1

【AWS Black Belt Online Seminar】Amazon EMR

アマゾン ウェブ サービス ジャパン株式会社

2016.10.26

2

自己紹介

名前：半場 光晴（はんば みつはる）

所属：– アマゾン ウェブ サービス ジャパン株式会社

– メディア・エンターテイメント部

– ソリューションアーキテクト

好きなAWSサービス：Kinesis, S3, EMR

2

3

本資料では2016年10月26日時点のサービス内容および価格についてご説明しています。最新の情報はAWS公式ウェブサイト(http://aws.amazon.com)にてご確認ください。

資料作成には十分注意しておりますが、資料内の価格とAWS公式ウェブサイト記載の価格に相違があった場合、AWS公式ウェブサイトの価格を優先とさせていただきます。

内容についての注意点

AWS does not offer binding price quotes. AWS pricing is publicly available and is subject to change in accordance with the AWS Customer Agreement available at http://aws.amazon.com/agreement/. Any pricing information included in this document is provided only as an estimate of usage charges for AWS services based on certain information that you have provided. Monthly charges will be based on your actual use of AWS services, and may vary from the estimates provided.

価格は税抜表記となっています。日本居住者のお客様が東京リージョンを使用する場合、別途消費税をご請求させていただきます。

4

Agenda

• はじめに

• 分散処理基盤としてのAmazon EMR

• Amazon EMR主要アップデート (2015/10以降)

• 分散処理アプリケーションとしてのAmazon EMR

• まとめ

5

Amazon EMRの歴史

• 2009年に最初のリリース– MapReduceジョブを、ボタン1つで実行

できる環境を提供

• Hadoopエコシステムの進化に対応

– Pig, Hive, HBase, Impala, Presto, Hue, Hadoop 2.0, Spark

• AWSサービスの進化に対応– Spot, IAM, DynamoDB, VPC,

CloudWatch, CLI, Kinesis, KMS

→ もはやMapReduceだけではない！

Storage S3 (EMRFS), HDFS

YARNCluster Resource Management

BatchMapReduce

InteractiveTez

In MemorySpark

ApplicationsHive, Pig, Spark SQL/Streaming/ML, Mahout, Sqoop H

Base

/

Ph

oen

ix

Pre

sto

Hue (SQL Interface/Metastore Management)Zeppelin (Interactive Notebook)

Ganglia (Monitoring)HiveServer2/Spark Thriftserver (JDBC/ODBC)

Amazon EMR service

6

ビッグデータパイプライン

S3

Kinesis

DynamoDB

AWS Lambda

KCL Apps

EMR

EMR Redshift

MachineLearning

Collect Process Analyze

Store

Data Collectionand Storage

DataProcessing

EventProcessing

Data Analysis

Data Answers

7

分散処理基盤

• 分散処理に必要なリソースを簡単に調達/廃棄可能

– Master/Core/Task node

– EMRFS

– Bootstrap Action, Steps

分散処理アプリケーション

• 複雑な設定無しに分散アプリケーションを利用可能

– Hadoop, YARN

– Hive, Pig, HBase, Spark..

