GMO プライベート DMP でビッグデータ解析をするためにアプリクラウドで Apache Spark の検証をしてみた

1. GMO プライベート DMP でビッグデータ解析をするためにアプリクラウドで Apache Spark の検証をしてみた

2. 2 アウトライン 1. Spark とは • GMO プライベート DMP での活用イメージ 2. Spark と YARN 3. 性能評価 • チューニングポイントおよび注意点 4. まとめ 2

3. 1. Spark とは

4. • 大規模データを高速処理するための分散処理機構 • UC Berkley の AMPLab から起業した Databricks 社が開発 – Scala / Java / Python の API がある • 2014/12/18 に 1.2.0 リリース • 本日リリースされた CDH 5.3.0 に同梱！ 4

5. 5 『インメモリなら最大 100 倍ディスクでも最大 10 倍 Hadoop MR より速い』 http://www.cloudera.co.jp/blog/putting-spark-to-use-fast-in-memory-computing-for-your-big-data-applications.html

6. 6 反復処理のコストを抑えるため計算結果をインメモリでキャッシュして後続の処理で最大限活用

7. 7 HDFS read HDFS write HDFS read HDFS read Memory write Memory read

8. 8 https://spark.apache.org/ 様々な基盤技術と連携して動作可能

9. 様々なサブシステムによって提供される豊富な機能 9 Spark SQL Spark Streaming MLib GraphX 分散 SQL クエリエンジンストリーミング処理機械学習ライブラリグラフ処理

11. 11 • 企業が保有する『顧客データ』と『ユーザのWeb 行動データ』を集約管理するためのシステム • GMO アドパートナーズ / GMO NIKKO 社と次世代システム研究室で協同開発 • ビッグデータ処理に Hadoop を採用 (CDH 5.2)

12. http://pr.gmopdmp.jp/ 12

13. http://pr.gmopdmp.jp/ 13

14. 14 • 『優良ユーザ』の特徴を分析し、類似属性を持ったユーザへのアプローチに役立てる • 『優良』か『優良ではない』ラベルでの教師あり学習 • MLib の Random Forests / Decision Trees や Linear Support Vector Machines プライベート DMP でのSpark活用イメージ分類器優良ユーザ非優良ユーザ『優良ユーザの特徴』

15. 15 • 自社サイトに訪れるユーザを類似度からいくつかの集団に分け、その特徴からアプローチを変える • 教師なし学習 • MLib の K-means プライベート DMP でのSpark活用イメージ不活性ユーザー層・年齢 : 20代・性別：男性・アクセス頻度：…

16. 2. Spark と YARN

17. 17 CDH

18. 18 Cloudera's Distribution including Apache Hadoop

19. http://www.cloudera.com/content/cloudera/en/products-and-services/cdh.html 19

20. http://www.cloudera.com/content/cloudera/en/products-and-services/cdh.html 20

21. 21 YARN

22. 22 yarn/jɑːrn/ 名詞複∼s/-z/ 1 U 種類では可算主に米紡ぎ糸, より糸 ▸ spin (a) good yarn 良質の糸を紡ぐ

23. 23 YARN • Yet Another Resource Negotiator • 分散アプリケーション開発を容易にするためのフレームワーク • リソース要求のハンドリングやタスクのスケジューリングを行う • 旧来の MapReduce 以外の処理を柔軟に実行できるようになった

24. http://www.dataenthusiast.com/2014/09/hadoop-2-0-yarn-architecture/ 24

25. http://hortonworks.com/blog/apache-spark-yarn-ready-hortonworks-data-platform/ 25

26. 26 YARN 上での Spark 実行モード ! • YARN クラスタモード • YARN クライアントモード

27. 27 Client YARN Container Spark Application Master Spark Driver YARN Resource Manager YARN Node ManagerYARN Node ManagerYARN Node Manager YARN Container Spark Executor YARN Container Spark Executor Spark Task YARN クラスタモード本番実行などの用途 http://blog.cloudera.com/blog/2014/05/apache-spark-resource-management-and-yarn-app-models/ アプリ起動リソース確保 Executor の起動・コード送信

