AWSマイスターシリーズ ～Amazon EMR～

2011年11月16日

大谷 晋平（ @shot6） ソリューションアーキテクト

アジェンダ

Hadoopとは

Amazon Elastic MapReduce(EMR)

EMR機能

EMR事例

まとめ

Apache Hadoopとは？

Big Dataを扱うために：

– スケーラブルな分散ストレージ

– 低価格で柔軟に行うことが出来る分析

Hadoop は上記を満たすオープンソース製品

– HDFS(Hadoop Distributed File System)

– 巨大なデータを扱えるバッチ処理用分散ファイルシステム。

– コモディティサーバに特化。

– MapReduce

– 分散処理である煩わしい点をカバーしてくれる

Apache Hadoopとは(2)

エンドユーザが受けるメリット

–誰でも入手可能

–スケーラブル

–柔軟性

– 実績も多く、PBオーダまでリニアにスケール可能な、分析基盤が誰でも使える

–4000台までスケール

イメージで掴むMapReduce

(map ‘( ) )

( )

(reduce ‘( ) )

大元の入力データ

Map処理

Reduce処理

最終出力結果

(Shuffle処理)

Map処理の入力

(<a, > , <o, > , <p, > , …)

Map処理の出力

(<a’, >, <o’, >, <p’, >, …)

Reduce処理の入力

(<a’, >, …)

チャンクに分解

Hadoop ”スタック”

RDBMSとHadoopの違い

RDBMS

事前定義したスキーマ

1台で稼働する事が前提

SQLによるアクセス

リニアにスケールしない

リアルタイム処理

小規模データ

構造化データ

Hadoop

スキーマなし

分散・協調して動く前提

SQLでない複数言語サポート

リニアにスケールする

バッチ処理

大規模データ

半構造化データ

Hadoopの課題

Hadoopのスケーラビリティを活かすには大量のサーバが必要

購入してしまうと拡張するのも困難。 自由にノードを追加・縮小できない

データをHDFSだけに保存するのはリスク

データ紛失のリスクがぬぐいきれない

Amazon Elastic MapReduce(EMR)

Amazon Elastic MapReduceとは

Hadoopをオンデマンドにいつでも実行可能

• 使った分だけなので、低コスト

開発者は分析・解析アプリケーションに集中

• 結果を出すまでの最短パス

S3による入力・出力データを強力に保護

• データをロストしない仕組み

Amazon Elastic MapReduceとは(2)

