2018/4/3 Azure Antenna はじめての Azure Data Lake の資料 https://azure.connpass.com/event/82062/

2. ※Azure Data Lake を初めて操作する方向けの内容です。

4. 日本マイクロソフト株式会社
デジタルトランスフォーメーション事業本部
データ & クラウド AI アーキテクト技術部
クラウドソリューションアーキテクト
高木 英朗 (Takagi Hideo)
• Data Platform Tech Sales Team Blog
http://aka.ms/dpblog
• 個人の Blog
http://whata.hatenablog.com/
• Twitter
https://twitter.com/hidwatanabe/

6. Azure Data Lake の概要

7. 従来のビジネス分析プロセス
専用の ETL ツール
スキーマの定義
クエリ
レポート
リレーショナル
業務
アプリケーション
ETL パイプライン
1. ユーザーが求めるビジネス分析やレポート内容を事前に特定
2. レポート用のスキーマとクエリを定義する
3. データソースを特定する
4. 必要なデータを抽出して変換して、定義したスキーマにロードす
るための ETL 処理を作成する (スキーマ オン ライト)
5. レポートを作成して、データを分析する
トップダウン アプローチ

8. AI 時代のビッグデータ = すべてのデータに価値がある
無限に保存 分析 結果の参照
全てのデータソース
からデータを収集
繰り返し
全てのデータには潜在的な価値がある (データは企業の資産)
全てのデータを蓄積する
ネイティブフォーマットで保存する - スキーマを事前定義しない
クエリを実行する時にスキーマを定義して変換する (スキーマ オン リード).
ボトムアップ アプローチ

9. スキーマ オン リード
abe, 95, 46, 85, 85
itoh, 89, 72, 46, 76, 34
ueda, 95, 13, 57, 63, 87
emoto, 50, 68, 38, 85, 98
otsuka, 13, 16, 67, 100, 7
katase, 42, 61, 90, 11, 33
{"name" : "cat", "count" : 105}
{"name" : "dog", "count" : 81}
{"name" : "rabbit", "count" : 2030}
{"name" : "turtle", "count" : 1550}
{"name" : "tiger", "count" : 300}
{"name" : "lion", "count" : 533}
{"name" : "whale", "count" : 2934}
xxx.xxx.xxx.xxx - -
[27/Jan/2018:14:20:17 +0000]
"GET /item/giftcards/3720
HTTP/1.1" 200 70 "-" "Mozilla/5.0
(Windows NT 6.1; WOW64;
rv:10.0.1) Gecko/20100101
Firefox/10.0.1"
フォーマットを気にせ
ずデータをためていく
使うときにはじめて
データ構造を意識
SELECT ~~~ FROM ~~~
WHERE ~~~ ORDER BY ~~~;
データを集めてためておく
使うときにデータ構造を定義して処理する

10. Microsoft AI Platform
Azure AI Services
Azure Infrastructure
Tools

11. Azure Data Lake とは
HDInsight
Spark, Hive,
Storm, Kafka
Data Lake
Analytics
Data Lake Store
WebHDFS
YARN
Azure
Databricks
ストレージ
Azure Data Lake Store (ADLS)
• どんなフォーマットのデータでも無制限に格納
できるストレージ
• 分散型で分析処理パフォーマンスが高い
• OSS との親和性
分析ツール
Azure Data Lake Analytics (ADLA)
• サーバレスの分析エンジン
• 親しみのある SQL に近い U-SQL 言語
• 柔軟なスケールで大量データ処理が得意
• ジョブ単位の課金

12. Azure Data Lake 向き / 不向き
向いている
• 大量のデータを保存
• 一か所に構造 / 非構造の様々なデータを統合
• データを作り、変換し、集約する
• 大きなデータセットに対して分析クエリを実行
向いていない
• 頻繁な読み書き
• 多数の細かいデータの参照や書き込み
?
?
?
?