28. 28 Client Application YARN Container Spark Application Master Spark Driver YARN Resource Manager YARN Node ManagerYARN Node ManagerYARN Node Manager YARN Container Spark Executor YARN Container Spark Executor Spark Task http://blog.cloudera.com/blog/2014/05/apache-spark-resource-management-and-yarn-app-models/ YARN クライアントモード開発・インタラクティブアプリケーションなどの用途コード送信リソース確保 Executor の起動・コード送信

29. 29 Spark 各種起動モード間の比較 http://blog.cloudera.com/blog/2014/05/apache-spark-resource-management-and-yarn-app-models/

30. アプリケーション中の SparkContext オブジェクトによって駆動リソース管理のための外部サービス（Standalone または YARN / Mesos）タスクという粒度で! アプリケーションを実行 JAR ファイルなどのアプリケーションコード + タスク 30

31. 31 Spark アプリケーションの動作フロー

32. 会員 ID, 性別コード, 年齢, 地域コード, 会員登録日 100000000, male, 32, osaka, 2014-04-21 19:48:18 100000001, male, 50, tokyo, 2014-06-01 09:17:40 100000002, female, 37, tokyo, 2014-07-31 07:34:48 100000003, male, 41, osaka, 2014-06-06 08:25:55 100000004, female, 63, osaka, 2014-04-18 05:01:21 val memberInfoFile = /tmp/member_info.csv (hdfs のファイルパス) 会員属性ファイルから性別をカウント 32

33. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() 会員属性ファイルから性別をカウント会員 ID, 性別コード, 年齢, 地域コード, 会員登録日 100000000, male, 32, osaka, 2014-04-21 19:48:18 100000001, male, 50, tokyo, 2014-06-01 09:17:40 100000002, female, 37, tokyo, 2014-07-31 07:34:48 100000003, male, 41, osaka, 2014-06-06 08:25:55 100000004, female, 63, osaka, 2014-04-18 05:01:21 33

34. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() 会員属性ファイルから性別をカウント 34

35. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) 会員属性ファイルから性別をカウント 35

36. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) 会員属性ファイルから性別をカウント会員 ID, 性別コード, 年齢, 地域コード, 会員登録日 100000000, male, 32, osaka, 2014-04-21 19:48:18 100000001, male, 50, tokyo, 2014-06-01 09:17:40 100000002, female, 37, tokyo, 2014-07-31 07:34:48 100000003, male, 41, osaka, 2014-06-06 08:25:55 100000004, female, 63, osaka, 2014-04-18 05:01:21 36

37. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) val cols = lines.map(_.split(",")) 会員属性ファイルから性別をカウント {会員 ID, 性別コード, 年齢, 地域コード, 会員登録日} {100000000, male, 32, osaka, 2014-04-21 19:48:18} {100000001, male, 50, tokyo, 2014-06-01 09:17:40} {100000002, female, 37, tokyo, 2014-07-31 07:34:48} {100000003, male, 41, osaka, 2014-06-06 08:25:55} {100000004, female, 63, osaka, 2014-04-18 05:01:21} 37

38. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) 会員属性ファイルから性別をカウント {row(0), row(1), row(2), row(3), row(4)} {100000000, male, 32, osaka, 2014-04-21 19:48:18} {100000001, male, 50, tokyo, 2014-06-01 09:17:40} {100000002, female, 37, tokyo, 2014-07-31 07:34:48} {100000003, male, 41, osaka, 2014-06-06 08:25:55} 38

39. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) 会員属性ファイルから性別をカウント {row(0), row(1), row(2), row(3), row(4)} {100000000, male, 32, osaka, 2014-04-21 19:48:18} {100000001, male, 50, tokyo, 2014-06-01 09:17:40} {100000002, female, 37, tokyo, 2014-07-31 07:34:48} {100000003, male, 41, osaka, 2014-06-06 08:25:55} 39

40. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) 会員属性ファイルから性別をカウント (row(1), 1) (male, 1) (male, 1) (female, 1) (male, 1) 40

41. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) val result = genders.reduceByKey((x, y) => x + y) 会員属性ファイルから性別をカウント (male, 1) (female, 1) (male, 1) (male, 1) (male, 2) (male, 3) (female, 1) 41

42. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) val result = genders.reduceByKey((x, y) => x + y) 会員属性ファイルから性別をカウント 42

43. val memberInfoFile = /tmp/member_info.csv val sc = new SparkContext() val lines = sc.textFile(memberInfoFile) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) val result = genders.reduceByKey((x, y) => x + y) result.collect().foreach(println) sc.stop() (各種リソースの解放) 会員属性ファイルから性別をカウント 43

44. 44 Spark アプリケーションのポイント（おさらい） ! • RDD : Resilient Distributed Datasets • DAG : Directed Acyclic Graph (無閉路有向グラフ)

45. 45 RDD : Resilient Distributed Datasets ファイルの読み込み、または実行結果が一意に決まる変換でのみ生成される共有データプリミティブ Spark での処理は RDD を変更するのではなく関数によって変換し、新しい RDD を紡ぐことで記述する

46. val sc = new SparkContext() val lines = sc.textFile( /tmp/member_info.csv ) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) val result = genders.reduceByKey((x, y) => x + y) result.collect().foreach(println) sc.stop() RDD と Transformations / Actions Actions TransformationsRDD 46

47. 47 DAG : Directed Acyclic Graph （有向無閉路グラフ） Spark は lineage と呼ばれる RDD の『系譜』で耐障害性を実現している（障害時は前段の処理結果から再計算） DAG は Action が発行されたときに初めて実行計画を立て、処理を開始する（遅延評価） 1 2 3 4 5 7 6 8

48. RDD と Transformations / Actions val sc = new SparkContext() val lines = sc.textFile( /tmp/member_info.csv ) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) val result = genders.reduceByKey((x, y) => x + y) result.collect().foreach(println) sc.stop() Actions （ここまで実際の処理は走らない） TransformationsRDD 48

49. Stage 1 Stage 0 map map reduceByKey collect http://www.slideshare.net/manishgforce/lightening-fast-big-data-analytics-using-apache-spark val sc = new SparkContext() val lines = sc.textFile( /tmp/member_info.csv ) val cols = lines.map(_.split(",")) val genders = cols.map(row => (row(1), 1)) val result = genders.reduceByKey((x, y) => x + y) result.collect().foreach(println)

50. . 性能評価

51. 事前準備 51

52. 52 YARN 側のチューニングが必要 ! 14/12/23 05:00:10 ERROR yarn.Client: Required executor memory (16384 MB), is above the max threshold (8192 MB) of this cluster. Exception in thread "main" java.lang.IllegalArgumentException: Required executor memory (16384 MB), is above the max threshold (8192 MB) of this cluster.

53. 53 推奨されるコンテナ数の算出 ! # of containers = min ( 2 * CORES, 1.8 * DISKS, (Total available RAM) / MIN_CONTAINER_SIZE ) http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.0.6.0/bk_installing_manually_book/ content/rpm-chap1-11.html ※ 8コア CPU x 32GB メモリ x 640GB ディスク x 10 ノード

54. 推奨されるコンテナ数の算出 ! ! ! ! 54 http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.0.6.0/bk_installing_manually_book/ content/rpm-chap1-11.html ※ 8コア CPU x 32GB メモリ x 640GB ディスク x 10 ノード

55. 55 推奨されるコンテナ数の算出 ! # of containers = min ( 2 * CORES, 1.8 * DISKS, (Total available RAM) / MIN_CONTAINER_SIZE ) http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.0.6.0/bk_installing_manually_book/ content/rpm-chap1-11.html ※ 8コア CPU x 32GB メモリ x 640GB ディスク x 10 ノード (32GB - 6GB予約) / 2GB = 13 2 * 8コア = 16 1.8 * 2枚 = 3.6

56. 56 推奨されるコンテナ毎のメモリサイズの算出 ! # RAM-per-Container = maximum of ( MIN_CONTAINER_SIZE, (Total Available RAM) / Containers) ) http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.0.6.0/bk_installing_manually_book/ content/rpm-chap1-11.html ※ 8コア CPU x 32GB メモリ x 640GB ディスク x 10 ノード 2GB (32GB - 6GB予約) / 3.6 = 7.2GB

57. 推奨されるYARN 設定 ! ! ! ! http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.0.6.0/bk_installing_manually_book/ content/rpm-chap1-11.html 57