Big Data処理のための煩雑な事を肩代わり

サーバ調達、見積もり、チューニング・・・

解析をトライアンドエラー出来る

ユーザ動向にあわせ、アドホックに解析可能

• 収集→保存→解析→アクションの サイクルをもっと早く！

AWSの他サービスとのインテグレーション

S3との連携機能

JavaやRubyなどのSDKが利用可能

図で表すと・・・

HWの購入

ラックへ設置

電源とNWを設定

OS インストール

基本設定 Hadoop インストール

Hadoop クラスタ

構築

Hadoop 稼働確認

図で表すと・・・

HWの購入

ラックへ設置

電源とNWを設定

OS インストール

基本設定 Hadoop インストール

Hadoop クラスタ

構築

Hadoop 稼働確認

EMRであれば・・・

Hadoop 何ノードであげるか、指定する

Hadoop 稼働確認

EMRがサポートするHadoopスタック

Hadoop 0.20

Hive 0.5/0.7

Pig 0.6

Cascading 1.1

Hadoop 0.18

Hive 0.4

Pig 0.3

Cascading 1.1

EMR Hadoop Cluster

Amazon S3

Amazon SimpleDB

BI Apps

巨大なデータセットや、 膨大なログをアップロード データ

ソース

Code/ Script

s

Amazon S3

Service

Amazon Elastic MapReduce

HiveQL Pig Latin Cascading

MapReduce コード

複数のジョブフローのステップを実行

JDBC ODBC

HiveQL Pig Latin アドホック

クエリ

EMRの全体アーキテクチャ

Input Data

Output Data

メタデータ

Master

Instance

Group

Task

Instance

Group

Master

Node

Task Node

Task Node

Core

Instance

Group

HDFS

Core Node

Core Node

HDFS

EMRのコンポーネント

インスタンスグループ

Master, Core, Taskの3つ

Master

ジョブ全体を管理。1台のみ起動。

Core Node

HDFSのDataNodeを持つ。TaskTrackerも搭載し、MapReduceも実行。複数台起動。

Task Node

オプション。MapReduceのみを実行。複数起動

EMRを支えるAWSプラットフォーム

Amazon EC2

スケーラブルなコンピュートリソース

柔軟でスケールアップ、スケールアウト可能

Amazon S3

スケーラブルなWebストレージサービス

99.999999999%の堅牢性、セキュアで非常に安価

EMRのデータ及びアプリケーションのアップロード先

EMRを支えるAWSプラットフォーム(2)

SimpleDB

管理不要で可用性重視のAmazon独自NoSQLサービス

カラム指向で簡易クエリも付属

EMRのジョブ状態情報を維持

IAM

EMRのアクションを制限可能

• ジョブフローをTerminateできない等

現状ではコマンドラインからのみ。

• ジョブフローを起動して以下で管理可能

• AWS マネージメントコンソール

• コマンドライン

• REST API

好きな言語で利用可能

Webブラウザ上の管理コンソール

APIおよびSDKからも利用可能

PHP

Ruby

Java

…

EMRでのアプリケーション開発

Hadoop Streaming

Perl、PHPなどのstdin/stdoutで連携

既存言語での利用が可能

Hive

SQLライクにクエリが記述可能

アドホックなクエリに最適

MapReduceアプリケーション

Javaで記述する

自由度も高いが、大変な面も。

EMRデモ

例:Hadoop

Streaming

elastic-mapreduce --create --name emrrun1

--stream --master-instance-type m1.small

--slave-instance-type m1.small

--num-instances 3 --mapper

s3://elasticmapreduce/samples/wordcount/wo

rdSplitter.py --input

s3://elasticmapreduce/samples/wordcount/inp

ut --output s3://ohtaniprotected/emrtest_1

--reducer aggregate --region ap-northeast-1

elastic-mapreduce --create --name emrrun1

--stream --master-instance-type m1.small

--slave-instance-type m1.small

--num-instances 3 --mapper

s3://elasticmapreduce/samples/wordcount/wo

rdSplitter.py --input

s3://elasticmapreduce/samples/wordcount/inp

ut --output s3://ohtaniprotected/emrtest_1

--reducer aggregate --region ap-northeast-1

elastic-mapreduce --create --name emrrun1

--stream --master-instance-type m1.small

--slave-instance-type m1.small

--num-instances 3 --mapper

s3://elasticmapreduce/samples/wordcount/wo

rdSplitter.py --input

s3://elasticmapreduce/samples/wordcount/inp

ut --output s3://ohtaniprotected/emrtest_1

--reducer aggregate --region ap-northeast-1

elastic-mapreduce --create --name emrrun1

--stream --master-instance-type m1.small

--slave-instance-type m1.small

--num-instances 3 --mapper

s3://elasticmapreduce/samples/wordcount/wo

rdSplitter.py --input

s3://elasticmapreduce/samples/wordcount/inp

ut --output s3://ohtaniprotected/emrtest_1

--reducer aggregate --region ap-northeast-1

#!/usr/bin/python

import sys

import re

def main(argv):

line = sys.stdin.readline()

pattern = re.compile("[a-zA-Z][a-zA-Z0-9]*")

try:

while line:

for word in pattern.findall(line):

print "LongValueSum:" + word.lower() + "\t" + "1"

line = sys.stdin.readline()

except "end of file":

return None

if __name__ == "__main__":

main(sys.argv)

