リクルートライフスタイルの考えるストリームデータの活かし方(Hadoop Spark Conference2016)

リクルートライフスタイルの考える
ストリームデータの活かし方
～AWS + Kafka + Spark Streaming～
車田篤史
ネットビジネス本部
アーキテクト1グループ
データ基盤チーム
堤崇行
ITサービス・ペイメント事業本部
...

1. リクルートスタイルにおけるビッグデータとは
2. ビッグデータの過去・現在・未来
3. Waterプロジェクトとは
4. ポンパレモールでの利用例
5. 技術詳細＆ストリーム処理Tips
6. まとめ
アジェンダ1

• 車田篤史(くるまだあつし)
• 1999年信号機メーカーで回路設計とか組込みLinuxやってました
• 2011年広告配信系のインフラ(HadoopとかDWH)をやってました
• 2015年リクルートライフスタイル入社
• データ...

堤崇行 (つつみたかゆき)
• 所属
– 株式会社ＮＴＴデータ
• 経歴
– 2011年 Webアプリ開発者
– 2012年データ活用（分析基盤、サーバーサイド開発）
• 最近使っている技術
– Apache Spark, Ansible...

リクルートライフスタイル様の
ビジネスパートナーとして
データの価値創出や戦略を共に考え
データ活用の世界観を共に描いていけるよう
サポートしています。
会社紹介5

リクルートライフスタイルのミッション6

データ基盤チームの役割
Engineering
for data
Business
with data
エンジニアが
ビジネスを推進する
安定したインフラ基盤継続的な開発+
7

• 容量(Volume)
– データ量の制限なく保存できる
• 集約(Variety)
– 多様なデータが1箇所に集まっている
• 鮮度(Velocity)
– 保存データをすぐに利用できる
• 活用
– データを活用できなかったら意味が無い
...

• 容量
– 日々増加し続けるデータ量
(数十TB規模に増加、行動ログは1,000億レコード規模)
• 集約
– RDB/ファイル等にデータが点在している
• 鮮度
– 集計処理に時間がかかる
• 活用
– あまり活用できていない…
リクルート...

現在の共通分析基盤
約300人の分析者
データサイエンティスト
IBM Netezza
Amazon Redshift
TreasureData
ETLフレームワーク
10

容量：DWHを導入！
IBM Netezza
Amazon Redshift
TreasureData
11

集約：自作ETLフレームワーク！
IBM Netezza
Amazon Redshift
TreasureData
12

活用：統計ツール/BIツールの導入
IBM Netezza
Amazon Redshift
TreasureData
13

☆まだまだ課題はたくさん…
14

• 集約
– レガシーなリソースからもデータが取得できる
– 過去〜直近のデータも一様に取得できる
– データハブ基盤が必要！
• 鮮度
– リアルタイムにデータを集計・利用したい
– ストリーム処理基盤が必要！
Waterプロジェクトを立ち上...

• 「蛇口をひねれば新鮮な水が出てくる」
• Kafkaを使用したデータハブ基盤の構築
• Sparkを使用したストリーム処理基盤の構築
• 「データから創出できるサービス」を検討し、
エンジニアがビジネスに貢献する！
Waterプロジェクトと...

vs
☆検証→開発→運用環境を即座に構築できる！
☆キャパシティ設計可能なサービスは便利！
(DynamoDB/API Gateway等)
検討したもの(クラウド or オンプレミス)17

vs
☆コアテクノロジーについてはOSSを採用
☆汎用性の高いハブ基盤を目指した！
検討したもの(データハブ基盤)18

vs
☆ (MLlib等)コンポーネントが多い！
☆ 今後の展開を見据えてSpark Streaming
検討したもの(ストリーム処理基盤)19

Grand Design
DynamoDB Lambda
API
Gateway
Kafka
on-premises
Configuration
Management
Monitoring
Grafana
20

データハブ基盤
DynamoDB Lambda
API
Gateway
on-premises
Configuration
Management
Monitoring
Grafana
21
Kafka

ストリーム処理基盤
Lambda
API
Gateway
on-premises
Configuration
Management
Monitoring
Grafana
22
Kafka DynamoDB

データ提供部分(API)
Kafka
on-premises
Configuration
Management
Monitoring
Grafana
23
DynamoDB Lambda
API
Gateway

• 鮮度の高いデータを活用することで創出できる
サービス案を検討してみた
– 「みんなが注目している」商品を知りたい！
– 売り切れてしまう前に手に入れたい！
– 興味を持っている(商品を見ている)人に伝えたい！
ポンパレモール(ECサイト)上...

