yahoo! japanを支えるビッグデータプラットフォーム技術
DESCRIPTION
TRANSCRIPT
1 Privileged and Confidential
Yahoo! JAPANを支える ビッグデータ
プラットフォーム技術
遠峯 康夫 データソリューション本部
ヤフー株式会社
自己紹介
Privileged and Confidential 2
遠峯 康夫(とおみね やすお) 事業戦略統括本部 データソリューション本部 データインフラ開発部
2010年 新卒入社 Hadoopクラスタ立ち上げの部署に配属
2012年 データソリューション配属 Hadoop、リアルタイム処理基盤などを担当
Privileged and Confidential 3
is
Privileged and Confidential 4
…
…
…
Privileged and Confidential 5
…
…
…
あらゆるジャンルの ビッグデータを保有
目次
Privileged and Confidential 6
月間総ページビュー数
(2013年7-9月平均)
Privileged and Confidential 7
年間ユニーク検索クエリ数
(Yahoo! JAPAN調べ)
ビッグデータはユーザーのために利活用
Privileged and Confidential 8
ページビュー
広告ログ
検索クエリ
購買履歴
データ 処理
・・・
アクセス解析
効果測定
日本語処理
マルチメディア処理
レコメンデーション
ターゲティング
データフィード
!
ユーザー属性
ビッグデータはユーザーの課題解決につながる
利活用事例
Privileged and Confidential 9
サービス改善
利活用事例
Privileged and Confidential 10
縦22ピクセル 縦28ピクセル
サービス改善
利活用事例
Privileged and Confidential 11
縦22ピクセル 縦28ピクセル
サービス改善
利活用事例
Privileged and Confidential 12
¥
ターゲティング広告
PR
閲覧
検索キーワード
購買
広告 閲覧/クリック
…
興味関心を推定し最適な広告を掲出
利活用事例
Privileged and Confidential 13
レコメンデーション
利活用事例
Privileged and Confidential 14
単なる検索量のみではない 様々なパラメータ
キーワード補助入力
利活用事例
Privileged and Confidential 15
音声アシスト(音声認識、意図解析)
利活用事例
Privileged and Confidential 16
画像認識
利活用事例
Privileged and Confidential 17
マーケットインテリジェンス
パズル&ドラゴンズ(パズドラ)
利活用事例
Privileged and Confidential 18
マーケットインテリジェンス
パズル&ドラゴンズ(パズドラ) 艦隊これくしょん~艦これ~
利活用事例
Privileged and Confidential 19
マーケットインテリジェンス
利活用事例
Privileged and Confidential 20
マーケットインテリジェンス
利活用事例
Privileged and Confidential 21
Twitterのつぶやきを解析 “ネガティブ”,”ポジティブ” の割合をグラフ化
感情分析
利活用事例
Privileged and Confidential 22
ビッグデータレポート
利活用事例
Privileged and Confidential 23
都道府県別の議席獲得予測 42都道府県で獲得政党が一致
目次
Privileged and Confidential 24
どのようなシステムでデータを 処理しているのか?
Yahoo! JAPANデータインフラ概要
Privileged and Confidential 25
・・・
Storm
生成
収集
格納・処理
利活用
本日はHadoopの話を中心に
Privileged and Confidential 26
・・・
Storm
生成
収集
格納・処理
利活用
Privileged and Confidential 27
Yahoo! JAPANの Hadoopについて
Privileged and Confidential 28
Yahoo! JAPANの Hadoopについて の前に・・・
Hadoopはもちろん重要、でも・・・
Privileged and Confidential 29
本当に データを使い倒すには Hadoop以外の周辺システムとの連携が必要
Hadoop周辺システムのご紹介
Privileged and Confidential 30
・・・
Storm
生成
収集
格納・処理
利活用
Hadoopを中心とした周辺システムとの連携
Privileged and Confidential 31
Storm
DataHighway データ入力
一次加工データ 分析用データ連携
DataHighwayについて
Privileged and Confidential 32
Storm
DataHighway データ入力
一次加工データ 分析用データ連携
DataHighwayについて
Privileged and Confidential 33
とは?