elastic-mapreduce --create --name emrrun1

--stream --master-instance-type m1.small

--slave-instance-type m1.small

--num-instances 3 --mapper

s3://elasticmapreduce/samples/wordcount/wo

rdSplitter.py --input

s3://elasticmapreduce/samples/wordcount/inp

ut --output s3://ohtaniprotected/emrtest_1

--reducer aggregate --region ap-northeast-1

Hadoopの

ノードを

動的に追加

elastic-mapreduce

--add-instance-group TASK

--instance-count 1

--instance-type m1.small --jobflow $JOBID$

--region ap-northeast-1

elastic-mapreduce

--add-instance-group TASK

--instance-count 1

--instance-type m1.small --jobflow $JOBID$

--region ap-northeast-1

elastic-mapreduce

--add-instance-group TASK

--instance-count 1

--instance-type m1.small --jobflow $JOBID$

--region ap-northeast-1

EMR機能: 稼働中ジョブフローの拡張

利用シナリオ: ジョブフローの高速化

要件変更によるジョブフローの実行速度の向上

ジョブの再起動なしに、ジョブにかけるコストとパフォーマンス対比を変更できる

4ノード 起動

25ノードへ

更に拡張

9ノードへ 拡張

Job Flow

残り時間

残り時間 14 Hours

3 Hours

残り時間

Job Flow

Job Flow

7 Hours

EMR機能: 稼働中ジョブフローの拡張/伸縮

利用シナリオ: 柔軟なデータウェアハウスクラスタ

クラスタサイズをリソースの必要性に応じて変更 (例：日中のクエリ実施 vs 夜間バッチ処理)

コスト削減とクラスタ利用シーンに応じた柔軟性の確保を両立

9ノード 起動

25ノードへ

拡張

9ノードへ 戻す

データウェアハウス

(通常時) データウェアハウス

(通常時)

データウェアハウス (バッチ処理中)

増減できるのはタスクノード コアノードは増加のみ

EMR+Spotインスタンス”ランデヴー”

EMRを活用し始めると、更にアドホックなクエリをどんどん実行したくなる

分析・解析を促進→サービスやアプリ改善

しかし、コスト的に抑えておきたい

EMRとSpotインスタンスのインテグレーション

Spotインスタンスって？？？

課金モデルのイノベーション

オンデマンド

インスタンス

•従量課金制

•時間あたり $0.03開始

スパイク対応 評価検証

リザーブド

インスタンス

•初期費用 + 従量課金

•1年コミットで$56、時間当たり $0.01から開始

本番利用 定常的な利用

スポット

インスタンス

•指定した価格で従量課金

•時間当たり$0.005という場合も

アドホックな用途

占有インスタンス

•マルチテナントを単一顧客が占有

•$10/リージョン、 時間あたり$0.105

規制や、コンプライアンス

対策

AWS EC2インフラストラクチャ

Spotインスタンスの詳細

EC2インスタンス購入オプションの一つ

コスト削減効果が非常に高い

使用していないEC2キャパシティに指値

EMRでのアドホックな追加クエリに最適

オンデマンドやリザーブドと異なる挙動

入札した価格に見合う間だけ利用可能

AWSのリザーブド・オンデマンドの余剰リソースを低価格で貸し出し

リージョン毎・ゾーン毎に指定可能に

M1.XLARGEインスタンスの価格履歴

Amazon EC2 オンデマンド(東京リージョン)の価格は$0.60

EMR機能: Spotインスタンスの活用

Spotインスタンス=利用者が指値を入れるインスタンス

利用シナリオ: ジョブのランニングコストを抑えたい

オンデマンドのm2.xlarge 4ノードで開始

処理の高速化のためスポットインスタンスで5ノード追加

4ノードで 起動

Spot 5ノード

追加

Job Flow

残り時間 14時間

残り時間

Job Flow

7時間

スポットなしのコスト 4 instances *14 hrs * $0.50 = $28

スポットありのコスト 4 instances *7 hrs * $0.50 = $13 + 5 instances * 7 hrs * $0.25 = $8.75 Total = $21.75