Amazon EMRを構成する2つの要素

8

分散処理基盤としてのAmazon EMR- アーキテクチャ -

9

Task Node

Task Instance Group

Amazon EMRのアーキテクチャ

security group

security group

Master Node

Master Instance Group

Amazon S3Amazon

DynamoDB

Amazon Kinesis

Core Node

Core Instance Group

HDFS HDFS

HDFS HDFS

Task Node

Task Instance Group

スレーブ群を管理

HDFSアクセス

AWSサービスアクセス

10

Amazon EMR Master Instance Group

• Master Nodeは1つ– Failoverは非対応

• いわゆるマスターの役割を担う– NameNodeや

ResourceManagerなどが動く

– Core NodeやTask Nodeの監視

Master Node

Master Instance Group

Hadoop1: JobTracker

Hadoop2: ResourceManager

HDFS: NameNode

Hive: HiveServer, MetaStore

Presto: Coordinator

11

Amazon EMR Core Instance Group

• 1つ以上のCore Node

• いわゆるスレーブの役割を担う– NodeManagerなど

– DataNodeが動きローカルディスクがHDFSとして使われる

• インスタンスストアとEBS、どちらもOK

HDFS

Core Node

Core Instance Group

Hadoop1: TaskTracker

Hadoop2: NodeManager

HDFS: DataNode

Presto: Worker

12

Amazon EMR Core Instance Group

• Core Node追加可能

– HDFS容量増加

– CPU/RAM増設

• HDFSを持っているため、削減はできない

– 4.1.0からは削減も可能に

HDFS

Core Node

Core Instance Group

Hadoop1: TaskTracker

Hadoop2: NodeManager

HDFS: DataNode

Presto: Worker

13

Amazon EMR Task Instance Group

• HDFSを持たない以外はCoreと同じ役割

• HDFSのデータはCore Nodeにアクセスする

• HDFSを持たないので削除もより自由– Decommissionが不要

Task Node

Task Instance Group

Hadoop1: TaskTracker

Hadoop2: NodeManager

(Presto: Worker)

14

Amazon EMR Task Instance Group

• 複数Group設定可能

– Spotのbid価格を調整

– Instance Typeを調整

• 余っているRIを活用したり、市場価格に合わせてSpotを調整したりと柔軟に対応

Task Instance Group 2

Task Instance Group 1

c3.xlarge * 2

bid: $0.1

r3.xlarge * 2

bid: $0.5

15

Spot Instanceの活用例

Task Instance GroupCore Instance Group

予測されたコストで最低要件を満たす 低コストでより高速に

On-demandをCore Nodeに利用

最低要件を満たすだけのキャパシティをOn-demand価格で確保

Spot InstanceをTask Nodeに利用

On-demandの最大90%引き程度の価格で追加のリソースを確保

例: m4.xlarge 6台で10時間かかる処理 (倍の12台なら、5時間で終わると仮定)

Core Node(On-demand)のみ: $0.348×10h×6台 = $20.88 で10時間※

Task Node(Spot)で倍に: $0.348×5h×6台 + $0.04×5h×6台 = $11.64 で5時間※

※2016年10月19日現在のap-northeast-1の価格です。Spotの価格は時によって変動するので仮の価格です。

16

分散処理基盤としてのAmazon EMR- 機能・特徴 -

17

EMRFS: Amazon S3をHDFSの様に扱う

• 計算資源とストレージを分離できる

• クラスタのシャットダウンが可能

– クラスタを消してもデータをロストしない

• 複数クラスタ間でデータ共有が簡単

– クラスタのバージョンアップ検証が並行できる

• データの高い耐久性

EMR

EMR

Amazon S3

18

EMRFSの特徴

• “s3://”と指定するだけで利用可能

• Amazon S3の機能がそのまま使える– 例: 古いデータはAmazon Glacierに自動で移動させる

• Amazon S3のサーバサイド・クライアントサイドの暗号化も利用可能– 他のアプリでクライアント暗号化したAmazon S3データも読み

出し可能

• クラスタを消してもデータは消えない

19

EMRFSのConsistent View

• Amazon S3の整合性は以下のとおり– 新しいオブジェクトのPUT → 書き込み後の読み

取り整合性 (Read-after-write consistency)

– 上書きPUT/DELETE → 結果整合性 (Eventual consistency)

• EMRFSではConsistent Viewを提供– Amazon DynamoDBにメタデータを格納し整合

性を担保• List Consistency

• Delete Consistency

• Read-after-write Consistency

– 結果としてオブジェクトのリスト取得も高速に

Amazon S3 Amazon DynamoDB

EMRFSのメタデータを格納

https://docs.aws.amazon.com/ElasticMapReduce/latest/ManagementGuide/emr-plan-consistent-view.html

20

Amazon EMRならではの使い方

• 必要な時だけクラスタ起動– 消せばお金はかからない– 処理が終わったら自動で消え

る設定も可能

• データは全てAmazon S3– クラスタを消してもデータは

消えない– データを貯める段階ではクラ

スタ不要

t

21

Amazon EMRの機能: Bootstrap Action

• 全てのNode起動時に実行されるスクリプト– 実行可能ファイルであれば何でもOK

• Bash, Ruby, Python, etc.

