1. Silkによる並列列分散ワークフロープログラミング
⻫斉藤 太郎郎
東京⼤大学 情報⽣生命科学科
leo@xerial.org
2013年年 11⽉月28⽇日
xerial.org/silk
1

2. 情報解析の仕事：プログラミング
Silk: Smart Cluster Computing for Data Scientists
l
B = A.map(f)
l
⼊入⼒力力データ A に対して関数fを適⽤用し、Bに代⼊入
f
A
l
B
関数 f の例例: 任意のアルゴリズム（計算）
l
l
l
l
リードAをアラインメント
SAM -‐‑‒> BAMへのフォーマット変換
RNA-‐‑‒Seq -‐‑‒> FPKMの計算
など
xerial.org/silk
2

3. アルゴリズムさえできれば簡単？
Silk: Smart Cluster Computing for Data Scientists
f
A
B
xerial.org/silk
3

4. ヒト⼀一⼈人分の全ゲノム解析に必要なデータ量量
Silk: Smart Cluster Computing for Data Scientists
l
l
l
l
l
Input: FASTQ file(s) 500GB (50x coverage, 200 million entries)
f: An alignment program
Output: Alignment results 750GB (sequence + alignment data)
Total storage space required: 1.2TB
Computational time required: 1 days (using hundreds of CPUs)
Input
f
Output
University of Tokyo Genome Browser (UTGB)
xerial.org/silk
4

5. 解析の⼯工程数が増えたら？
Silk: Smart Cluster Computing for Data Scientists
g
f
A
B
C
D
E
xerial.org/silk
5

6. ゲノムサイエンスにおける解析は多種多様
Silk: Smart Cluster Computing for Data Scientists
l
WormTSS: http://wormtss.utgenome.org/
l
これまでほとんど知られていなかった線⾍虫の転写開始点を⼤大規模に同定
l Gaussian modelによるピーク解析、TSS周辺の新規motifの発⾒見見、種間での保存度度、 ヌクレオソー
ムや転写因⼦子のChIP-‐‑‒Seqデータとの関連を解析、ゲノムブラウザーの作成、などなど
xerial.org/silk
6

7. 作成したチャートの数は数百枚に及ぶ
Silk: Smart Cluster Computing for Data Scientists
書き直した回数も含めると1000枚は
軽く超えている
• 論論⽂文に載せられるのはごく⼀一部
なるべくExcelに頼らず、チャートま
でプログラムで⽣生成するように
• R, JFreeChartなどを活⽤用
• reviewの際の再計算に備える
xerial.org/silk
7

8. コマンド、コマンド、コマンド、、、
Silk: Smart Cluster Computing for Data Scientists
l
線⾍虫TSSの解析で作成したコマンド群 （抜粋）
l
新しい解析、データ処理理を⾏行行うたびにコードを追加
l
プログラム中に関数定義するだけで、コマンドを追加できるライブラリを作成
l
l
コマンドライン引数を、関数の引数の型に⾃自動変換
ヘルプメッセージも⾃自動⽣生成
xerial.org/silk
8

9. コマンド間の依存関係の処理理
Silk: Smart Cluster Computing for Data Scientists
l
Makefile
l
l
l
コマンド間のデータのやりとり： ファイル
線⾍虫TSSの解析で使⽤用したMakefile 〜～ 1000⾏行行ほど
Makefileの⽋欠点
l
l
l
⽂文法に習熟しても書きにくい
並列列度度の粒粒度度がファイル単位 （それ以上の並列列化ができない）
そもそもコマンドにプログラムを分解するのが⼤大変
xerial.org/silk
9

10. 実際のデータ解析: ⼤大きなデータ ＋ 多数の解析(ワークフロー)
Silk: Smart Cluster Computing for Data Scientists
g
f
A
B
F
C
G
D
xerial.org/silk
E
10

