Analisi dei dati attraverso sistemi Open Source. Aka Hadoop

Transcript

1 Analisi dei dati attraverso sistemi Open Source Aka Hadoop

2 Chi sono nico logrillo IT Business Intelligence Wolters Kluwer Studente (*) Informatica Magistrale di Bari *eterno studente

3 Che cos'è E' un ecosistema di strumenti open-source orientato al calcolo distribuito di big data attraverso un cluster di computer Sfrutta macchine di comodo per l'elaborazione Scalabile Fault tolerant Numerosi strumenti Open-Source Sempre in evoluzione Grande comunità di utenti, tra cui:

4 Big Data?

5 Big Data? Cosa sono? Nel 2001 Doug Laney Gartner) definì I big data in termini volume, velocity e variety: Volume. Many factors contribute to the increase in data volume. Transaction-based data stored through the years. Unstructured data streaming in from social media. Increasing amounts of sensor and machine-to-machine data being collected. In the past, excessive data volume was a storage issue. But with decreasing storage costs, other issues emerge, including how to determine relevance within large data volumes and how to use analytics to create value from relevant data. Velocity. Data is streaming in at unprecedented speed and must be dealt with in a timely manner. RFID tags, sensors and smart metering are driving the need to deal with torrents of data in near-real time. Reacting quickly enough to deal with data velocity is a challenge for most organizations. Variety. Data today comes in all types of formats. Structured, numeric data in traditional databases. Information created from line-of-business applications. Unstructured text documents, , video, audio, stock ticker data and financial transactions. Managing, merging and governing different varieties of data is something many organizations still grapple with.

6 Big Data? Da dove provengono? Social networks e social media (Twitter, Facebook, blogs, forum, etc.) Transazioni commerciali Documenti cartacei digitalizzati Registrazioni video Registrazioni audio Immagini Dati di geo-posizionamento (GPS) Dati generati da trasmettitori e sensori (cellulari, wifi, bluetooth, Rfid, NFC, etc.) o misuratori digitali (digital meters) Internet of Things Automazione processi produttivi Digitalizzazione dei processi di R&D (nella bioinformatica e biogenetica, chimica, climatologia, etc.) Web Log

7 Big Data? l'iter da seguire Identificare il problema Identificare sorgenti dati e strumenti da utilizzare Collezionare I dati Preparare I dati (integrazione, trasformazione, pulizia, filtraggio e aggregazione) Costruire un modello Valutare il modello Comunicare I risultati Jeff Hammerbacher s Model (facebook)

8 Storia di Hadoop Nasce da un sotto progetto di Apache Lucene, Nutch (motore di ricerca Open Source). Nutch aveva problemi di scalabilità e riusciva a gestire solo piccole quantità di dati Nel 2003 fu pubblicato un articolo sul Google File System (GFS) e il team di sviluppo di Nutch iniziò ad ispirarsi al GFS Nel 2004 viene realizzato il Nutch Distributed File System (NDFS) In seguito venne implementato il paradigma MapReduce che poteva essere usato anche per altri scopi, per questo motivo fu promosso come progetto a sè: Hadoop

9 Architettura di Hadoop Architettura Master-Slave MASTER... SLAVES

10 Architettura di Hadoop Architettura Master-Slave... MASTER NameNode JobTracker SLAVES TaskTracker DataNode

11 Architettura di Hadoop

12 Architettura di Hadoop HDFS (Hadoop Distributde File System) E' il filesystem distribuito di hadoop è stato progettato per archiviare in modo affidabile file di grandi dimensioni attraverso le macchine in un grande Cluster.

13 Architettura di Hadoop YARN (Yet Another Resource Negotiator) Gestisce le risorse all'interno di Hadoop, garantendo la sicurezza e la coerenza tra le risorse del cluster

14 Architettura di Hadoop Architettura MapReduce Paradigma per la realizzazione di applicazioni distribuite sul cluster Hadoop

15 Architettura di Hadoop Nell'ecosistema di Haoop esistono moltissimi progetti che hanno un ruolo nel trattamento dei dati.

16 Ecosistema di Hadoop (alcuni esempi...)

17 Esempi di cluster Cluster: 15 nodi Ogni nodo: 8 cores 16G RAM 1.4T storage Cluster: 150 nodi Ogni nodo: Intel xeon 16G RAM 800G storage Cluster: 532 nodi Ogni nodo: 8G RAM Tot. Disk size: 5.3Peta Utilizzato per Il motore di ricerca Utilizzato per ETL, statistiche, ML Heavy usage of Java MapReduce, Apache Pig, Apache Hive, Apache HBase

18 Esempi di cluster Cluster 1: 1100 nodi 8800 cores 12PB Singolo nodo: 8 cores 12TB We use Apache Hadoop to store copies of internal log and dimension data sources and use it as a source for reporting/analytics and machine learning Cluster 2: 300 nodi 2400 cores 3PB Singolo nodo: 8 cores 12TB WTF!!!