– Amazon S3に置いて指定、コマンドライン引数も自由に指定

– 事前にApache Bigtopにカスタムアプリケーションを追加してパッケージやリポジトリを作成しておき、Bootstrapでデプロイするということも可能

• http://aws.typepad.com/sajp/2016/09/building-and-deploying-custom-applications-with-apache-bigtop-and-amazon-emr.html

22

Amazon EMRの機能: Step

• 任意のタイミングで設定/追加できる処理– クラスタ起動時に設定することもできるし、起動しているクラスタに後から追加する

こともできる– 例: 日次のETL処理を行うHiveQL実行

• Amazon S3のURI、または、ローカルのファイルパスをして実行– S3上のjarファイルを指定して実行など– Streaming, Hive, Pig, SparkはEMRがサポート (command-runner.jarの利用)– script-runner.jarでbashスクリプトを実行させることも可能

• 最後のStepが終わったら自動でクラスタを終了させることもできる(Auto-terminate)

23

Amazon EMRでのジョブ実行方法クラスタの外から

• Stepで実行– Amazon EMRの仕組みの上で実行

• マネージメントコンソールやCLI• AWS SDK• IAM

– 成功/失敗等を簡単に管理できる– 現状はシリアル実行のみ

• AWSサービスから実行– Lambda– Data Pipeline

• 各種スケジューラから実行

Amazon EMR

Amazon EMR

Step API

AWS Data Pipeline

Airflow, Luigi, or other

schedulers on EC2

AWS Lambda

24

Amazon EMRでのジョブ実行方法クラスタ上から実行

• 各アプリケーション毎のインタフェースで実行– Master Nodeにsshして、コマンド実行

– HiveServer2, spark-submit等でジョブを実行

– Zeppelin, Hue, spark-jobserver等でGUIからジョブを実行

– Oozie等で一連のワークフローとしてジョブを実行

Web UIs: Hue SQL editor, Zeppelin

notebooks,

R Studio, and more!

Connect with ODBC / JDBC using

HiveServer2/Spark Thriftserver

Use Spark Actions in your Apache Oozie

workflow to create DAGs of jobs.(start using

start-thriftserver.sh)

Or, use the native APIs and CLIs for

each application

25

Amazon EMR主要アップデート(2015/10以降)

26

Amazon EMR主要アップデート (2015/10以降)

• Private SubnetでもEMRが起動可能に

• EBSの設定が可能に & M4/C4もサポート

• Apache Spark, Tez, Hadoop MapReduceでデータ暗号化が可能に

• Apache HiveとApache Spark用のEMR-DynamoDBコネクターをOSSとして公開

• Release 4.x, 5.x

27

Private SubnetでもEMRが起動可能に

• SubnetがPrivateでも起動可能に– EMR 4.2.0以降で対応

• Publicとの違い– S3のVPC endpointが必要

– DynamoDB等へのアクセスにはNAT GW等が必要

– EMR Serviceが利用するSecurity Groupが必要

https://aws.amazon.com/about-aws/whats-new/2015/12/launch-amazon-emr-clusters-in-amazon-

vpc-private-subnets/

28

EBSの設定が可能にそして、インスタンスタイプM4/C4もサポート

• EMRのAPI等からEBSを設定可能に– HDFSなどをより大容量に

することが可能に– タイプ、サイズ等を指定可

能– CloudFormationからも設

定可能

• EBSのSC1/ST1もサポート– HDFSで効果を発揮する

• M4とC4が利用可能に

https://aws.amazon.com/about-aws/whats-new/2016/02/amazon-emr-now-supports-amazon-ebs-