13. 料金の考え方
Azure Data Lake Analytics
(ADLA)
Azure Data Lake Store
(ADLS)
なし
¥ 224 / 時間
1 AU あたり
定常的にかかる費用 処理量に応じてかかる費用
¥ 4.37 / 1GB / 月
データ容量
書き込み: ¥ 5.60
読み取り: ¥ 0.45
10万トランザクションあたり
例：米国東部 2 リージョン (2018/04/03 時点)
ADLA: https://azure.microsoft.com/ja-jp/pricing/details/data-lake-analytics/
ADLS: https://azure.microsoft.com/ja-jp/pricing/details/data-lake-store/

14. 事例紹介

15. 事例: 国立大学法人 岐阜大学 様
事例 URL https://customers.microsoft.com/en-us/story/gifu-u
大学本来の価値を向上させる "研究 IR" 実践に向け、膨大な情報資産を多様な書式・形式のま
ま管理し、分析・活用する画期的な情報基盤を、クラウドで実現
＜背景と狙い＞
• 「岐阜大学の将来ビジョン」を強力に後押しするために、大
学 IR に必要な情報基盤を追求。
• 多種多様な活動を行っている教員たちを正しく評価し、各
人のモチベーションを高めていくためにも、学内にある生の
データを集めることが、もっとも重要なことだった。
• 事務員の PC の中に、Excel などにまとめられた生のデータ
が数多く保存されていたのです。システムが定義するデータ
構造の枠内に納まらなかった、そうした生のデータを集めて、
分析できるように環境を整えることが重要だった。
＜導入効果＞
• 学内のあらゆるデータを Azure Data Lake Store で管理し、
そのデータを検索する仕組みとして Azure Search を活用。
• 「今までは、漠然と推測していた事柄が、データによって裏付
けられ、グラフなどの形ではっきりと把握できるようになったこ
とは、大きな成果」。

16. 事例: 株式会社リコー 様
「SPA=製造小売業」のお客様の抱える課題を解決
＜背景＞
• コピー機の主戦場は企業の Office だったが、ビジネスを拡大するためにお
客様が活躍する現場、社会に広げて、データを集めて解析して価値の出る
ように可視化→ビッグデータの活用
＜課題＞
• これまでの考え方では ビックデータを始められない
• マシン/IaaSベースでは予算・調達が足かせに
• 試験的な取り組みなので、リソースが少ない
• 多種、多量なデータ管理方法確立に時間がかかる
• 製造小売業において、様々なデータを扱わなければならない
• SNS、店舗画像、POS、etc…
• これらのデータを読み込んだ段階でどういう風に処理するかを決めておくの
は非常に難しい
＜導入メリット＞
• Azure Data Lake で低コストに始めることができた。
• スキーマ オン リードのためまずデータを保存できる。
• Cognitiveを使ってツイートされた画像を分析して、性別、年齢推定等
AI 時代を生き抜くためのビッグデータ基盤 ～リコーの実案件で見えたAzure Data Lakeの勘所～
https://youtu.be/zfD7d0Kqk_s

18. Azure Data Lake Store の
アーキテクチャと機能

19. Azure Data Lake Store (ADLS) とは
HDInsight
Azure Data Lake Analytics
形式を問わず無制限に蓄積できる巨大なストレージ
様々なデータ分析処理に最適化
ADLS
業務アプリ
ソーシャル
デバイス
クリックストリー
ム
センサー
動画
Web
リレーショナル
Batch
MapReduce
Script
Pig
SQL
Hive
NoSQL
HBase
In-Memory
Spark
Predictive
R Server
Batch
U-SQL
利用する
保存する

20. ADLS のアーキテクチャ
分散ストレージ
• 書き込まれたファイルは最大 250MB のエクステントに
分割
• それぞれのエクステントは複数のデータノードに分散
• ファイルの読み書きは並列で実行されるので、
スループットが出やすい
耐障害性
• それぞれのエクステントは3つのレプリカを保持
• 参照はどのレプリカからも可能
• レプリカに障害があっても別のレプリカから復元
ファイル書き込み
1 2 3 4 5
レプリカ 1
書き込み
レプリカ 2 レプリカ 3
コミット
エクステント