11. Silk
Silk: Smart Cluster Computing for Data Scientists
l
ゲノムサイエンスのために開発している並列列・分散計算プラットホーム
l
Scalaで開発
l
l
l
l
map, filter, reduce, join, sort など
UNIXコマンドを挟むこともできる
多数のコードの組み合わせを記述・実⾏行行 （ワークフロー）
l
l
クラスター計算機を、あたかも単⼀一マシンのように扱えるようにするのが⽬目標
Silk[A] (型Aのデータリスト） に対する分散演算を定義
l
l
Scala (Twitter inc.などが近年年活発に利利⽤用しているJVM上で動く⾔言語）
プログラムを書いたら、それがワークフローになる
ターゲットとなる層
l プログラマ：
l
l
Scalaを少し知っている⼈人（多くの知識識は必要ない）
サイエンティスト：
l
Web経由でデータ処理理するインターフェース
l 例例：ブラウザからデータの集計、⼤大規模検索索のワークフローを作成。Silkに送信
xerial.org/silk
11

12. 課題
Silk: Smart Cluster Computing for Data Scientists
l
課題１：ワークフローの⾼高速な実⾏行行
l
多数のマシン、CPUを⽤用いて並列列に計算を⾏行行う
xerial.org/silk
12

13. 並列列・分散計算のためのスキル
Silk: Smart Cluster Computing for Data Scientists
プログラミング⾔言語
l
l
l
l
C++
l
MPI, OpenMP, thread(pthread, boost thread)
l
mutex, condition variables
l
compare-‐‑‒and-‐‑‒swap (CAS)
Java
l
java.util.concurrent
Scala
l
Parallel collections
l
l
マルチスレッド⽤用
Actor
l
Mail box(buffer)を使った
message-‐‑‒passing model
OSの知識識
l
l
l
ネットワーク通信
l
TCP/IP, Socket
UNIX
l
ssh, プロセス, メモリ管理理
l
ファイルシステムの性質
l
これら全てを学んでも、まだ並列列・分散処
理理への道のりは⻑⾧長い
NFS, GlusterFS、GFSなど
データ処理理
l
l
l
ファイルへの保存、構造化データの処理理
ディスクI/Oがボトルネックにならないための処理理
l
データの圧縮、indexの作成
分散処理理システム
l
l
l
Hadoop, HDFS, HBase, etc.
Paxos （consensus protocol）
l
全ノードが同じ状態にあることを保障
xerial.org/silk
13

14. 課題１：ワークフローの⾼高速な実⾏行行
Silk: Smart Cluster Computing for Data Scientists
l
分散演算のための基本演算を提供
l
l
l
l
l
map(f: A => B)、flatMap(f: A => Seq[B])
filter(pred: A => Boolean)
reduce(op: (A, A) => A)
join(B, paramA, paramB), groupBy(k:A=>Key)
などなど
f
g
A
B
f
R
g
A0
B0
A1
B1
A2
B2
xerial.org/silk
R
14

15. 課題
Silk: Smart Cluster Computing for Data Scientists
l
課題１：ワークフローの⾼高速な実⾏行行
l
l
多数のマシン、CPUを⽤用いて並列列に計算を⾏行行う
課題２：ワークフローを簡単に記述できるようにする
l
⾼高度度な並列列・分散処理理の知識識をユーザーに要求しない
xerial.org/silk
15

16. 課題２：ワークフローを簡単に記述できるようにする
Silk: Smart Cluster Computing for Data Scientists
l
l
Scalaによる簡潔な構⽂文を利利⽤用
例例：
l
samファイルを読んで、タブ区切切りにし、chr1に含まれるリード数を数える
l
⼊入⼒力力データのサイズが増えてもコードはそのまま
l
コードの並列列化・分散化に関する記述は書かなくても良良い
xerial.org/silk
16

17. プログラムの作成過程
Silk: Smart Cluster Computing for Data Scientists
Program v1
f
A
B
val B = A.map(f)
l
データ A に対して、関数 f を適⽤用した結果をBに代⼊入
l
計算に数時間かかる
l
=> 実⾏行行中にも次の解析コードを追加したい
xerial.org/silk
17