volumes-and-m4-and-c4-amazon-ec2-families/

29

Apache Spark, Tez, Hadoop MapReduceでデータ暗号化が可能に

https://aws.amazon.com/about-aws/whats-new/2016/09/amazon-emr-now-supports-data-

encryption-for-apache-spark-tez-and-hadoop-mapreduce/

• at-restの時も、in-transitの時も、データ暗号化が可能に

• at-rest– EMRFS, HDFS、そして、 ローカル

ファイルシステムに保存されているデータが対象

• in-transit– TLSを利用

• EMRのセキュリティ設定機能で簡単に設定可能

30

Apache HiveとApache Spark用のEMR-DynamoDBコネクターをOSSとして公開

• DynamoDBへ直接アクセスが可能

• DynamoDBのテーブルと、EMRからアクセス可能な他のデータをJOINすることも可能

• GitHub– https://github.com/awslabs/emr-dynamodb-connector

https://aws.amazon.com/about-aws/whats-new/2016/09/the-amazon-emr-dynamodb-connector-for-

apache-hive-and-apache-spark-is-now-open-source/

31

Amazon EMR Release (2015/07以降)

• Release 4.0.0 – 2015/07• Release 4.1.0 – 2015/09• Release 4.2.0 – 2015/11• Release 4.3.0 – 2016/01• Release 4.4.0 – 2016/03• Release 4.5.0 – 2016/04• Release 4.6.0 – 2016/04• Release 4.7.1 – 2016/06• Release 4.7.2 – 2016/07• Release 5.0.0 – 2016/08

• 約12ヶ月間で10回のリリース

• 進化の早いHadoopエコシステムに追従していくため

http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide/emr-release-

components.html

http://bigtop.apache.org/

32

Amazon EMR Release登場

• ポートやパスを標準的なものへ変更– Amazon EMR独自の設定から、オープンソースの標準設定へ

• アプリケーションの設定を直接的に変更できる様に– 設定ファイルを編集するのではなく、パラメータを直接指定できる

• マネージメントコンソール、ドキュメントも刷新– Quick Createでより簡単にクラスタ作成

– ドキュメントは、Management GuideとRelease Guideへ

※従来のAMIベースのバージョンの時との差分について、ドキュメントに詳細がまとまっています

http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide/emr-release-differences.html

33

Release: ポートやパスの変更

• オープンソースの標準的な設定に変更– 従来はカスタムのポートやパスを利用していた

– 変更例:

• yarn.resourcemanager.webapp.address port 9026 => 8088

• /home/hadoop/hive => /usr/lib/hive, /etc/hive/conf, /var/log/hive

• 実行ユーザもコンポーネント毎に別ユーザへ– 従来は全てhadoopユーザだった

– yarnユーザ、hiveユーザなどに変更

34

Release: アプリケーションの設定変更

• Classification + Propertiesで直接的な指定– 従来はBootstrap Actionなどで変更していた

– 以下の様な構造のデータを指定するだけで設定変更可能になった

http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide/emr-configure-apps.html

e.g. /etc/hadoop/conf/mapred-site.xmlに設定値が記述される

35

Release: コンソール、ドキュメント変更

• マネージメントコンソールでQuick Create可能に– ソフトウェア、ハードウェア、セキュリティの3項目だけ

– 従来通りのコンソールもGo to advanced optionsのリンクから利用可能

• ドキュメントが新たにリリース– Management Guide

• Amazon EMRのサービスとプラットフォームに関するドキュメント• http://docs.aws.amazon.com/ElasticMapReduce/latest/ManagementGuide

– Release Guide• インストールされているソフトウェア等のリリースに関するドキュメント• http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide

36

アプリケーションの変更履歴 (〜4.7.2) 続く

37

アプリケーションの変更履歴 (〜4.7.2)

38

アプリケーションの変更履歴 (〜5.0.0)

39

Release 5.0.0

• アプリケーション更新– Hive 2.1– Presto 0.150– Spark 2.0 (Scala 2.11)– Hue 3.10.0– Pig 0.16.0– Tez 0.8.4– Zeppelin 0.6.1

• デフォルト変更– Java 8– Tez (Hive, Pig)