58. 算出された YARN 設定 yarn.nodemanager.resource.memory-mb コンテナへの割り当てが可能な物理メモリ量 (26 GB) ! yarn.scheduler.minimum-allocation-mb コンテナメモリ最小値 (7 GB) ! yarn.scheduler.maximum-allocation-mb コンテナメモリ最大値 (26 GB) 58

59. 算出された YARN 設定 yarn.app.mapreduce.am.resource.mb ApplicationMaster の要求する物理メモリ量 (14GB) ! yarn.app.mapreduce.am.command-opts MapReduce ApplicationMaster に渡される Java コマンドラインの引数 (-Xmx11468m) 59

60. 参考) 便利ツール Hortonworks 社提供、だが微妙にロジックが加わっている。 ! ! ! http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.0.9.1/bk_installing_manually_book/ content/rpm-chap1-11.html 60

61. [root@spark scripts]# python yarn-utils.py -c 8 -m 32 -d 1 -k False Using cores=8 memory=32GB disks=1 hbase=False Profile: cores=8 memory=31744MB reserved=1GB usableMem=31GB disks=1 Num Container=3 Container Ram=10240MB Used Ram=30GB Unused Ram=1GB yarn.scheduler.minimum-allocation-mb=10240 yarn.scheduler.maximum-allocation-mb=30720 yarn.nodemanager.resource.memory-mb=30720 mapreduce.map.memory.mb=10240 mapreduce.map.java.opts=-Xmx8192m mapreduce.reduce.memory.mb=10240 mapreduce.reduce.java.opts=-Xmx8192m yarn.app.mapreduce.am.resource.mb=10240 yarn.app.mapreduce.am.command-opts=-Xmx8192m mapreduce.task.io.sort.mb=4096 61

62. 評価環境・方法 62

63. 63 評価環境 • サバろうぜ！でお借りしているアプリクラウド • 8 vCPU / 16GB Memory / 640GB HDD x 10台 • Master node その他 • 8 vCPU / 32GB Memory / 640GB HDD x 10台 • HDFS Datanode + Hive Gateway + Impala Daemon + YARN NodeManager • CDH 5.2.1 • Spark 1.1.0 on YARN • HDFS, Hive, Hue, Impala, Oozie, YARN

64. 64 パラメータ指定 spark.eventLog.enabled=true spark.eventLog.dir=hdfs:///user/spark/applicationHistory ! アプリケーション中で最後に実行 SparkContext.stop() ! ※ これらを設定しないとアプリケーション実行中しか見られない (YARN の Resource Manager UI からしか確認できない) 測定方法 : Spark UI

65. 66 テストアプリ・データ • 簡略化した『購買履歴』のダミーデータを用意 • 1億レコード (4.7 GB) • 『全ての商品について購入された回数』を計算するアプリを各種パラメータを変更しながら実行

66. 会員 ID、購買日時、商品単価、支払い総額、購入数、商品 ID 67

67. 68 実行方法 spark-submit --class PurchaseCount // 実行するクラス名 --name "${mem}G-${core}Core-${exec}Executers" // 名前 --master yarn-client // yarn-client モード --executor-memory ${mem}G // 1 executor あたりのメモリ --executor-cores ${core} // 1 executor あたりのコア --num-executors ${exec} // 実行する executor 数 --conf spark.eventLog.enabled=true // Spark UI 描画用 --conf spark.eventLog.dir=hdfs:///user/spark/applicationHistory purchase_count_2.10-1.0.jar // jar ファイル ! ※ mem, core, exec の値を変化させて実行

68. 評価結果 69

69. 0 35 70 105 140 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 collect (sec) map (sec) other (sec) 1CPU x n GB メモリ x 1 executor 有効化したメモリサイズ (GB) 実行時間(sec) 70

70. n CPU x 1 GB メモリ x 1 executor 有効化したコア数 (個) 実行時間(sec) 0 35 70 105 140 1 2 3 4 5 6 7 8 collect (sec) map (sec) other (sec) 71

71. 1CPU x 1 GB メモリ x n executor 有効化した executor 数 (個) 実行時間(sec) 0 30 60 90 120 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 collect (sec) map (sec) other (sec) NodeManager 数 = 10 72