21. ADLS にデータを保存するには
Azure Event Hubs
Azure Storage Blobs
カスタム プログラム
.NET SDK
Azure CLI
Azure Portal
Azure PowerShell
Azure Data Factory
Azure SQL DB
Azure SQL DW
Azure tables
オンプレミス DB
ADLS
AdlCopy
Azure Data Factory
Hadoop DistCp
PolyBase
SSIS
Azure Stream
Analytics

22. ADLS データの操作: Azure 管理ポータル
データのアップロード、プレビュー、アクセス権管理

23. ADLS データの操作: Visual Studio
Visual Studio でも ADLS 上のファイルやフォルダ管理が可能
データのフォーマットに基づいて、読み取りクエリの自動生成も可能

24. ADLS データの操作: Azure Data Factory
他のデータソースから ADLS にデータをコピーすることが可能
スケジュール実行や、データの変換アクティビティも実行可能

25. ADLS と BLOB の比較
Azure Data Lake Azure BLOB Storage
目的 データ分析に最適化されたストレージ 汎用オブジェクト ストア
概念と構造 ファイルとフォルダの階層型の構造 コンテナーと BLOB 形式のフラットな構造
認証 Azure AD アクセスアカウントキーと SAS(Shared Access Signature)
承認
POSIX アクセス制御リスト (ACL)
Azure AD の ID に基づく
ファイルやフォルダレベルに設定可能。
アカウントレベルの承認はアカウントアクセスキー
アカウント、コンテナー、BLOB レベルの承認は SAS
分析パフォーマンス
並列分散で分析に最適化
高スループットおよび高 IOPS
分析ワークロードに最適化されていない
容量制限 無制限 ストレージアカウントあたり 500TiB まで
VS

26. Azure Data Lake Analytics (ADLA) とは
ADLA
Azure SQL DW Azure SQL DB
Azure
Storage Blobs
ADLS SQL Server
Azure VM
サーバ レスの分析クエリ サービス
きめ細かい分析処理を大量データに最適化
「U-SQL」クエリ言語を使用 @rows =
EXTRACT
name string,
id int
FROM “/data.csv”
USING Extractors.Csv( );
OUTPUT @rows
TO “/output.csv”
USING Outputters.Csv();
規定のストレージ (ADLS or Blob)
だけでなく、SQL DW、SQL
Server などにもクエリ実行が可能

27. Azure Data Lake Analytics と
U-SQL の基本

28. U-SQL という言語
U-SQL で分析処理を記述し、
ADLA にサブミット。
分散処理の実行プランを自動
的に生成。
実行プランに基づいて、ノード
が自動的に割り当てられ、処
理が実行される。
@rows =
EXTRACT
name string,
id int
FROM “/data.csv”
USING Extractors.Csv( );
OUTPUT @rows
TO “/output.csv”
USING Outputters.Csv();
✓ SQL ライクなシンプルなクエリ言語
✓ C#, R, Python, Cognitive Services 等での拡張
✓ スキーマ定義済み、未定義のどちらでもクエリ可能
SELECT … FROM …
WHERE
GROUP BY …
HAVING
JOIN
OVER
+

29. シンプルな U-SQL の例
@tweet =
EXTRACT date string,
time string,
author string,
tweet string,
FROM “/Input/TwitterHistory.csv”
USING Extractors.Csv();
@result =
SELECT author AS author,
COUNT(*) AS tweetcount
FROM @tweet
GROUP BY author;
OUTPUT @result
TO “/Output/TwitterAnalysis.csv”
ORDER BY tweetcount DESC
USING Outputters.Csv();
① 保存されているファイルのフォー
マットを読み取って、カラム名を
付与
② 付与したカラム名を使ってクエリ
を実行
③ 結果を CSV 形式で出力
ユーザーごとのツイート数を数えたい

30. C# 関数を利用した U-SQL
@attribute =
SELECT new SQL.ARRAY<string>(col1.Split(',')) AS y
FROM @csv;
@country =
SELECT new SQL.ARRAY<string>(y[3].Split('=')) AS z
FROM @attribute;
@output =
SELECT
Region.ToUpper() AS NewRegion
FROM @searchlog;
文字列を大文字に変換
[col1] の中をカンマで分割
U-SQL 内で C# 関数を使用することで柔軟な処理を実行することが可能
col1 col2
name=hideo,age=50,div=tech,country=jp Microsoft
name=toshio,age=60,div=sales,country=us Microsoft
こういう CSV ファイルがあったとして
“jp”や”us”を取り出したい
4番目の要素を = で分割
→”jp” や “us” が取り出せる