• デバッグ改善– Stepの失敗理由が簡単に見

れる様に

• Sandboxが無くなった– アプリケーション名が変更

されたので注意

40

Amazon EMR Application 紹介 for 5.0.0

• 分散処理系– Hadoop, Hive, Tez,

Spark, Presto, Pig, Mahout, Sqoop

• データベース系– HBase, Phoenix

• GUI系– Hue, Zeppelin

• スケジューラー系– Oozie

• その他– Ganglia, HCatalog,

Zookeeper

41

Application 紹介: 分散処理系

• Hadoop– 分散処理の基盤。YARN(リソース管理)+HDFS(分散ストレージ)の上で、

各種アプリが実行される。MapReduceもその1つ。多くのEMRアプリがYARNを使うので、ほぼ必須。

• Hive– YARN上で実行される、分散SQL実行環境。実行エンジンとして

MapReduceなどが使える。S3のデータを直接読み書き可能。

• Tez– YARN上でDAG(有効非巡回グラフ)を実行するのに最適化したエンジン。

Hiveの実行エンジンに指定するだけで、多くのHiveクエリが高速化する。

42

Application 紹介: 分散処理系

• Spark– 分散処理のフレームワーク。YARN上で実行でき、MapReduce

よりも高速かつ簡単に分散処理可能。Spark上でSpark SQL(Hive互換)やSpark Streaming(ストリーム処理), MLlib(機械学習)といったこともでき、今最も注目されるプロジェクト。

• Presto– 分散SQL実行エンジン。YARNではなく独自のクラスタ構成だが、

SQLの実行に特化していてかなり高速。異なるストレージ間でのJOINも可能。SQLはANSI SQL準拠。

43

Application 紹介: 分散処理系

• Pig– MapReduceを独自DSLで定義して実行できる。新規で使われるこ

とは最近少なくなってきた。

• Mahout– MapReduceやSpark上で動く機械学習ライブラリ。新規で使われ

ることは最近少なくなってきた。

• Sqoop– RDBMSと、HDFSやS3の間でのデータの移動をMapReduceで分散

処理する。

44

Application 紹介: データベース系

• HBase– HDFS上に構成される分散KVS。高いスループットや大容量な

データの扱いが得意。

• Phoenix– HBaseのデータに対してSQLインタフェースでアクセスできる。

45

Application 紹介: GUI & スケジューラー系

• Hue– Hiveのテーブルを管理、クエリを実行して結果を確認できるGUI。

• Zeppelin– GUIからSparkのコードやSpark SQLを実行したり、結果をグラフ

などで可視化し、それを保存・再実行できるノートブック。

• Oozie– ワークフローを定義してスケジュール実行できる。MapReduceや

Hiveなどをジョブとして扱える。

46

Application 紹介: その他

• Ganglia– インスタンスのリソース(CPU,Memory,Network等)の状態を収集

して、可視化できる運用ソフト。

• HCatalog– HiveのテーブルにPig等からアクセスできるようにするツール。

• Zookeeper– 分散型のコーディネータで、KVSや分散ロック、リーダー選定等の

機能を持つ。分散処理アプリ(HBaseなど)の裏側で使われている。

47

分散処理アプリケーションとしてのAmazon EMR

48

Amazon EMRにおけるアプリケーション

• サポートアプリケーション– クラスタ作成時に簡単なオプションをつける

だけでインストール可能なもの– Release Label/AMI Version毎に使えるアプ

リケーション、バージョンが異なる

• カスタムインストールアプリケーション– 事前にApache Bigtopにカスタムアプリケー

ションを追加してパッケージやリポジトリを作成しておき、Bootstrapでデプロイする

• http://aws.typepad.com/sajp/2016/09/building-and-deploying-custom-applications-with-apache-bigtop-and-amazon-emr.html

49

アプリケーション: Hadoop

• YARN = Yet-Another-Resource-Negotiator

• Hadoop2から導入されたリソース管理の仕組み– 以前は全てJobTrackerが行っていた

• Resource Requestベースのスケジューラ– ApplicationMasterからのリクエストに

応じて、空いているリソースをResourceManagerが割り当てる

MapReduce

Pig Hive OtherOther

HDFS

OtherMap

ReducePig Hive

YARN

HDFS

Hadoop V1

Hadoop V2

50

YARN: ResourceManager

• マスターサーバで稼働

• スレーブ群のリソース情報を集約

– CPU, Memory, etc.