18. ワークフローの追加
Silk: Smart Cluster Computing for Data Scientists
Program v2
Program v1
A
f
g
B
C
val B = A.map(f)
val C = B.map(g)
l
例例：
l
l
Program v1 を実⾏行行後、新たな解析が必要になりProgram v2を作成
既に計算されたBの結果を利利⽤用して val C = B.map(g) を計算するには？
xerial.org/silk
18

19. 課題
Silk: Smart Cluster Computing for Data Scientists
l
課題１：ワークフローの⾼高速な実⾏行行
l
l
課題２：ワークフローを簡単に記述できるようにする
l
l
l
多数のマシン、CPUを⽤用いて並列列に計算を⾏行行う
⾼高度度な並列列・分散処理理の知識識をユーザーに要求しない
Makefileでは⼤大変
課題３：ワークフローの更更新を管理理する
l
プログラムは解析が進むにつれ進化していく
⼀一度度終了了した計算の結果は再利利⽤用したい
l
障害からの回復復
l
l
l
l
マシンの障害だけではない
プログラム中のバグ、期待した結果が得られない場合の中断
プログラムの修正後、再実⾏行行のサポート
xerial.org/silk
19

20. 課題３：ワークフローの更更新を管理理する
Silk: Smart Cluster Computing for Data Scientists
Program v2
Program v1
f
g
A
B
l
例例：fの計算に数時間かかる場合
l
既に計算したBの結果を再利利⽤用
l
l
ファイルに保存
問題点
l
l
プログラムが冗⻑⾧長に
fが軽い計算の場合には保存しない
⽅方が得だが、その判断が難しい
C
val fileB = “result/B.obj”
val B = if(!fileB.exists) {
val tmp = A.map(f)
tmp.saveTo(fileB)
tmp
} else load(fileB)
val fileC = “result/C.obj”
val C = if(!fileC.exists) {
…
}
xerial.org/silk
20

21. プログラムへのマーキング（変数名）
Silk: Smart Cluster Computing for Data Scientists
Program v2
Program v1
f
g
A
B
C
val B = A.map(f)
val C = B.map(g)
l
Bの計算が終わったことをどう判定するか？
l
l
Bの結果を、Bという名前で保存する
変数名をマーカーとして活⽤用
コードの実⾏行行時には失われている情報
コード中の変数名の情報をコンパイル時に取得
l
l
l
Scala Macroの機能を活⽤用
xerial.org/silk
21

22. オペレーションツリーの作成
Silk: Smart Cluster Computing for Data Scientists
Program v2
Program v1
f
A
g
B
C
val B = A.map(f)
val C = B.map(g)
l
各変数には、Silkのオペレーションが代⼊入される
l
l
l
val B = MapOp(input:A, output:B, function:f)
val C = MapOp(input:B, output:C, function:g)
ネストしたオペーレション
l
l
l
val C = MapOp(input:MapOp(input:A, output:B, function:f), output:C, function:g)
Silkでのデータ操作は、プログラムツリーの構築
計算結果の再利利⽤用
l
Cの計算にはBが必要。Bが計算されていれば再利利⽤用、なければA.map(f)を実⾏行行
xerial.org/silk
22

23. Silkの実装
Silk: Smart Cluster Computing for Data Scientists
l
https://github.com/xerial/silk で開発中
l
設定ファイルを極⼒力力排除
l
l
$HOME/.silk/hostsにホスト名の羅羅列列を
書くだけ
クラスタの起動
l silk cluster start のコマンド⼀一つ
l
l
l
ZooKeeperの起動
SilkClientを各ノードに配備
SilkMasterを選出
l
ワークフローの実⾏行行管理理
xerial.org/silk
23