31. [ご参考] U-SQL のデータ型・集約関数・結合
ビルトインの集約関数
• AVG
• ARRAY_AGG
• COUNT
• FIRST
• LAST
• MAP_AGG
• MAX
• MIN
• STDEV
• SUM
• VAR
データ型
Numeric
byte, byte?
sbyte, sbyte?
int, int?
uint, unint?
long, long?
decimal, decimal?
short, short?
ushort, ushort?
ulong, unlong?
float, float?
double, double?
Text
char, char?
string
Complex
MAP<K>
ARRAY<K,T>
Temporal DateTime, DateTime?
Other
bool, bool?
Guid, Guid?
Byte[]
http://usql.io/
結合
• INNER JOIN
• LEFT or RIGHT or FULL OUTER JOIN
• CROSS JOIN
• SEMIJOIN
• Equivalent to IN subquery
• ANTISEMIJOIN
その他、パラメータの利用やウィンドウ関数等詳細情報やチュートリアルは左記 URL を参照

32. サンプルジョブ・チュートリアル
Azure 管理ポータルからサンプルジョブ実行やチュートリアルを実施することが可能。

33. Analytics Unit (AU)
✓ AU = コンピュートリソースの単位 (2CPU, 6GB RAM *2018/2/15現在)
✓ 1AU は 1タスクを担当する
✓ AU の数と実行時間でコストが決まる
前のステージでの必要なタ
スクの処理 (クリティカルパ
ス) が終ってから次のステー
ジが実行される
ジョブ (AU = 4)
完了
4タスクずつ並列実行される
4AU でも 2タスク しか
並列実行できない
ジョブの処理の順番
タスクを Vertex と呼び
タスクのグルーピングを SuperVertex と呼びます
同時に実行できるタスクの
グループ

34. U-SQL クエリを実行するには
Azure 管理ポータル
Visual Studio
Visual Studio Code
Azure CLI, PowerShell
SDK for .NET, Python,
Java, Node.JS
U-SQL / カスタムコード開発、チュー
ニング等
アドホック クエリ、管理操作等
ADLA
自動化、バッチジョブ、
管理操作等
カスタム アプリケーション開発
管理操作等

35. ADLA の操作: Azure 管理ポータル
U-SQL を書く
U-SQL ジョブを実行する
実行中のジョブを停止する
ユーザーの追加や権限の設定をする
リソースやコストの使用状況を可視化する
ジョブ実行状況を可視化する
ADLA アカウントの作成

36. ADLA の操作: Visual Studio
ジョブの進捗の
可視化
クエリパフォーマンスの
チューニング
U-SQL 実行プランの
可視化
メタデータ カタログ
(テーブル, ビュー等) の
参照
U-SQL や
C# カスタムコードの
作成
メタデータ オブジェクト
(テーブル, ビュー等) の
作成
U-SQL ジョブの
実行と停止
U-SQL と C# の
デバッグ

37. Visual Studio: U-SQL ジョブのサブミット
Visual Studio から ADLA に直接ジョブをサブミットすることが可能
ジョブのサブミット時に並列処理等の調整も可能

38. U-SQL カタログ
➢ テーブル
データを構造化し、分散配置
をコントロールすることができる
RDBMS と同様のビュー機能
テーブルデータ型の値を返す
関数
CREATE VIEW V AS EXTRACT…
CREATE VIEW V AS SELECT …
CREATE TABLE T ( … )
INDEX I CLUSTERED ( … )
DISTRIBUTED BY …;
CREATE FUNCTION F (@arg string = “default”)
RETURNS @res [TABLE ( … )]
AS BEGIN … @res … EN;
➢ ビュー
➢ テーブル値関数 (TVFs)
スキーマを定義して、データの形式を分かるようにする