• 必要なリソースを探して割り当てる

• ジョブの管理は行わない

– ApplicationMasterの仕事

http://hadoop.apache.org/docs/current/hadoop-yarn/hadoop-yarn-site/YARN.html

51

YARN: NodeManager

• スレーブサーバで稼働

• そのサーバのリソース情報をRMに報告

• サーバ上のContainerの管理を行う

– 要求に答えてContainerを起動する

http://hadoop.apache.org/docs/current/hadoop-yarn/hadoop-yarn-site/YARN.html

52

YARN: Container

• スレーブのリソースが切り出されたもの

• NMによって起動される

• 実行方式– DefaultContainerExecutor

• プロセス

– LinuxContainerExecutor• cgroups

– DockerContainerExecutor• Docker

http://hadoop.apache.org/docs/current/hadoop-yarn/hadoop-yarn-site/YARN.html

53

YARN: ApplicationMaster

• ジョブ全体を管理するContainer

– 旧JobTrackerの様な存在

– ジョブ毎に1つのAM

• ジョブを分散処理するContainer全体の進捗管理や監視を行う

http://hadoop.apache.org/docs/current/hadoop-yarn/hadoop-yarn-site/YARN.html

54

Amazon EMRとYARN

• MapReduce, Hive, Pig, Spark on YARN– Amazon EMRクラスタが持つ計算資源を、YARNがアプリケー

ションに割り振ってくれる

• マルチテナントなクラスタも簡単に作れる– MRでもHiveでもSparkでも、共通のリソースを分割して使える

55

アプリケーション: Hive

• SQL likeな宣言的言語で、ビッグデータに対する処理が行えるアプリケーション

• データソースに対してスキーマを定義することで、あたかもテーブルの様に扱える– 通常はHDFSがデータソース– Amazon EMRではEMRFS(Amazon S3)が利用可能

• 他にも、Amazon Kinesis, Amazon DynamoDBへのコネクタを提供

• 処理の実際は実行エンジンによって異なる– MapReduce, Tez, Spark

https://hive.apache.org/

56

Hiveの処理例

Metastore

HDFS

Cluster

Amazon S3

HiveServer2CREATE

TABLE

SELECT

FROM

1: テーブル定義でHDFSやAmazon S3をソースに指定

2: テーブル定義がメタデータとして保存される

3: 定義したテーブルに対して処理を実行 4: テーブルの

メタデータを取得

5:クラスタに処理を依頼

6: 実際のデータソースから読み出しつつ指定された処理を行う

AmazonDynamoDB

Amazon Kinesis

57

Hive Metastoreの重要性

• 他のSQL実行エンジンでも同じMetastoreを参照可能

• MetastoreのMySQLをクラスタ外に持つことも可能– Amazon EMRの通常は

Master Nodeのローカル– 例えば、Amazon RDS

Metastore

Amazon S3

HDFS

58

新しいファイルフォーマット ORC File / Parquet

• 列指向ファイルフォーマット– カラム毎にデータをまとめて保存する– 特定の列を扱う処理ではファイル全体を読む必要が

ない– → Optimized Row Columnar(ORC) File / Parquet

• 行指向ファイルフォーマット– 1行ずつファイルに保存する– 1カラムのみ必要でも、レコード全体を読む必要があ

る– → TEXTFILE, SEQUENCEFILE

ORCのデータ構造

https://orc.apache.org/docs/spec-intro.html

59

列指向フォーマットを使うメリット

• 特定列のみの読み書きが効率的– ビッグデータ分析では全列を使うことは稀

– 単純な統計データならメタデータのみで完結する

• 列毎には似たデータが続くので圧縮効率が良い

• 行毎にグループ化されているので、1行のデータは1つのファイルに収まっている

60

HiveでのORC File/Parquetの使い方

• テーブル定義で指定するだけ

• あとは何も意識しなくて良い

CREATE TABLE t (

col1 STRING,

…

) STORED AS [ORC/PARQUET];

