Windows Azure HDInsight サービスの紹介
7 likes4,136 views
2013年8月27,28日のイベント "Microsoft Partner Technical Days" で使用したスライドを自前のテンプレートで再構築したものです。
Windows Azure HDInsight サービスの紹介
- 1. Windows Azure HDInsight サービス 佐々木邦暢 (@ksasakims) 日本マイクロソフト株式会社
- 2. 2 ? Apache Hadoop ? HDInsight 登場 ? クラスターの作成 ? クラスターの操作 ? MapReduce プログラムの開発 ? 外部との接続 本日の内容
- 4. 4 突然ですが いま、1 TB の Web アクセスログファイルが目の前にあります。 URI 毎にアクセス数を集計しなければなりません。 どうしますか？ grep sort uniq| | > output
- 5. 5 分散処理の必要性 いずれにせよ、数多くのコンピューターで生成されるデータを、 たった一台で分析するのは無理があります。 一人じゃムリ… 複数のコンピューターによる分散処理が必要です 手分けしよう！
- 6. 6 そこで Apache Hadoop です Apache の分散コンピューティングフレームワーク Google の論文が 契機となって誕生！ 多数のサーバーで 分散処理 Yahoo や Facebook で使われている高スケーラビリティ
- 7. 7 HDFS Hadoop の提供するもの その 1. 分散ファイルシステム “HDFS” (Hadoop Distributed File System) ? 複数のコンピューターを束ねて、 一つの仮想的なファイルシステムを提供。 ? Hadoop クラスタに属する全ての ノードが同じ名前空間を共有。 ? 各ファイルは 64 MB ~ 256 MB 程度の ブロックに分割されて、複数ノードに分散。 ? ブロックサイズが大きいのは、シーケン シャルアクセスに特化しているため ? 各断片は最低 3 ノードに複製され、 ノード障害への耐性を持つ。 ? 一つのファイルの複数の部分を、複数の コンピューターで同時に処理することで、 処理を高速化することができる。 断片 1 断片 2 断片 3 断片 4 断片 1 断片 2 断片 3 断片 4 ファイル 1 断片 1 断片 2 断片 3 断片 4 ファイル 4 断片 1 断片 2 断片 3 断片 4
- 8. 8 Hadoop の提供するもの その 2. 分散プログラミングモデル “MapReduce” 2013-08-26 23:59:03 W3SVC1 192.168.0.1 GET /… 2013-08-26 23:59:05 W3SVC1 192.168.0.1 GET /… 2013-08-26 23:59:25 W3SVC1 192.168.0.1 GET /… 2013-08-27 00:01:02 W3SVC1 192.168.0.1 GET /… 2013-08-27 00:02:04 W3SVC1 192.168.0.1 GET /… ? 名前は一見難しげですが、実際には単純です。 （だからこそスケーラビリティがあります） ? 例えば右のような Web のアクセスログがあるとして、 ? 伝統的なテキスト処理ツールによる集計はこのようなものですが、 $ cat access_log | grep /Login.aspx | sort | uniq –c > output.txt 対象ファイルの全行を頭から舐めて 何らかの処理をする（この場合は検索） 中間結果を集計の ためにソートする ソートされたデータを 数え上げて結果を得る MapReduce はこういった処理をクラスター上で分散並列実行する仕組みです Map Reduce
- 9. 9 Hadoop クラスターの構成要素 Hadoop クラスター MapReduce 層 HDFS 層 ファイルの 登録情報を 一元管理 ジョブ トラッカー タスク トラッカー タスク トラッカー タスク トラッカー タスク トラッカー Map タスク Map タスクジョブと タスクの 状態を管理 Map タスク Map タスク Reduce タスク タスク トラッカー
- 11. 11 Windows (Azure|Server) HDInsight Hortonworks と協業し、Windows 環境で Hadoop を提供します ? 元々 Java で書かれたオープンソースプロジェクトである Hadoop ですが、 Windows 環境でスムーズに動かすた めにはいくつか工夫が必要でした。 ? マイクロソフトは Hortonworks 社と協業し、 Hadoop の Windows 環境への移植と最適化を行っています。 ? Hortonworks は Yahoo! で Apache Hadoop の 開発に携わっていたチームが独立して設立された企業。 ? “Hortonworks Data Platform” (HDP) という Hadoop ディストリビューションを開発しており、 その Windows 版が HDInsight のコア部分です。 http://hortonworks.com/products/hdp-windows/