72. コア数とExecutor数の関連性比較設定詳細実行時間(sec) 0 12.5 25 37.5 50 1CPU 1GB RAM 8 Executors 2CPU 1GB RAM 4 Executors 4CPU 2GB RAM 2 Executors 8CPU 1GB RAM 1 Executors collect (sec) map (sec) other (sec) 73

73. 成績上位の設定設定詳細実行時間(sec) 0 35 70 105 140 1CPU 1GB RAM 1 Executor 8CPU 1GB RAM 10 Executors 8CPU 1GB RAM 7 Executors 7CPU 1GB RAM 8 Executors 7CPU 1GB RAM 7 Executors 6CPU 1GB RAM 7 Executors 5CPU 1GB RAM 8 Executors Impala collect (sec) map (sec) other (sec) 74

74. 75 • 128.0 MB Input x 38 タスクに分割されたため Executor に 1GB 以上のメモリを振っても効果がなかった • コア数の増加は GC にかかる時間を減少させたが、５コア以上では顕著な効果は見られなかった – Databricks のドキュメントが参考になりそう • map/collect 以外にかかる時間については要調査

75. 追加評価 ! • ここからは CDH 5.3 x Spark 1.2.0 • 5千万レコード（約2.4GB）から20億レコード（約 94.8 GB）までデータを増やして map、collect、及びトータルでの処理時間の変化を測定（executor 数も可変とした） 76

76. メモリ1G / 8CPU / 5 Executors 77 実行時間(sec) 0 45 90 135 180 データサイズ (GB) 0 20 40 60 80 100 Total duration Collect Map Other

77. メモリ1G / 8CPU / 6 Executors 78 実行時間(sec) 0 45 90 135 180 データサイズ (GB) 0 20 40 60 80 100 Total duration Collect Map Other

78. メモリ1G / 8CPU / 6 Executors 79 実行時間(sec) 0 27.5 55 82.5 110 データサイズ (GB) 0 20 40 60 80 100 Total duration Collect Map Other ※後続のグラフと比較しやすいようにスケールを変えたもの

79. メモリ1G / 8CPU / 7 Executors 80 実行時間(sec) 0 27.5 55 82.5 110 データサイズ (GB) 0 20 40 60 80 100 Total duration Collect Map Other

80. メモリ1G / 8CPU / 8 Executors 81 実行時間(sec) 0 27.5 55 82.5 110 データサイズ (GB) 0 20 40 60 80 100 Total duration Collect Map Other

81. 82 実行時間(sec) 0 27.5 55 82.5 110 データサイズ (GB) 0 20 40 60 80 100 Total duration Collect Map Other メモリ1G / 8CPU / 9 Executors

82. 83 実行時間(sec) 0 27.5 55 82.5 110 データサイズ (GB) 0 20 40 60 80 100 Total duration Collect Map Other メモリ1G / 8CPU / 10 Executors

83. 84 • データ量に対して処理時間はおおよそ線形に変化しているように見える • Map フェーズの増分が効いており、GC などにかかる時間はデータサイズに対してほぼ一定（executor 数が増加した場合、減少に転じる傾向も見られる）

84. 4. まとめ

85. 86 今回の研究 • Apache Spark を GMO プライベート DMP で活用するに当たって、サンプルアプリを開発してプレ検証を行った。 • Spark/YARN アーキテクチャの理解を深めた • アプリケーション開発の仕方を学んだ • 各種パラメータ設定の及ぼす影響を調べた

86. 87 今後のトピック • プライベート DMP での解析機能の検証・実装 • 実データを MLib で解析 • 内部アーキテクチャの深堀り • キャッシュ・シリアライザ • その他の機能の調査 • Spark SQL / Spark Streaming / GlaphX

87. いつもアプリクラウドを使わせていただきまして ! アプリクラウド事業部の皆様サバろうぜ！支援制度運営の皆様 ※サバろうぜ！に関してはこちら ! 誠にありがとうございます！

GMO プライベート DMP で ビッグデータ解析をするために アプリクラウドで Apache Spark の検証をしてみた

Tetsuo Yamabe