39. カタログを作成すると・・・
テーブルやビュー等によって RDBMS のようにデータを管理できる状態になる
テーブル
データベース
ビュー、プロ
シージャ等
テーブルのカラム情報

40. 非構造化データと AI ~ Cognitive 拡張
Cognitive Services の学習済みモデルを使っ
た AI 拡張機能を U-SQL で実行
イメージング:
• 顔を検出する
• 感情を検出する
• 画像の内容を読み取ってタグ付けする
• OCR (文字認識)
テキスト:
• キー フレーズ抽出
• 感情分析
▼ビルトインの Cognitive 機能

41. R / Python による高度な分析
U-SQL に R や Python を組み込んで高度な分析処理を実行することが可能
• 不正検知
• 販売予測
• 倉庫効率化
• 予知保全
• など
組み込み方法は以下の 2 つ
✓ U-SQL 内に直接スクリプトを記述
✓ スクリプトファイルを作成して U-SQL 内に読み込み
https://docs.microsoft.com/ja-jp/azure/data-lake-analytics/data-lake-analytics-u-sql-python-extensions
https://docs.microsoft.com/ja-jp/azure/data-lake-analytics/data-lake-analytics-u-sql-r-extensions

42. R コードの埋め込み例
REFERENCE ASSEMBLY [ExtR];
DECLARE @myRScript = @"
inputFromUSQL$Species = as.factor(inputFromUSQL$Species)
lm.fit=lm(unclass(Species)~.-Par, data=inputFromUSQL)
outputToUSQL=data.frame(summary(lm.fit)$coefficients)
colnames(outputToUSQL) <- c(""Estimate"", ""StdError"", ""tValue"", ""Pr"")
outputToUSQL
";
@RScriptOutput = REDUCE … USING new Extension.R.Reducer(command:@myRScript,
rReturnType:"dataframe");
R による線形回帰モデルを U-SQL に埋め込む例

43. サービスの連携

44. 連携の概要
Azure Event Hubs
Azure Storage Blobs
カスタム プログラム
.NET SDK
Azure CLI
Azure Portal
Azure PowerShell
Azure Data Factory
Azure SQL DB
Azure SQL DW
Azure tables
オンプレミス DB
ADLS
AdlCopy
Azure Data Factory
Hadoop DistCp
PolyBase
SSIS
Azure Stream
Analytics
ADLA
QueryFederated Query

45. Federated Queries
Data Lake
Analytics
Azure のデータストアにクエリを実行する
✓ データを移動させずに各データストア
にクエリを実行
✓ データの移動にかかる時間やコスト
を抑える
✓ クエリをプッシュダウンしてリモート側
で実行することも可能
Azure SQL
DW
Azure SQL
DB
SQL Server
Azure VM
Azure Data
Lake Store
Azure
Storage
Blobs

46. データパイプライン管理
Azure Data Factory
HDInsight
Cosmos DB
SQL DB
SQL DW
Hadoop
での分析
グローバル分散
NoSQL
マネージド
RDBMS
スケールアウト
データ ウェアハウス
Data Factory
40 以上のデータソースを
サポート
オンプレミス、Azure、
Azure外のクラウド
Data Lake
Data Factory を使用して Azure 内外の様々な
サービスとの連携が可能

47. Event Hub 連携
Event Hub ADLSStream
Data
✓ Event Hub の “Capture” 機能で ADLS
に直接データを保存することが可能。
✓ ADLS 保存時に日付等に合わせて動的
なフォルダ階層を作成することが可能。
センサー、Web 等のストリームデータを Event Hub を
経由して ADLS に蓄積

48. コマンドラインを使ったADLA の操作: Azure CLI
az dla job submit --account アカウント名 --job-name ジョブ名 --script U-SQL スクリプトファイル
ジョブのサブミット
az dla job show --account アカウント名 --job-identity ジョブ ID
ジョブの詳細表示
シンプルなコマンドで ADLA の操作が可能。Windows, macOS, Linux で利用可能。
az dla job list --account アカウント名
ジョブの一覧表示
https://docs.microsoft.com/ja-jp/azure/data-lake-analytics/data-lake-analytics-get-started-cli2

