大規模サイトを支えるビッグデータプラットフォーム技術

1 Privileged and Confidential

大規模サイトを支える 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1-3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 キーワード入力補助 音声アシスト (音声認識、意図解析)

利活用事例

Privileged and Confidential 14

アクセス解析 マーケットインテリジェンス

利活用事例

Privileged and Confidential 15

アクセス解析 マーケットインテリジェンス

利活用事例

Privileged and Confidential 16

ビッグデータレポート

目次

Privileged and Confidential 17

どのようなシステムでデータを 処理しているのか？

データインフラ概要

Privileged and Confidential 18

・・・

Storm

生成

収集

格納・処理

利活用

Privileged and Confidential 19

Yahoo! JAPANの Hadoopについて

Yahoo! JAPANのHadoopについて – 目次

Privileged and Confidential 20

1. Yahoo! JAPANのHadoop構成

2. Yahoo! JAPANのHadoop規模

3. Yahoo! JAPANの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 21

Yahoo! JAPANのHadoop構成

Yahoo! JAPANのHadoop構成 – クラスタ

Privileged and Confidential 22

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

Yahoo! JAPANのHadoop構成 – エコシステム

Privileged and Confidential 23

Oozie,Pig,Hive等のエコシステムを活用

Hadoopを中心とした周辺システムとの連携

Privileged and Confidential 24

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 25

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 26

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

DataHighway

Stormについて

Privileged and Confidential 27

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 28

Stormとは？ Twitter社がOSSとして公開している、 分散ストリーム処理プラットフォーム （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 29

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 30

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 31

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 32

Yahoo! JAPANのHadoopの規模

Yahoo! JAPANのHadoop規模

Privileged and Confidential 33

約3,500台

その規模感は？

Yahoo! JAPANのHadoop規模感

Privileged and Confidential 34

・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 35

Yahoo! JAPANのHadoopの特色

Yahoo! JAPANのHadoop特色

Privileged and Confidential 36

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 37

・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 38

いかに安定して マルチテナント運用を行うか

状況の可視化

Privileged and Confidential 39

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 40

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 41

・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 42

Yahoo! JAPANでのチューニング事例

チューニングの内容

Privileged and Confidential 43

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

チューニングの一例 – 現状の分析

Privileged and Confidential 44

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

チューニングの一例 – 気をつける項目の一例

Privileged and Confidential 45

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

チューニングの一例 – 結果

Privileged and Confidential 46

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 47

機材の選び方

「コモディティ」が大切

Privileged and Confidential 48

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 49

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 50

今後の展望

今後の課題

Privileged and Confidential 51

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 52

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

※YARNの安定にはもう少し時間がかかりそうですが

Privileged and Confidential 53

Ready?

目次

Privileged and Confidential 54

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 55

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 56

・Yahoo! JAPANはあらゆるジャンルの ビッグデータを保有 ・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 57

データで、ユーザーファーストを実現

Privileged and Confidential 58