24. Clusterの起動
Silk: Smart Cluster Computing for Data Scientists
xerial.org/silk
24

25. silk-sbt plugin
Silk: Smart Cluster Computing for Data Scientists
l
silk-‐‑‒sbt plugin
l
l
SBT (simple build tool for Scala）からsilkの計算を実⾏行行できる
ワークフローをプログラミングしながら計算を実⾏行行
l
l
ソースコードに変更更がある度度に、再計算を実⾏行行
実⾏行行フレームワークの切切り替え
l
memory (インメモリで実⾏行行）か clusterの２種類
l
拡張案：qsub (グリッドエンジンに投⼊入）、Makefileにワークフローを変換（ファイル
経由のデータの受け渡し）、など。
xerial.org/silk
25

26. silk-bootstrap
Silk: Smart Cluster Computing for Data Scientists
l
https://github.com/xerial/silk-‐‑‒bootstrap
xerial.org/silk
26

27. Silk: Smart Cluster Computing for Data Scientists
l
silk evalコマンドには、(class name):(function name)を指定
xerial.org/silk
27

28. Distributed Sorting
Silk: Smart Cluster Computing for Data Scientists
xerial.org/silk
28

29. Distributed Sorting in Cluster: Sampling Sort
Silk: Smart Cluster Computing for Data Scientists
xerial.org/silk
29

30. Distributed Sorting – Shuffle Reduce
Silk: Smart Cluster Computing for Data Scientists
xerial.org/silk
30

31. In-memory sort - OutOfMemory
Silk: Smart Cluster Computing for Data Scientists
xerial.org/silk
31

32. UNIXコマンドのワークフロー
Silk: Smart Cluster Computing for Data Scientists
l
l
Makefile：ファイルを経由した依存関係の記述
Silk: 関数呼び出しの依存関係
l
例例：
l
l
ref <-‐‑‒ hg19, saIndex <-‐‑‒ (ref, fastq), sam <-‐‑‒ (saIndex, fastq), bam <-‐‑‒ sam, sorted <-‐‑‒ bam
UNIXコマンドの実⾏行行
l
c” (unix command)” の形式。⽂文字列列中に変数、関数を埋め込める. Scala macroで依存関係を抽出
xerial.org/silk
32

33. Write Once, Make it Scale
Silk: Smart Cluster Computing for Data Scientists
l
プログラムツリーの変換
l
map: 同じ関数を個々の要素に適⽤用
l
result
並列列化できる演算
result
gather
Node B
Node A
Map ref.align
Map ref.align
readFastq
readFastq
SA0001.fastq
Map ref.align
readFastq
ref
BWT.createIndex
scatter
broadcast
SA0001.fastq
ref
BWT.createIndex
xerial.org/silk
33

34. ワークフローの最適化
Silk: Smart Cluster Computing for Data Scientists
l
Static Optimization
l
l
l
Join operation
l
l
Hash Join – Silkで書かれている
Run-‐‑‒time optimization
l
l
map(f).map(g) => map(g・f) (関数の合成）
map(f).filter(p) => mapWithFilter(f, p) （出⼒力力データを減らす）
実⾏行行時、利利⽤用可能なノード数に合わせてデータ分割、並列列度度の調整
パイプライン化
l
map -‐‑‒> object serialization -‐‑‒> Snappy compression -‐‑‒> network transfer -‐‑‒>
Snappy decompression -‐‑‒> object deserialization -‐‑‒>reduce
l reducer側が起動したあとでないとデータが流流し込めない
l
l
Schedulerの調整が必要
spilling
l
データの流流量量が⼤大きいとき、ファイルに書き出す
xerial.org/silk
34

35. その他の実装・設計上の課題
Silk: Smart Cluster Computing for Data Scientists
l
データの⽣生存期間 => session
l
l
sessionに silk.id のデータを登録
sessionごとクリア、branchを作って新たな解析結果を上乗せ
l
l
l
データ解析⽤用のgit, mercurial
sessionの内容をディスクに書き出す
ファイル⼊入出⼒力力
l
l
l
NFS, glusterfs, local diskを中間データの出⼒力力先として使う
ZooKeeperにファイルのありか（ノード名、path)を記録
数⼗十GB〜～数百GBのデータ
l
l
l
全部読むのに何⼗十分〜～何時間もかかる -‐‑‒> あらかじめscatterしてlocal diskに保存して
おく
glusterfsのファイルに対し、ブロックごとに並列列にアクセスするのでは速度度が出なかっ
た
HDFS (replication = 1) を使ってノード分散を楽に実現するか
xerial.org/silk
35