ポンパレモールでの利用例25

ポンパレモールでの利用例26
ウインドウ期間を設定可能！

ちなみに効果は？
• A/Bテストの結果、
☆104%(スマホ)
☆115%(PC)
27

☆技術詳細＆ストリーム処理Tips！
28

技術詳細 & Tips
DynamoDB Lambda
API
Gateway
Kafka
on-premises
Grafana
2. 入力 3. ストリーム処理 4. 出力
5. モニタリング
1. アーキテクチャ

アーキテクチャ
DynamoDB Lambda API
Gateway
Kafka
Web Server
Grafana
on-premise Customers
Cloud
30
入力処理データ
ストア出力

Cloud
Customerson-premise
入力
DynamoDB Lambda API
Gateway
Configuration
Management
Monitoring
Grafana
31
Kafka
Web Server

オンプレからクラウドへデータ連携
Spark Streamingを活かす入力
Secure
Forward
Web Server
Kafka
On-premises Cloud
32
KafkaDirect
API

fluentd-Kafka連携のチューニングポイント
Web Server
Kafka
33
要チューニング

今後
よりシンプルなアーキテクチャ
Web Server
Kafka
Version UP
34

Cloud
ストリーム処理
Lambda API
Gateway
Web Server
Configuration
Management
Monitoring
Grafana
35
DynamoDBKa...

パーティション数
36 Spark Streaming Tips
Kafka
スループット確保
• Sparkからみると
多いことも
各パーティションで扱う
データ量調整
• 集計処理に合わせて
リパーティション

ログ設定
37 Spark Streaming Tips
Log
Log
ログ出力の定常的なチューニングが必要
• ローテーション
• パージタイミング
• エラーレベル
記憶域を
圧迫
とは要求レベルが異なるので別管理
新詳細に残す
古
捨...

• Spark Streamingアプリの開発
– 理想
• 開発者のPCで実装・デバッグができる
• テスト環境で本番同様に実行できる
– 現実
• スペック不足による停止か環境問題か判別が難しい
• 本番相当のテストまで問題を回収しきれない...

• ストリーム処理を動かし続けるポイント
– 理想
• ストリーム処理は止まらず稼働を続ける
– 現実
• Spark外の入出力部分起因のエラーも発生
• 1つ1つのエラーに対応すると
処理が終わらなくなり全体が停止する
– 対策
• ストリー...

• 動き続けるストリーム処理の定義
– 理想
• ストリーム処理は止まらず稼働を続ける
– 現実
• 停止は発生する
• ストリーム処理の停止とシステム全体の停止は異なる
– 対策
• ビジネス要件を満たす稼働状況を定義し
影響を小さくするアー...

今後
バッチタイプとの統合
Spark Streaming活用41
バッチ
ストリーム
Data Store

Cloud
出力
Kafka
Web Server
Configuration
Management
Monitoring
Grafana
42
DynamoDB Lambda API
Gateway

ストリーム処理と出力の独立性
Spark Streamingを活かす出力
データストア Web API
アクセス
不可状態
処理停止
API
停止
アクセス
不可状態
高負荷
による停止
正常稼動正常稼動
API
停止
正常稼動処理停止正常...

アーキテクチャのメリット / デメリット
44 Spark Streamingを活かす出力
DynamoDB Lambda API Gateway
メリット
シームレスなスケーリング
データストア〜APIで透過的にインスタンスがなく運用が楽
低...

• データストアとしてDynamoDBを選んだ理由
– データをUpdateする実装のため
書き込みと呼び出し常時発生
– Web APIのレスポンスを考慮すると
一貫性よりもスループットを重視
• 工夫点
– DynamoDBは平準的な
アク...

今後
Spark Streamingを活かす出力
DynamoDB
46
Lambda API Gateway
他データストア対応 APIの柔軟性向上
Web Application
データストアデータアクセス

Cloud
運用設計（モニタリング）
DynamoDB Lambda API
Gateway
Kafka
Web Server
Configuration
Management
47
Monitorin...

時系列DBを利用した性能の観測・可視化
運用設計48
Grafana Dashboards AWS CloudWatch Dashboards
DynamoDB Lambda API Gateway
Kafka

今後
運用設計49
Grafana
DynamoDB
Lambda
API Gateway
Kafka
メトリクスの集約観測・予測によるオートスケール
Cluster
Cluster

振り返り
• 少人数で機動力持って出来た！
– 検証を重ねるべき部分は時間をかけつつ、短期で作り上げた
• 「なかったら作る」の姿勢
– プロダクトとプロダクトの隙間は自分で埋める
• OSSに対する取り組み
– コアテクノロジーはOSSを使い...

• まだ道は半ばです！
• やってみたいこと
– データソースを増やしてハブ化を推進！
– 横展開
– 新しいサービスを作りたい！
– 基盤を使ってサービス完成までの時間を短縮したい！
• エンジニアがビジネスを創出する環境を作る！
これから51

ご清聴ありがとうございました
53

リクルートライフスタイルの考える ストリームデータの活かし方(Hadoop Spark Conference2016)

Atsushi Kurumada