. 57 Hiveの処理例 Metastore HDFS Cluster Amazon S3 Hiveserver CREATE TABLE SELECT FROM 1: テーブル定義で HDFSやAmazon S3 をソースに指定 2: テーブル定義 がメタデータとし て保存される 3: 定義したテーブル に対して処理を実行 4: テーブルの メタデータを 取得 5:クラスタに 処理を依頼 6: 実際のデー タソースから 読み出しつつ 指定された処 理を行う Amazon DynamoDB Amazon Kinesis
  58. 58. 58 Hive Metastoreの重要性 • 他のSQL実行エンジン でも同じMetastoreを 参照可能 • MetastoreのMySQLを クラスタ外に持つこと も可能 – Amazon EMRの通常は Masterのローカル Metastore Amazon S3 HDFS
  59. 59. 59 新しいファイルフォーマット ORC File / Parquet • 列指向ファイルフォーマット – カラム毎にデータをまとめて保存する – 特定の列を扱う処理ではファイル全体を読む必要が ない – → Optimized Row Columnar(ORC) File / Parquet • 行指向ファイルフォーマット – 1行ずつファイルに保存する – 1カラムのみ必要でも、レコード全体を読む必要があ る – → TEXTFILE, SEQUENCEFILE ORCのデータ構造 https://orc.apache.org/docs/spec-intro.html
  60. 60. 60 列指向フォーマットを使うメリット • 特定列のみの読み書きが効率的 – ビッグデータ分析では全列を使うことは稀 – 単純な統計データならメタデータのみで完結する • 列毎には似たデータが続くので圧縮効率が良い • 行毎にグループ化されているので、1行のデー タは1つのファイルに収まっている
  61. 61. 61 HiveでのORC File/Parquetの使い方 • テーブル定義で指定 するだけ • あとは何も意識しな くて良い CREATE TABLE t ( col1 STRING, … ) STORED AS [ORC/PARQUET]; INSERT INTO t (…); SELECT col1 FROM t;
  62. 62. 62 HiveでAmazon Kinesisのデータを処理 • Amazon Kinesisが保持するStreamデータを、Hiveの テーブルとして扱える – Amazon Kinesisの保持期限を考慮して、データアーカイブ用途など – 注: Hiveでは速度が出ないので、いわゆるストリーム処理は厳しい • Stream内のShard毎にMapperがデータを読み出す – デフォルトはAmazon Kinesisの保持データをフルスキャン – チェックポイント(Amazon DynamoDBに記録)を使うと、前回読みだした データ以降のみ読むことも可能 Shard-0 Shard-1 Mapper Mapper SELECT FROM 123 id data 1 … 2 … 3 … Amazon Kinesis
  63. 63. 63 HiveでAmazon Kinesisのデータを処理 Hiveテーブル作成 Amazon Kinesis Streamを指定 HQLの実行(例) 通常のHQLを実行するだけ。 内部的にはAmazon Kinesis からデータを取得し処理を行う
  64. 64. 64 アプリケーション: Spark • 高速な分散処理フレーム ワークとして話題 – メモリキャッシュ、なるべく ディスクを使わない – 繰り返し処理(機械学習等)で 効果が高い • フレームワーク上で、更に アプリケーションが展開 – SQL,ストリーム,機械学習,グ ラフ http://spark.apache.org/
  65. 65. 65 Spark SQL & DataFrame API • Spark SQL – DataFrame APIを操作する 1つの手段 – Hive Metastoreも利用可能 • DataFrame API – RDD + Schema – SQL/Java/Scala/Python/ Rで同等の処理速度を実現 • JVMのバイトコードへ変換 http://www.slideshare.net/databricks/2015-0616-spark-summit/16 http://spark.apache.org/sql/
  66. 66. 66 • Discretized Stream(DStream)と呼ばれる、高 レベルの抽象表現 • Resilient Distributed Dataset(RDD)のシーケン スとして表現される – いわゆる、マイクロバッチ処理 DStream RDD@T1 RDD@T2 Messages Receiver Spark Streaming – 基本コンセプト
  67. 67. 67 Amazon KinesisとSpark Streaming • Amazon KinesisのStreamが、Amazon EMR上の SparkにDStreamとして流れてくる – Sparkの中にAmazon Kinesis用のライブラリが同梱されている – 裏側では、Kinesis Client Libraryを利用して読み込み • 数秒〜数分のマイクロバッチで、ニア-リアルタイム処 理を実現 – 速報値ダッシュボード、異常検知など http://spark.apache.org/docs/latest/streaming-kinesis-integration.html Shard-0 Shard-1 KCL thread KCL threadAmazon Kinesis DStream RDD@T1 RDD@T2
  68. 68. 68 Spark Dynamic Resource Allocation • 複数Executorのメモリ上でRDDをキャッシュ – Heapを全て使えるわけではないので、サイズに注意 • Dynamic Resource Allocation = Executorの 数を動的に調整可能 – StreamingのApplicationがトラフィックに合わせてスケール – spark-shell等が使わないリソースを確保し続けることもない – 4.0.0では面倒な設定が終えてあるので、すぐに利用可能! https://spark.apache.org/docs/1.4.1/job-scheduling.html
  69. 69. 69 まとめ
  70. 70. 70 分散処理基盤 • 分散処理に必要なリソー スを簡単に調達/廃棄可能 分散処理アプリケーション • 複雑な設定無しに分散アプ リケーションを利用可能 Amazon EMRで分散処理 分散処理したいデータがあるなら、ボタン1つで今すぐに!