Yahoo! JAPANで利用しているログ収集プロダクト 全てのWeblogを回収する仕組み 大量のデータを処理できる環境に運ぶために 必須の仕組み
DataHighwayの規模
・回収先:約8,500台 ・データ転送量:約13TB/day (圧縮済み)
DataHighway
Stormについて
Privileged and Confidential 34
Storm
DataHighway データ入力
一次加工データ 分析用データ連携
Stormについて
Privileged and Confidential 35
Stormとは? Twitter社がOSSとして公開した、 分散ストリーム処理プラットフォーム 9/18にApache Incubatorプロジェクト化 (リアルタイムに)逐次流れてくるデータを
即時に処理していこうという仕組み。
Yahoo! JAPANでの活用例
・各ページのリンクのクリック速報 ・広告改善のための一次データ加工 ・スマートフォンアプリのエラー速報 など
Teradataについて
Privileged and Confidential 36
Storm
DataHighway データ入力
一次加工データ 分析用データ連携
Teradataについて
Privileged and Confidential 37
とは? Teradata社の商用RDBMS 並列分散処理で、高速にSQLを実行できる Yahoo! JAPANでは、 主にアナリストの分析用途として活用
Yahoo! JAPANでの活用例
・広告レポートの抽出 ・広告モデルの効果測定 など
Hadoopだけではなく適切な役割分担が必要
Privileged and Confidential 38
Storm
・大規模バッチ処理 ・大規模アドホック処理 ・大量データの蓄積
・リアルタイム処理 ・逐次流れるデータの一次加工
・大規模な結合処理 ・高速なアドホック分析処理
Privileged and Confidential 39
Yahoo! JAPANの Hadoopについて
Yahoo! JAPANのHadoopについて – 目次
Privileged and Confidential 40
1. Hadoop構成
2. Hadoop規模
3. Hadoopの特色
4. チューニング事例
5. 機材の選び方
6. 今後の展望
Privileged and Confidential 41
Yahoo! JAPANのHadoop構成
Hadoopクラスタの状況
Privileged and Confidential 42
本番系:2クラスタ
Production Cluster1
開発系:6クラスタ
Production Cluster2
開発系は本番と比べると非常に小さいクラスタ 次期投入バージョンの検証なども実施
エコシステム
Privileged and Confidential 43
Oozie,Pig,Hive等のエコシステムを活用
Privileged and Confidential 44
Yahoo! JAPANのHadoopの規模
Yahoo! JAPANのHadoop規模
Privileged and Confidential 45
約3,500台
国内最大級 その規模感は?
Yahoo! JAPANのHadoop規模感
Privileged and Confidential 46
・1日に故障するサーバ台数
約1.5台/day
・1日にRead/Writeされるデータ量
Read:約750TB/day Write:約60TB/day
・1日に処理されるJobの積算時間
約1,000時間/day
Privileged and Confidential 47
Yahoo! JAPANのHadoopの特色
Yahoo! JAPANのHadoop特色
Privileged and Confidential 48
400ユーザを超える規模での マルチテナンシー運用
どれくらいマルチテナンシー?
Privileged and Confidential 49
・平均同時実行Job数
・同時最大実行ユーザ数
・最大同時実行Job数
約40Job
120Job超
約30ユーザ
マルチテナンシーの難しさ
Privileged and Confidential 50
いかに安定・公平に マルチテナント運用を行うか
状況の可視化
Privileged and Confidential 51
リソース使用状況の可視化
ある一日の利用状況 グラフの色でどの部署(ユーザ)がどの程度利用しているかを可視化
最大能力
使用量
状況の可視化
Privileged and Confidential 52
もちろん、曜日によって使われ方も違う
濃青は主に個人ユーザのアドホック利用 土日はあまり使われていないのがわかる
マルチテナントでうまく回すために
Privileged and Confidential 53
・利用者による一定の自治
・リソースキャパシティの定期的な見直し
・スケジューラ設定のチューニング
先の可視化グラフをユーザに見せ、 空いている時間帯を自ら選んでもらう。
部署毎に利用できるリソースの量に違いを持たせる。 利用率などを見て定期的に見直し。
Job同士のリソースの分け方に最適値はない。 トライアンドエラーで最も良いものを探し続ける。
Privileged and Confidential 54
Yahoo! JAPANでのチューニング事例
チューニングの内容
Privileged and Confidential 55
タスクslot数の最適化
タスクslot数とは?