時間の削減効果: 50% コスト削減効果: ~22%

EMR+Spotの使いどころ

ユースケース Master Instance Group

Core Instance Group

Task Instance Group

長時間稼働のジョブフローの高速化

オンデマンド オンデマンド Spot

低コストで実行したいジョブ

Spot Spot Spot

クリティカルデータを扱うジョブ

オンデマンド オンデマンド Spot

アプリケーションのテスト

Spot Spot Spot

コストを抑えつつ、利用目的にあわせて柔軟に変更可能

その他の機能

クラスタインスタンスタイプのサポート

US東海岸のみ

通常インスタンスと比較し速度が大幅に向上するケース

AWS上での最適化設定を施したワークフロー

メモリインテンシブ設定など

ブートストラップアクション

起動時にユーザがHadoopをカスタマイズできる余地

Hive 0.7

HAVING句、IN句の導入

ローカルモードクエリのパフォーマンス向上、カラム圧縮効率の向上、動的パーティショニング

S3 マルチパートアップロードによるアップロード時間の短縮

EMRが有効な領域例

データマイニング/BI

ログ解析、クリックストリーム分析、近似分析

データウェアハウスアプリケーション

大量ファイル処理・変換

バイオインフォマティクス(遺伝子解析)

金融シミュレーション(モンテカルロ計算等)

Webインデックス構築

EMRの利用事例

クリックストリーム分析 – Razorfish

Razorfishが巨大小売店向けに開発

一日35億レコード, 7100万ユニーククッキー, 170万広告

ターゲット広告

ユーザは最近ホームシアターシステムを購入し、ビデオゲームを見ている

(一日170万)

• EMRとS3を利用

– オンデマンドで100ノードクラスタを実行

– 処理時間が2日間から8時間へ減少

Razorfishの事例 –その効果-

顧客のEMR導入前

SANストレージ/30サーバ/ハイエンドのSQLサーバ3台

初期費用：40,000,000円

運営費も甚大なコスト

調達にかかった時間：2か月

処理にかかる時間：48時間

EMR導入後の費用対効果

EMR/S3/オープンソースのCascadingを利用

初期費用：0円

運営費：約100万円(コスト↓)

調達にかかった時間：0(ただし評価検証に6週間)

処理にかかる時間：8時間

ROAS(広告費用対効果)を500%改善

Data Sources

Talend Data Flow Manager

Elastic MapReduce

Web Application Layer

Presentation Layer

Internet

Direct Analytics Processing via

EMR

File Export

Cloud Storage S3

Aggregate Ad

Serving data

Log Files

APIs

Cache Edge Provisionin

g DB

OLAP

Client Provided

Data

HBase/SDB

ODBC

Razorfishの事例 –アーキテクチャ-

Razorfish様事例より引用

Sonetの事例

広告配信ログの分析

1日平均10GB、年間3.65TB

1年分5TBをS3にアップロードしてEMRで解析

オンプレミスでの試算：初期費用で数千万円単位

EMR+S3+SQSの価格：毎月50万円(年間600万円)

• コストを大幅に削減

スポットインスタンスを活用して、アドホック分析

• 更にコストを50%削減

SonetのEMR利用アーキテクチャ

Sonet様AWSアドバンテージセミナ資料より引用

Foursquareの事例

スマートフォンのチェックインデータ

10M+ユーザ、15M+地域、1Bチェックイン

利用用途

機械学習、データ分析、トレンド分析、 レポーティング

EMR平均40ノードクラスタを動的に起動

RubyでHadoop Streaming

地域の近似性や誰がチェックインしてるか

Foursquareの事例

ログ収集：Apache Flume ログ保存：S3 ログ解析：EMR

オンデマンド とSpotを併用

Etsy

年商$30M規模の巨大小売サイト

842,000,000PV

434GBのログ

ログ解析とリコメンデーションエンジンでEMRを利用

S3にHTTPログを時間ごとにアップロード

EMRで解析

Etsyアーキテクチャ

本日ご紹介できなかったEMRユーザ

EMRのロードマップ

より最新バージョンのHadoopサポート

“実験的な”最新版のHadoopサポート

And more to come…

EMRに関連する都市伝説

Q.オンプレミスHadoopの方が早い

物理ハードウェア vs 仮想化

確かに物理ハードウェアの方が早い場合が多い

大事な点はEMRのもたらす柔軟性・拡張性

EMR=スケーラブルなインフラ(EC2/S3/SimpleDB)＋ スケーラブルなフレームワーク(Hadoop)