  71. 71. 71 参考資料(英語) • Amazon EMR Management Guide http://docs.aws.amazon.com/ElasticMapReduce/latest/ManagementGuide • Amazon EMR Release Guide http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide • Amazon EMR API Reference http://docs.aws.amazon.com/ElasticMapReduce/latest/API/ • Amazon EMR Developer Guide (2.x and 3.x 向け) http://docs.aws.amazon.com/ElasticMapReduce/latest/DeveloperGuide/ • AWS CLI emr http://docs.aws.amazon.com/cli/latest/reference/emr/index.html
  72. 72. 72 Q&A 次回Webinarのお申し込み http://aws.amazon.com/jp/event_schedule/
  73. 73. 73 Webinar資料の配置場所 • AWS クラウドサービス活用資料集 – http://aws.amazon.com/jp/aws-jp-introduction/
  74. 74. 74 公式Twitter/Facebook AWSの最新情報をお届けします @awscloud_jp 検索 最新技術情報、イベント情報、お役立ち情報、お得なキャンペーン情報などを 日々更新しています! もしくは http://on.fb.me/1vR8yWm
  75. 75. 75 ご参加ありがとうございました。
  76. 76. 76 Appendix
  77. 77. 77 IAM Roleの指定が必須に • 2015年6月30日以降、IAM Roleを指定しないとク ラスタが起動できなくなった • IAM Roleは2種類、デフォルトで作成される – EMR role • Amazon EMRが、Amazon EC2を起動したりするのに必要な権限 – EC2 instance profile • Amazon EC2が、Amazon S3等にアクセスするのに必要な権限 http://aws.typepad.com/sajp/2015/06/emr-mandatory-iam-update.html
  78. 78. 78 Amazon EMR Application 紹介 for 5.0.0 • 分散処理系 – Hadoop, Hive, Tez, Spark, Presto, Pig, Mahout, Sqoop • データベース系 – HBase, Phoenix • GUI系 – Hue, Zeppelin, Oozie • その他 – Ganglia, HCatalog, Zookeeper
  79. 79. 79 Application 紹介: 分散処理系 • Hadoop – 分散処理の基盤。YARN(リソース管理)+HDFS(分散ストレージ)の上で、 各種アプリが実行される。MapReduceもその1つ。多くのEMRアプリが YARNを使うので、ほぼ必須。 • Hive – YARN上で実行される、分散SQL実行環境。実行エンジンとして MapReduceなどが使える。S3のデータを直接読み書き可能。 • Tez – YARN上でDAG(有効非巡回グラフ)を実行するのに最適化したエンジン。 Hiveの実行エンジンに指定するだけで、多くのHiveクエリが高速化する。
  80. 80. 80 Application 紹介: 分散処理系 • Spark – 分散処理のフレームワーク。YARN上で実行でき、MapReduce よりも高速かつ簡単に分散処理可能。Spark上でSpark SQL(Hive互換)やSpark Streaming(ストリーム処理), MLlib(機 械学習)といったこともでき、今最も注目されるプロジェクト。 • Presto – 分散SQL実行エンジン。YARNではなく独自のクラスタ構成だが、 SQLの実行に特化していてかなり高速。異なるストレージ間で のJOINも可能。SQLはANSI SQL準拠。
  81. 81. 81 Application 紹介: 分散処理系 • Pig – MapReduceを独自DSLで定義して実行できる。新規で使われるこ とは最近少なくなってきた。 • Mahout – MapReduceやSpark上で動く機械学習ライブラリ。新規で使われ ることは最近少なくなってきた。 • Sqoop – RDBMSと、HDFSやS3の間でのデータの移動をMapReduceで分散 処理する。
  82. 82. 82 Application 紹介: データベース系 • HBase – HDFS上に構成される分散KVS。高いスループットや大容量な データの扱いが得意。 • Phoenix – HBaseのデータに対してSQLインタフェースでアクセスできる。
  83. 83. 83 Application 紹介: GUI系 • Hue – Hiveのテーブルを管理、クエリを実行して結果を確認できるGUI。 • Zeppelin – GUIからSparkのコードやSpark SQLを実行したり、結果をグラフ などで可視化し、それを保存・再実行できるノートブック。 • Oozie – ワークフローを定義してスケジュール実行できる。MapReduceや Hiveなどをジョブとして扱える。
  84. 84. 84 Application 紹介: その他 • Ganglia – インスタンスのリソース(CPU,Memory,Network等)の状態を収集 して、可視化できる運用ソフト。 • HCatalog – HiveのテーブルにPig等からアクセスできるようにするツール。 • Zookeeper – 分散型のコーディネータで、KVSや分散ロック、リーダー選定等の 機能を持つ。分散処理アプリの裏側で使われている(HBase)。

×