単純に言うと、どれだけHadoopで 並列処理をさせるかの指標 これを多く出来れば、 同じ機材でより処理効率が高まる。
ここの高さを高くするということ
そもそもチューニングしようとした訳
Privileged and Confidential 56
H/Wのリソースが 余っていることを発見
今のH/Wに合った最適な設定値を探していた
CPU,DiskI/O,Memory Netowork,etc… 様々な指標を確認 そのうち、全ての指標に 若干の余裕があることがわかる
それならば・・・
Privileged and Confidential 57
1ノードでもっとTaskが動かせる! かもしれない
しかし、既に本番稼動しているクラスタ チューニングして問題がでないか・・・?
テストクラスタでは 規模が大きく異なるため、 必ずしも参考にはならない。 ※ネットワークトラフィックなど
テスト:本番 = 1:50~100 くらいの差
まずは再度現状の把握
Privileged and Confidential 58
チューニング前に様々な指標を確認
・当然、個別のノードの指標(CPU,Mem,Disk等)は重要
・個別のノードだけでなく、 システム全体の指標(スイッチのトラフィック等)もとても重要
気をつける項目の一例
Privileged and Confidential 59
気をつける項目の一例
・個別のノード(計算ノード側)
・CPU(特にwaitIO) ・Memory ・Disk(IObusy, queue) ・LoadAverage ・インターフェーストラフィック ・システム全体(スイッチ、マスタノード等) ・スイッチトラフィック ・マスタノードリソース(CPU, Mem, etc…)
個別のノードの指標に集中しすぎると、 システム全体のデグレに気付かない可能性がある
本番でのテスト実施
Privileged and Confidential 60
一部のラックに対して チューニング実施
ラックスイッチの限界などを測定するためにも ラック単位で設定値を変える必要がある
タスクslotの増加により 新しくボトルネックが 生まれてしまう可能性に注意
結果の検証
Privileged and Confidential 61
デグレされていないかの確認
グラフでのH/W指標の確認はもちろん 既存Jobのジョブ実行時間、タスク実行時間なども比較
タスク実行時間
<<< 未チューニングノード チューニングノード
となっていないか
チューニングの一例 – 結果
Privileged and Confidential 62
チューニングの成果
チューニング実施
実施後の最大性能
50%向上
Privileged and Confidential 63
機材の選び方
「コモディティ」が大切
Privileged and Confidential 64
コモディティな機材を選ぶ
コモディティ = 低性能・低価格
ディスク:CPUコア数 メモリ:CPUコア数 これらの比率に特に注意して選定
HBase等、使うエコシステムは事前に考えておく
コモディティ = 最高のコスパ
Yahoo! JAPANで使っている機材の一例
Privileged and Confidential 65
メモリ : 64GB CPU : 12コア24スレッド ディスク : 3TB × 4ディスク
Yahoo! JAPANでも当初それに倣い構成を計画
ディスクIOがネックになると言うのがHadoopのセオリー
定期的な計測により、ディスクを重視しない(CPU重視) のYahoo! JAPANの現在に合った構成に
処理に応じた適切な構成を選択する必要がある
Privileged and Confidential 66
今後の展望
今後の課題
Privileged and Confidential 67
安定性 基本的に安定的に運用できているが、 単一障害点(SPOF)があるのがネック
拡張性 MapReduceだけでは 今後の処理ニーズに対応しきれない 新しいフレームワークの模索の必要性
今後の展開の一つのケースとして
Privileged and Confidential 68
Hadoop-2.xの導入
単一障害点(SPOF)であったNameNodeの可用性が向上より信頼のおけるシステムへ
・NameNode-HA
・YARN JobTrackerというSPOFのあったアーキテクチャを改良 全くJobが動かせなくなる可能性を低減 MapReduceのみならない多様なフレームワークの可能性
10/15にHadoop-2.2.0-GAリリース!
Privileged and Confidential 69
Ready?
目次
Privileged and Confidential 70
どのようにしてビッグデータを 利活用しているのか? 全員がデータに触れることが重要
データは一部の人だけのものではない
目次
Privileged and Confidential 71
どのようにしてビッグデータを 利活用しているのか? 全員がデータに触れられる環境
まとめ
Privileged and Confidential 72
・Yahoo! JAPANではあらゆるジャンルの ビッグデータを保有・活用 ・ビッグデータを徹底的に活用するため Hadoopを中心としたデータ処理システム を構築、運用 ・データを効果的に利活用するには 技術面だけでなく組織面での整備も必要
Privileged and Confidential 73
データで、ユーザーファーストを実現
Privileged and Confidential 74