36. クラスタ監視⽤用 Web UI
Silk: Smart Cluster Computing for Data Scientists
l
Silk WebUI
xerial.org/silk
36

37. Object-oriented Workflow Programming
Silk: Smart Cluster Computing for Data Scientists
xerial.org/silk
37

38. 分散システムの関連研究
Silk: Smart Cluster Computing for Data Scientists
l
分散計算の種類
l
Data Parallel
l
l
Dataflow Processing
l
l
l
l
l
l
l
Pig
Dryad (Microsoft. プロジェクト⾃自体は終了了）
SQL: Hive, Shark, DryadLINQ
Dremel (Google)
summingbird (Twitter)
Iterative Processing (loopの実⾏行行）
l
l
MapReduce (Google 2003)
Spark
Differential/Incremental computing
l Nova: Continuous Pig/Hadoop Workflow (C. Olston. SIGMOD2011)
l Niad (McSherry, Microsoft, 2013)
Silkの⽴立立ち位置
l
Workflow + Programming
l
l
この⼆二つを区別しないのがユニーク
Programming distributed workflows
xerial.org/silk
38

39. Spark + Mesos
Silk: Smart Cluster Computing for Data Scientists
l
Spark http://www.spark-‐‑‒project.org/
l
l
l
Mesos http://incubator.apache.org/mesos/ (2009~∼)
l
l
l
l
⼤大規模データの分散処理理を⼿手軽に⾏行行うための
フレームワーク (2009年年にプロジェクト開始)
ScalaによるHigh-‐‑‒level API
l 分散処理理への変換はフレームワークが⾏行行う
クラスタで使⽤用可能なノード、CPU数、メモリ量量を管理理
Spark、Hadoopなどのフレームワークへの資源割り当てを管理理
割り当て⽅方が特徴的
l Mesosがフレームワークに資源をoffer、各フレームワークが資源を使うかどうかを決定
Consensus problem
l
クラスタ計算機を共調して動かすにはどうすればよいか？
l
l
l
ロックによる同期、情報の共有(group membership)、リーダーの選択 (leader election)
分散ステートマシンを動かす -‐‑‒> 全ノードが同じ状態にあることを保障
Paxos プロトコル
l 2-‐‑‒phase commit, 3-‐‑‒phase commitに代わるレプリケーションのためのプロトコル
l 同等の実装：ZooKeeper
xerial.org/silk
39

40. https://github.com/xerial/silk
Silk: Smart Cluster Computing for Data Scientists
xerial.org/silk
40

41. Scala Cookbook
Silk: Smart Cluster Computing for Data Scientists
l
Scalaを使い始めるのは簡単
l
l
http://xerial.org/scala-‐‑‒cookbook/
15分でセットアップ、コンパイル、テストコードの実⾏行行までできる
xerial.org/silk
41

42. まとめ
Silk: Smart Cluster Computing for Data Scientists
l
Silk
l
l
以下の課題を解決
l
l
l
l
並列列・分散ワークフローを簡単にプログラミングできるプラットフォーム
課題１：ワークフローの並列列・分散実⾏行行
課題２：ワークフローを簡単に記述する
課題３：ワークフローの更更新の管理理
開発状況
l
コードからワークフローの抽出
l
l
分散実⾏行行
l
l
種々の最適化など
ノード間の通信、データの共有
TODO
l
CPUを有効活⽤用したスケジューラー（version2を作成中）
l
l
Apache mesosの利利⽤用も検討
中間データの保存形態
l
圧縮ストレージの作成
xerial.org/silk
42