- 12. 12 Windows Azure HDInsight Service すぐに使えるクラウド上の Hadoop です。 ? 現在プレビュー中 ? 40 ノードまでのクラスタが作成可能 ? 料金は半額 ? 利用可能なリージョンは以下の 3 箇所 ? 北ヨーロッパ (North Europe) ? 米国東部 (East US) ? 米国西部 (West US) ? インスタンスサイズ ? ヘッドノード（ネームノード）は XL ? データノードは L サイズ ? OS ? Windows Server 2008 R2
- 13. 13 HDInsight に含まれる Hadoop のバージョン Hcatalog 0.4.1 主要な関連 プロジェクト
- 14. 14 HDInsight Service システム構成 データ ノードネーム ノード BLOB ストレージ Windows Azure の PaaS 機能と BLOB ストレージを活用します。 ? ネームノード、データノードは どちらも Worker ロールの インスタンスです。 ? 多数のノードを素早く デプロイできます。 ? また、Windows Azure の 「BLOB ストレージ」を、 デフォルトのファイルシステム として利用します。 ? もちろん HDFS も 利用可能です。
- 15. 15 なぜ BLOB ストレージ？ HDFS の代わりに BLOB ストレージを使うメリット ? BLOB ストレージは、大容量?低価格?高信頼性と 三拍子そろった Windows Azure の主要サービスです。 ? Azure 上で稼働する多くのアプリケーションが、 BLOB ストレージにデータを保存しています。 ? また、“Windows Azure Diagnostics” 機能で Azure 上のサーバーから IIS ログ等のログファイルを BLOB ストレージへ自動転送することも一般的です。 ? BLOB をデフォルトのファイルシステムとすることで、 これら BLOB 上のデータを HDFS へ一旦コピーするこ となく、直接分析することができます。 データはそこにある！ クラスターを消してもデータは残る ? Hadoop クラスターの稼働中は、ジョブを実行していな い時間も CPU コア数に応じた課金が発生します。 ? クラスターを削除してしまえば、課金は止まりますが、 HDFS は各ノードのローカルディスクであるため、 内容が失われてしまいます。 ? BLOB ストレージは、クラスターとは切り離されていま すから、クラスターを削除してもデータは残ります。 様々なツールが利用可能 ? BLOB ストレージにアクセスする既存のツールで、 Hadoop クラスターとデータのやり取りができます。 ? CloudBerry Explorer for Windows Azure や CloudXplorer, AzCopy 等。
- 16. 16 Azure Storage Vault (ASV) どういう仕組みで BLOB を Hadoop のファイルシステムにしているのか そもそも Hadoop のファイルシステムは可換 ? 様々なファイルシステムを扱えるように、 Hadoop はファイルシステムの抽象化層を持っています。 ? マイクロソフトは NativeAzureFileSystem クラスを作成し、 Azure BLOB をサポートできるようにしました。 種類 URI スキーム Java の実装クラス (org.apache.Hadoop) 説明 Local file fs.LocalFileSystem ローカル ファイルシステム HDFS hdfs hdfs.DistributedFileSystem これがデフォルト FTP ftp fs.ftp.FTPFileSystem FTP サイト用 S3 s3n fs.s3native.NativeS3FileSystem Amazon S3 用 Azure BLOB asv fs.azurenative.NativeAzureFileSystem Azure BLOB 用 主なファイルシステム
- 17. 17 ASV の登録と利用 asv://コンテナ名@アカウント名.blob.core.windows.net/パス名 core-site.xml で、 BLOB ストレージがデフォルトファイルシステムに設定されています。
- 19. 19 管理ポータルからクラスター作成 「簡易作成」であっという間に 32 ノードまでのクラスタが作れます 「簡易作成」画面にはリージョンの指定欄が ありませんが、ここで選択したストレージ アカウントと同じリージョンに、 HDInsight クラスターが作成されます。