特にHadoop固有の性質としてスケールアウトが非常に有効

伸縮自在にHadoopを使えるメリット

Q.オンプレミスHadoopの方が安い

物理ハードウェアは最近本当に安い

Hadoopであれば高価なハードウェアは要らない

HDFSによるレプリケーション

NW機器のコストは別

ラック越えしたあたりからコストはぐっと高くなる

調達の時間的コストも別

ハードウェア調達して、インストール・設定するコストは無駄

膨大に増え続けるデータ量に比例してハードウェアを買い続けるのも非効率

ハードウェアを購入すると、分析・解析が制限されてしまう

HDFSの堅牢性(HDFSだけで本当に大丈夫か)

バックアップの取得、またはマスタからロードしたくなる

• そこまで含めてコスト・運用効率があるか

EMRであれば、S3の堅牢性で全て解決

S3のスケール

Q4 2006 Q4 2007 Q4 2008 Q4 2009 Q4 2010 Q2 2011

Peak Requests: 290,000+ per second

Total Number of Objects Stored in Amazon S3

2.9 Billion 14 Billion

40 Billion

102 Billion

449 Billion

262 Billion

Q.Hadoopの面倒はみてくれないのでは？

EMRのHadoopは深刻な問題に対してはパッチを適用

Hadoopの深刻なバグを低コストで回避可能

定期的にメンテナンス、バージョンアップに対応

現状は0.18.3/0.20.2

ユーザの方でBootstrapAction時に差し替えも可能

ただしEMR側での最適化が効かなくなるデメリットも

ご利用は計画的に！

アプリケーション/データはユーザが開発

ソリューションプロバイダさんがご支援可能

Q.AWSもリソースが足りなくなるのでは？

アマゾン ドット コムが2000年当時年商27.6億ドルの

企業であった時に必要なキャパシティと同等のものを

AWSは毎日追加しています。

EMRだけでなく、様々なユースケースを含めてリソース

調達

リソースの利用率を出来るだけ100%にもっていく→規模の経

済

オンデマンド、リザーブド、そしてSpotでの利用

EMRでも多くのお客様から台数緩和申請

20台を超える場合の緩和申請

• http://aws.amazon.com/jp/contact-us/ec2-request/

データ保存 並列分析

処理

データの生成・保存、インデクシング、アグリゲーショ

ン

Batch Tier Speed Tier

(ニア) リアルタイム 分析

構造化データ 半構造化データ

クラウド上での大量データ処理

HBase SimpleDB Cassandra MongoDB RDBMS

Hadoop S3 EMR

大規模データ処理＝クラウドが最も活躍できる場所 - EMRを中心にしたその一例 -

Hadoop EMR Cluster

Compute HPC

Spot

インスタンス

拡張

縮退

Elastic

Batch

Processing

Hadoop デファクト 分散処理 フレーム ワーク

オンデマンドで 使える スケーラブルな インフラ

Each VM = 2 Xeon “Nehalem” Quad-core 10G Ethernet 2 GPGPUs

コスト削減 “Spot price”

クラスタの 状況に応じて 拡張または 縮退できる

スケーラブルな大規模データ処理基盤

まとめ

EMRはBigdataのためのキラーソリューション

大量ログ解析のニーズは大きい

Hadoopは既にデファクト

EMRはHadoopの煩雑さをカバーするサービス

大量データ解析を、高い費用対効果で実現

開発者は本来やるべきアプリ(分析、解析等)に集中

データはS3で堅牢性を維持し、クラウドのスケーラビリティのメリットを徹底的に活用

Q & A

ご参加ありがとう ございました

Copyright © 2011 Amazon Web Services