49. コマンドラインを使った ADLS の操作: Azure CLI
az dls fs upload --account アカウント名 --source-path 元ファイル名 --destination-path アップロード先
ファイルのアップロード
az dls fs list --account アカウント名 --path フォルダ名
ファイルとフォルダのリスト表示
シンプルなコマンドで ADLS の操作が可能。Windows, macOS, Linux で利用可能。
az dls fs preview --account アカウント名 --path ファイル名 --length 読み取るバイト数
ファイルのプレビュー表示
https://docs.microsoft.com/ja-jp/azure/data-lake-store/data-lake-store-get-started-cli-2.0

50. コマンドラインを使った ADLS の操作: AdlCopy
Azure Storage Blob から ADLS へのデータコピー、ADLS 同士のデータコピーが可能。
または
AdlCopy.exe /Source Blob の URL /Dest ADLS へのコピー先 /sourcekey Blob の アクセスキー
ADLA ジョブを利用した並列コピーも可能 (高速なコピーが可能)
AdlCopy.exe /Source *** /Dest *** /sourcekey *** /Account ADLA アカウント /Units AU 数
できる
できない
Blob ADLS ADLS ADLS
ADLS Blob
https://docs.microsoft.com/ja-jp/azure/data-lake-store/data-lake-store-copy-data-azure-storage-blob

52. Azure Data Lake のセキュリティ

53. セキュリティ: Azure AD 連携

54. セキュリティ: ファイアウォール
72.1.5.0 – 72.1.6.255
64.34.55.130 -
64.34.55.130

55. セキュリティ: POSIX に似た ACL (アクセス管理)
読み取り (R) ファイルの内容を読み取ることができる フォルダーの内容を一覧表示するには読み取りと実行が必要
書き込み (W) ファイルへの書き込みまたは追加を実行できる フォルダーに子項目を作成するには、書き込みと実行が必要
実行 (X) ファイルに対しては影響しない フォルダーの子項目をスキャンするために必要
/ a
b
c
ユーザーやグループに対して、ファイルやフォルダー単位でのアクセスを制御
付与する権限

56. セキュリティ: 監査ログ
GitHub
[T1] Alice, Write
[T2] Bob, Read監査ログ
保存

57. 参考情報①
ドキュメント・ブログ
• Azure Data Lake
https://azure.microsoft.com/ja-jp/solutions/data-lake/
• Azure Data Lake Blog
https://blogs.msdn.microsoft.com/azuredatalake/
• U-SQL
http://usql.io/
• Github
https://github.com/Azure/USQL
イベント セッション動画
• いざ無制限のデータの彼方へ! ～ Azure Data Lake 開発の知識とベスト プラクティス ～
https://channel9.msdn.com/Events/de-code/2016/DBP-020
• あらゆるデータをビジネスに活用! Azure Data Lake を中心としたビック データ処理基盤のアーキテクチャと実装
https://channel9.msdn.com/Events/de-code/2017/DI12
• あらゆるデータに価値がある！アンチ断捨離ストのための Azure Data Lake
https://channel9.msdn.com/Events/de-code/2017/DI07
• AI 時代を生き抜くためのビッグデータ基盤 ～リコーの実案件で見えたAzure Data Lakeの勘所～
https://youtu.be/zfD7d0Kqk_s

58. 参考情報②
• 個人ブログ : U-SQL 入門
http://whata.hatenablog.com/
• 【ウェブ セミナー】AI / アナリティクスを支えるビッグデータ基盤 Azure Data Lake [概要編]
https://aka.ms/W66jgk
• 【ウェブ セミナー】AI / アナリティクスを支えるビッグデータ基盤 Azure Data Lake [実践編]
https://aka.ms/W9kcdx
• SlideShare
https://www.slideshare.net/hidwatanabe/
• de:code 2018
https://www.microsoft.com/ja-jp/events/decode/2018/
[DA11] AI / アナリティクスを支えるビッグ データ基盤 Azure Data Lake ～アーキテクチャと実践解説～