- 20. 20 PowerShell を使ってクラスター作成 New-AzureHDInsightCluster -Name 名前 -SubscriptionId SUBID -Certificate CERT -Location “West US“ -DefaultStorageAccountName ACCOUNT –DefaultStorageAccountKey KEY -DefaultStorageContainerName CONTAINER -UserName ksasaki -Password xxxxxxxxx -ClusterSizeInNodes 8 HDInsight 管理用コマンドレットで運用を自動化できます。
- 23. 23 JavaScript コンソール “#コマンド” で、FS Shellの コマンドを呼び出せます。 “#lsr” は ”hadoop fs –lsr” に相当します。 “#fs.get” で Hadoop 上のファイルを ローカルコンピューターへダウンロード。
- 24. 24 Hive コンソール クエリの結果と、実行された MapReduce ジョブに関する情報が、 ここに表示されます。 ここに HQL を入力します。
- 26. 26 Hadoop は Java だけ？ .NET は？ Java 以外の言語でもプログラムを開発できます！ ? Hadoop 自体が Java で書かれているため、 MapReduce プログラムを書く言語としては Java が メジャーです。 ? しかし、 Hadoop には “Hadoop Streaming” という 仕組みがあり、およそありとあらゆる言語で MapReduce できるようになっています。 ? Hadoop Streaming は、 「標準入出力に対してプログラミングするだけで、 MapReduce ジョブができあがる。」 という、ある意味 inetd のような存在です。 元より多言語対応 Microsoft .NET SDK For Hadoop ? Codeplex でホストされているオープンソースプロ ジェクトです。下記のモジュールがあります。 ? Hadoop Streaming を活用した “.NET MapReduce” ? LINQ で Hive にクエリを行える “LINQ To Hive” ? HDInsight 管理用の PowerShell コマンドレット ? WebHDFS クライアント ? https://hadoopsdk.codeplex.com/
- 27. 27 .NET MapReduce ? Hadoop Streaming API の .NET ラッパーです。 ? C# や Visual Basic で MapReduce ジョブを記述できます。
- 28. 28 LINQ To Hive ? LINQ のクエリを HIVE クエリに自動変換し、 .NET プログラムから自然な形で Hadoop の データにアクセスできます。
- 30. 30 Hive ODBC ドライバー ODBC 経由で HDinsight クラスターの Hive に接続できます。 Hive ODBC ドライバーのインストール Hive データソースの作成 接続先テーブルの選択
- 31. 31 ODBC 経由で Excel へデータ取込み Excel 上で Hive クエリの編集/結果セットの表示ができます。 HQL 文の定義 HDInsight から Excel へ取り込まれたデータ
- 32. 32 HDInsight 関連情報 ? “Crunch Big Data in the Cloud with Windows Azure HDInsight Service” http://blogs.msdn.com/b/windowsazure/archive/2013/03/18/announcing-the-public-preview-of-azure- hdinsight.aspx ? “Hortonworks & Microsoft: Bringing Apache Hadoop to Windows” http://hortonworks.com/partners/microsoft/ ? “HDInsight の開発” http://blogs.msdn.com/b/windowsazurej/archive/2013/04/03/developing-for-hdinsight.aspx ? “Winodws Azure HDInsight パブリック プレビュー開始！” http://blogs.technet.com/b/ksasaki/archive/2013/03/19/winodws-azure-hdinsight.aspx ? “How to Connect Excel to Windows Azure HDInsight via HiveODBC” https://www.windowsazure.com/en-us/manage/services/hdinsight/use-excel-via-hive-odbc-driver/ ? Microsoft ODBC Driver For Hive http://www.microsoft.com/en-us/download/details.aspx?id=37134