Apache Spark: Casos de uso e escalabilidade

Devfest 2017

Transcript

1. Flavio Clésio, Movile Eiti Kimura, Movile APACHE SPARK: CASOS DE USO E ESCALABILIDADE #Devfest2017
2. 2 Flávio Clésio • Core Machine Learning at Movile • Me. Engenharia de Produção (Inteligência Computacional em NPLs) - (UNINOVE) • Especialista em Engenharia de Banco de Dados (UNICAMP) • Professor no Mackenzie (Curso Pós-Grad. em Ciência de Dados) • Professor no Grupo Kroton (Curso Pós-Grad. em Gestão Estratégica) • Speaker no Strata Hadoop World Singapore (2016) • Speaker no Spark Summit Europe (2017) • Blogger no Mineração de Dados - http://mineracaodedados.wordpress.com flavioclesio SOBRE NÓS
3. SOBRE NÓS 3 • Coordenador de TI e Arquiteto de Software na Movile • Mestre em Engenharia Elétrica • Apache Cassandra MVP (2014/2015 and 2015/2016) • Apache Cassandra Contributor (2015) • Cassandra Summit Speaker (2014 and 2015) • Speaker no Strata Hadoop World Singapore (2016) • Speaker no Spark Summit Europe (2017) Eiti Kimura eitikimura
5. NOSSOS NEGÓCIOS
6. 6 LÍDER EM MOBILE MARKETPLACES
7. • Introdução ao Apache Spark • Funcionamento do Apache Spark • Spark SQL • Spark Structured Streaming • Spark MLLib • Casos de Uso • Limitações • Considerações Finais Agenda 7
8. Evolução: Google Trends 8 Apache Hadoop Apache Spark Interesse ao longo do tempo
9. O que é Apache Spark? 9 Apache Spark™ is a fast and general engine for large-scale data processing.
10. Em que o Apache Spark é usado? 10 • Processos de ETL • Consultas Interativas (SQL) • Análise de dados avançada • Machine Learning/Deep Learning • Streaming sobre grandes datasets
11. Como o Apache Spark funciona? 11
12. Como o Apache Spark funciona? 12
13. Como o Apache Spark funciona? 13
14. SPARK SQL STRUCTURED STREAMING SPARK MLLIB 14
15. Spark SQL 15 • Complemento ao Hadoop/Apache Hive • Batch Processing para Analytics • Camada de BI para Reporting • Compatibilidade de Conectores para SGBD • Operações Untyped / SQL ANSI
16. Spark Structured Streaming 16 • Nova API de alto nível • Desenvolvimento de aplicações contínuas • Junção de dados contínua com conteúdo estático • Integrações com diversas fontes de dados (Kafka) • Tolerante a falhas (check-points) • Tratamento de eventos desordenados (Watermark)
17. https://databricks.com/blog/2016/07/28/structured-streaming-in-apache-spark.html 17
18. • Classificação: Regressão Logística, Árvores de Decisão, Random Forest, GBT, MLP, SVM, Naive Bayes • Regressão: Linear, GLM, Árvore de Decisão, Survival Regression, GBR, Isotonic Regression • Recomendação: Alternating Least Squares (ALS) • Clustering: K-Means, Gaussian Mixture Model (GMM) • Patterns: Itens Frequentes, Regras de Associação Spark MLLib - Algoritmos 18
19. Considerações Finais
20. Limitações do Spark 20 • Necessidade muito grande de investimento em memória RAM • Footprint de memória pode ser um pesadelo em pipelines de ML intensivos, em especial em hiper-parametrizações pouco seletivas • Com MapReduce alguns algoritmos complexos são inviáveis para a implementação, devido à comunicação entre os nós para monitorar estados intermediários e interações
21. Definição de casos de uso 21
22. Casos de Uso 22
23. Casos de Uso 23
24. 24 http://bit.ly/spark-ml-case PREVENTING REVENUE LEAKAGE AND MONITORING DISTRIBUTED SYSTEMS WITH MACHINE LEARNING
25. github.com/eitikimura/spark-cases http://bit.ly/apres-devfest-2017 http://bit.ly/playlist-spark-summit OBRIGADO! eitikimura eiti.kimura@movile.com flavio.clesio@movile.com flavioclesio
26. Material sobre Apache Spark Jacek Laskowski 26 Consultor Independente http://www.gitbook.com/@jaceklaskowski Mastering Apache Spark 2 (Spark 2.2+) Spark Structured Streaming (Apache Spark 2.2+)
27. Aplicações interessantes com Spark - https://www.quora.com/What-are-some-interesting-applications-of-Apache-Spark 300Tb no Apache SPark em produção - https://spark-summit.org/eu-2017/events/lessons-learned-developing-and-managing-massive-300tb-apache-spark-pipelines-in-pr oduction/ BenchML - https://github.com/szilard/benchm-ml Haddop x Spark x Flink - https://data-flair.training/blogs/hadoop-vs-spark-vs-flink-comparison/ Map Reduce Core Paper - https://github.com/eartsar/RIT-BigData/blob/master/docs/Presentation%20PDFs/nips06-mapreducemulticore.pdf Data Intensive Processing MapReduce - https://www.amazon.com/Data-Intensive-Processing-MapReduce-Synthesis-Technologies/dp/1608453421/ Map Reduce Core Paper - https://github.com/eartsar/RIT-BigData/blob/master/docs/Presentation%20PDFs/nips06-mapreducemulticore.pdf Referências 27
28. Referências 28 Data Intensive Processing MapReduce - https://www.amazon.com/Data-Intensive-Processing-MapReduce-Synthesis-Technologies/dp/1608453421/ Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing: https://www2.eecs.berkeley.edu/Pubs/TechRpts/2011/EECS-2011-82.html Apache Spark officially sets a new record in large-scale sorting - https://databricks.com/blog/2014/11/05/spark-officially-sets-a-new-record-in-large-scale-sorting.html Spark SKLearn- https://github.com/databricks/spark-sklearn Elephas - https://github.com/maxpumperla/elephas Deep Learning Pipelines in Spark - https://github.com/databricks/spark-deep-learning Distributed Keras - https://github.com/cerndb/dist-keras