19 Hadoop MapReduce MapReduce è un framework per l'elaborazione di problemi parallelizzabili attraverso enormi set di dati utilizzando un gran numero di computer ( nodi )

20 Hadoop MapReduce (Paradigma) Il paradigma MapReduce processa I dati manipolando coppie chiave/valore: Map Phase Input <k1, v1> Output list(<k2, v2>) Reduce Phase Input <k2, list(v2)> Output list(<k3, v3>)

21 Hadoop MapReduce (esempio: wordcount)

22 Hadoop MapReduce (esempio: wordcount) Map Phase Input <k1, v1> Output list(<k2, v2>) Map Phase Input <INDEX, TOKEN> Output list(<token, VALORE_ASSEGNATO>) Map Phase (esempio) Input <testo1.txt, Linux> Output list(<linux, 1>)

23 Hadoop MapReduce (esempio: wordcount) Reduce Phase Input <k2, list(v2)> Output list(<k3, v3>) Reduce Phase Input <TOKEN, list(1,1,1,...,1)> Output list(<token, sum(list(1,1,1,...,1))>) Reduce Phase (esempio) Input <Linux, list(1,1,1,...,1)> Output list(<linux, 100>)

24 Hadoop MapReduce (esempio: Analisi dei Log) 1. Caricare i log sull'hdfs 2. Scrivere un programma in MapReduce che deve: 1. - Parserizzare il contenuto dei log 2. - Estrarre i campi di interesse 3. Ordinare l'output dataset di riferimento: (il dataset contiene I log provenienti da Apache Web Server)

25 Hadoop MapReduce (esempio: Analisi dei Log) 1. Caricare i log sull'hdfs hadoop fs -put access_log_aug95 /user/linuxday/dataset

26 Hadoop MapReduce (esempio: Analisi dei Log) 2. Scrivere un programma in MapReduce che deve: 1. - Parserizzare il contenuto dei log 2. - Estrarre i campi di interesse Esempio di un record: in24.inetnebr.com - - [01/Aug/1995:00:00: ] "GET /shuttle/missions/sts-68/news/sts-68-mcc-05.txt HTTP/1.0" Chi effettua la richiesta Metodo della richiesta Quando è stata fatta la richiesta PID Risorsa richiesta Processo

27 Hadoop MapReduce (esempio: Analisi dei Log)

28 Hadoop MapReduce (esempio: Analisi dei Log) Main Class Mapper Class Reducer Class Tipi di dati di Hadoop

29 Hadoop MapReduce (esempio: Analisi dei Log)

30 Hadoop MapReduce (esempio: Analisi dei Log) Map Phase Input <INDEX, LINE> Output list(<token, VALORE>)

31 Hadoop MapReduce (esempio: Analisi dei Log)

32 Hadoop MapReduce (esempio: Analisi dei Log) Reduce Phase Input <TOKEN, list(1,1,1,...,1)> Output list(<token, sum(list(1,1,1,...,1))>)

33 Hadoop MapReduce (esempio: Analisi dei Log) 3. Ordinare l'output hadoop fs -cat /user/linuxday/dataset/output/part* sort -n -k2 -r head -n100 > Top-100.txt /images/nasa-logosmall.gif /images/ksc-logosmall.gif /images/mosaic-logosmall.gif /images/usa-logosmall.gif /images/world-logosmall.gif /images/ksclogo-medium.gif /ksc.html /history/apollo/images/apollo-logo1.gif

34 Hadoop MapReduce Ok, MapReduce è già datato...

35 Apache E' un motore di calcolo estremamente veloce per il processamento di enormi moli di dati Velocità: 100X più veloce di MapReduce in memoria 10X più veloce di MapReduce sul caricamento da disco Linguaggi Supportati: Java Scala Python R Librerie presenti: SparkSQL SparkStreaming Mlib GraphX

36 Apache Perchè è meglio di MapReduce? Tempo per la creazione del Job MapReduce è lento perchè ogni job deve leggere/scrivere dall'hdfs MapReduce non è adatto ad operazioni di tipo iterativo (cicli in cui si deve trattare lo stesso set di dati) Introduce il concetto di Resilient Distributed Dataset (RDD) E' un set di dati suddiviso in partizioni che può restare in memoria o essere materializzato su disco E' immutabile. Lo si può modificare solo per mezzo di trasformazioni Ogni nodo (worker) possiede una partizione dell'rdd

37 Apache Come funziona una elaborazione in Spark? L'applicazione scritta per Spark definisce un RDD iniziale partendo da un set di dati. L'applicazione eseguirà trasformazioni come map() o filters() che muteranno l'rdd in un nuovo RDD. Lo scheduler costruisce un grafo contenente le trasformazioni richieste dall'applicazione determinando il miglior modo con cui distribuire le trasformazioni sui vari nodi. Al termine dell'operazione lo scheduler restituisce l'output al client che ha lanciato l'applicazione.

38 Apache C'è già qualcosa di più ambizioso

39 Apache Tugsten Il progetto parte con Apache Spark 1.4 Gestione manuale della memoria Immagazzinare I dati nella cache della CPU Migliori algoritmi e strutture dati stay tuned

40 #METTIALINUX #ESCILADISTRO

41 facebook.com/philipj.fry.5439