INSERT INTO t (…);

SELECT col1 FROM t;

61

HiveでAmazon Kinesisのデータを処理

• Amazon Kinesisが保持するStreamデータを、Hiveのテーブルとして扱える– Amazon Kinesisの保持期限を考慮して、データアーカイブ用途など– 注: Hiveでは速度が出ないので、いわゆるストリーム処理は厳しい

• Stream内のShard毎にMapperがデータを読み出す– デフォルトはAmazon Kinesisの保持データをフルスキャン– チェックポイント(Amazon DynamoDBに記録)を使うと、前回読みだした

データ以降のみ読むことも可能

Shard-0

Shard-1

Mapper

Mapper

SELECT

FROM

123

id data

1 …

2 …

3 …Amazon Kinesis

62

HiveでAmazon Kinesisのデータを処理Hiveテーブル作成

Amazon KinesisStreamを指定

HQLの実行(例)

通常のHQLを実行するだけ。内部的にはAmazon Kinesisからデータを取得し処理を行う

63

アプリケーション: Spark

• 高速な分散処理フレームワークとして話題– メモリキャッシュ、なるべく

ディスクを使わない– 繰り返し処理(機械学習等)で

効果が高い

• フレームワーク上で、更にアプリケーションが展開– SQL, ストリーム, 機械学習,

グラフ

http://spark.apache.org/

64

Spark SQL & Dataset API (Spark 2.0)

• Spark SQL– HiveQL互換、Hive Metastoreも利用可能– JDBC/ODBC経由での実行も可能– 他の言語の中からSQLを実行すると、結果

はDataset/DataFrameで返される

• Dataset API– データの分散型コレクション– Scala/Javaで利用可能– DataFrameは名前付きの列に整理された

Dataset

https://databricks.com/blog/2016/07/14/a-tale-of-three-apache-spark-apis-

rdds-dataframes-and-datasets.html

http://spark.apache.org/docs/latest/sql-programming-guide.html

65

• Discretized Stream(DStream)と呼ばれる、高レベルの抽象表現

• Resilient Distributed Dataset(RDD)のシーケンスとして表現される

– いわゆる、マイクロバッチ処理

• さらに、Spark 2.0で、AlphaリリースとしてStructuredStreaming APIが登場

DStreamRDD@T1 RDD@T2

Messages

Receiver

Spark Streaming – 基本コンセプト

http://spark.apache.org/docs/latest/streaming-programming-guide.html

https://spark.apache.org/docs/latest/structured-streaming-programming-guide.html

66

Amazon KinesisとSpark Streaming

• Amazon KinesisのStreamが、Amazon EMR上のSparkにDStreamとして流れてくる– Sparkの中にAmazon Kinesis用のライブラリが同梱されている– 裏側では、Kinesis Client Library（KCL）を利用して読み込み

• 数秒〜数分のマイクロバッチで、ニア-リアルタイム処理を実現– 速報値ダッシュボード、異常検知など

http://spark.apache.org/docs/latest/streaming-kinesis-integration.html

Shard-0

Shard-1

KCL thread

KCL threadAmazon Kinesis

DStream

RDD@T1 RDD@T2

67

Spark Dynamic Resource Allocation

• 複数Executorのメモリ上でRDDをキャッシュ– Heapを全て使えるわけではないので、サイズに注意

• Dynamic Resource Allocation = Executorの数を動的に調整可能– StreamingのApplicationがトラフィックに合わせてスケール

– spark-shell等が使わないリソースを確保し続けることもない

– 4.4.0以降、spark.dynamicAllocation.enabledがデフォルトでtrueになっている

• spark.shuffle.service.enabledは自動的にtrueになる

https://spark.apache.org/docs/latest/job-scheduling.html

68

まとめ

69

分散処理基盤

• 分散処理に必要なリソースを簡単に調達/廃棄可能

分散処理アプリケーション

• 複雑な設定無しに分散アプリケーションを利用可能

Amazon EMRで分散処理

分散処理したいデータがあるなら、ボタン1つで今すぐに！

70

参考資料（英語）

• Amazon EMR Management Guidehttp://docs.aws.amazon.com/ElasticMapReduce/latest/ManagementGuide

• Amazon EMR Release Guidehttp://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide

• Amazon EMR API Referencehttp://docs.aws.amazon.com/ElasticMapReduce/latest/API/

• Amazon EMR Developer Guide (2.x and 3.x 向け)http://docs.aws.amazon.com/ElasticMapReduce/latest/DeveloperGuide/

• AWS CLI emrhttp://docs.aws.amazon.com/cli/latest/reference/emr/index.html

71

オンラインセミナー資料の配置場所

• AWS クラウドサービス活用資料集– http://aws.amazon.com/jp/aws-jp-introduction/

• AWS Solutions Architect ブログ– 最新の情報、セミナー中のQ&A等が掲載されています

– http://aws.typepad.com/sajp/

72

AWSの導入、お問い合わせのご相談

• AWSクラウド導入に関するご質問、お見積り、資料請求をご希望のお客様は、以下のリンクよりお気軽にご相談くださいhttps://aws.amazon.com/jp/contact-us/aws-sales/

※「AWS 問い合わせ」で検索してください

73

74

Appendix

75

IAM Roleの指定が必須に

• 2015年6月30日以降、IAM Roleを指定しないとクラスタが起動できなくなった

• IAM Roleは2種類、デフォルトで作成される– EMR role

• Amazon EMRが、Amazon EC2を起動したりするのに必要な権限

– EC2 instance profile

• Amazon EC2が、Amazon S3等にアクセスするのに必要な権限

http://aws.typepad.com/sajp/2015/06/emr-mandatory-iam-update.html

76

Release 4.0.0

• サポートアプリケーションが以下に変更– Hadoop 2.6.0

– Hive 1.0.0

– Pig 0.14.0

– Mahout 0.10.0

– Spark 1.4.1

• Apache Bigtopベースのパッケージングシステムへ– これまでよりも、速い更新が可能に

77

Release 4.1.0

• アプリケーション更新– Spark 1.5.0

– Hue 3.7.1 (新規)

• サンドボックスで、開発中のアプリケーションも利用可能– Presto 0.119

– Zeppelin 0.6 (Snapshot)

– Oozie 4.0.1

78

Release 4.2.0

• アプリケーション更新– Spark 1.5.2

– Ganglia 3.6.0 (新規)

• サンドボックス更新– Presto 0.125

– Zeppelin 0.5.5

– Oozie 4.2.0

79

Release 4.3.0

• アプリケーション更新– Hadoop 2.7.1

– Spark 1.6.0

– Ganglia 3.7.2

• サンドボックス更新– Presto 0.130

80

Release 4.4.0

• アプリケーション更新

– HCatalog 1.0.0 (新規)

– Mahout 0.11.1

• サンドボックス更新

– Sqoop 1.4.6 (新規)

– Presto 0.136

– Zeppelin 0.5.6

• Sparkのデフォルト設定変更

– Dynamic allocationがデフォルトで有効に

• Java 8が同梱

– JAVA_HOMEを設定するだけで使える

81

Release 4.5.0

• アプリケーション更新

– Spark 1.6.1

– Hadoop 2.7.2

• サンドボックス更新

– Presto 0.140

• EMRFSの機能追加

– S3のSSE-KMS暗号化が利用可能に

• AWS KMSで作成したCMKを指定できる

82

Release 4.6.0

• アプリケーション更新– HBase 1.2.0 (新規) – NoSQL on Hadoop

• サンドボックス更新– Zookeeper 3.4.8 (新規)

– Presto 0.143

83

Release 4.7.1 ※バグ修正があったので4.7.0は非推奨

• アプリケーション更新– Phoenix 4.7.0 (新規) – SQL on HBase

– Tez 0.8.3 (新規) – DAG engine on YARN

– HBase 1.2.1

– Mahaut 0.12.0

• サンドボックス更新– Presto 0.147

84

Release 4.7.2

• アプリケーション更新– Mahout 0.12.2

– Spark 1.6.2

• サンドボックス更新– Presto 0.148