Sky - Hadoop & Distributed Computing

Transcript

1. Federico  Cargnelu/  /  BSkyB   &  Distributed  Compu<ng   Hadoop

    

2. Distributed  compu<ng  uses  so=ware  to  divide   pieces  of  a

    program  among  several  computers.   One  project  in  par<cular  has  proven  that  the   concept  works  extremely  well.  

3. SETI@Home   Search  for  Extra-­‐Terrestrial  Intelligence   •  Prove  the

    viability  of  the  distributed  grid  compu<ng   concept  (succeeded)   •  Detect  intelligent  life  outside  Earth  (failed)  

4. What  problem  are  we  trying  to  solve?   Distributed  Compu6ng

    

5. Counts  of  all  the  dis6nct  word   •  in  a

    file?   •  in  a  directory?   •  on  the  Web?  

6. We  need  to  process  100TB  datasets   •  On  1

    node:   o  Scanning  @  50MB/s  =  23  days   •  On  1000  node  cluster:   o  Scanning  @  50MB/s  =  33  min  

7. We  need  a  framework  for  distribu<on  

8. We  need  a  new  paradigm  

9. None

10. Hadoop  is  an  open-­‐source  Java  framework  for   running  applica<ons

     on  large  clusters  of  commodity   hardware  

11. Scalable   Hadoop  can  reliably  store  and  process  petabytes  of

     data.   Economical   Hadoop  distributes  the  data  and  processing  across  clusters  of  commonly   available  computers.  These  clusters  can  number  into  the  thousands  of   nodes.   Efficient   Hadoop  can  process  the  distributed  data  in  parallel  on  the  nodes  where   the  data  is  located.     Reliable   Hadoop  automa<cally  maintains  mul<ple  copies  of  data  and   automa<cally  redeploys  compu<ng  tasks  based  on  failures.  

12. Hadoop  Components   Hadoop  Distributed  File  System  (HDFS)   • 

     Java,  Shell,  C  and  HTTP  API’s   Hadoop  MapReduce   •   Java  and  Streaming  API’s   Hadoop  on  Demand   •  Tools  to  manage  dynamic  setup  and  teardown  of  Hadoop   nodes  

13. HBase   Table  storage  on  top  of  HDFS,  modeled  a=er

     Google’s  Big  Table   Pig   Language  for  dataflow  programming   Hive   SQL  interface  to  structured  data  stored  in  HDFS   Other  Tools  

14. •  Mappers  and  Reducers  are  allocated   •  Code  is

     shipped  to  nodes     •  Mappers  and  Reducers  are  run  on  same  machines   as  DataNodes   •  Two  major  daemons:  JobTracker  and  TaskTracker     Hadoop  MapReduce  

15. JobTracker   •   Long-­‐lived  master  daemon  which  distributes  tasks  

      •   Maintains  a  job  history  of  job  execu<on  sta<s<cs     TaskTrackers   •  Long-­‐lived  client  daemon  which  executes  Map  and   Reduce  tasks     Hadoop  MapReduce  

16. •  Setup  a  mul<-­‐node  Hadoop  cluster  using  the  Hadoop  

    Distributed  File  System  (HDFS)   •  Create  a  hierarchical  HDFS  with  directories  and  files.   •  Use  Hadoop  API  to  store  a  large  text  file.   •  Create  a  MapReduce  applica<on.     Hadoop  MapReduce  

17. •  Mapper  takes  input  key/value  pair   •  Does  something

     to  its  input   •  Emits  intermediate  key/value  pair     •  One  call  per  input  record   •  Fully  data-­‐parallel   Map  

18. (in,  1)     (in,  1)     (sunt,  1)

        (in,  1)     (elit,  1)     (sed,  1)     (eiusmod,  1)     Map  

19. •  Input  is  all  list  of  intermediate  values  for  a

     given  key     •  Reducer  aggregates  list  of  intermediate  values     •  Returns  a  final  key/value  pair  for  output   Reduce  

20. (irure,  1)     (in,  3)     (ea,  1)

        (enim,  1)     (eu,  1)     (Duis,  1)     (dolore,  2)     Reduce   Reduce  

21. Adobe   -­‐  Use  for  data  storage  and   processing

      -­‐  30  nodes   Facebook   -­‐  Use  for  repor<ng  and  analy<cs   -­‐  320  nodes   FOX   -­‐  Use  for  log  analysis  and  data   mining   -­‐  140  nodes   Last.fm   -­‐  Use  for  chart  calcula<on  and  log  analysis   -­‐  27  nodes     New  York  Times   -­‐  Use  for  large  scale  image  conversion    -­‐  100  nodes     Yahoo!    -­‐  Use  for  Ad  systems  and  Web  search    -­‐  10.000  nodes   Who  is  using  it?  

22. •  Video  and  Image  processing   •  Log  analysis  

    •  Spam/BOT  analysis   •  Behavioral  analy<cs  (CRM)   •  Sequen<al  paiern  analysis  (eg.  Understanding  long-­‐term   customer  buying  behavior  for  cross  selling  and  target   marke<ng)   Use  Cases  

23. Commodity  servers   •  1  RU   •  2  x

     4  core  CPU   •  4-­‐8GB  of  RAM  using  ECC  memory   •  4  x  1TB  SATA  drives     •  1-­‐5TB  external  storage   Typically  arranged  in  2  level  architecture   •  30/40  nodes  per  rack     Recommended  Hardware  

24. •  No  version  and  dependency  management.   •  Configura<on:  more

     than  150  parameters.   •  No  security  against  accidents.  User  iden<fica<on  added  a=er   Last.fm  deleted  a  fileystem  by  accident.     •  HDFS  is  primarily  designed  for  streaming  access  of  large  files.   Reading  through  small  files  normally  causes  lots  of  seeks  and  lots   of  hopping  from  datanode  to  datanode  to  retrieve  each  small   file.   •  Steep  learning  curve.  According  to  Facebook,  using  Hadoop  was   not  easy  for  end  users,  especially  for  the  ones  who  were  not   familiar  with  MapReduce.     Challenges  

25. Images:    hip://www.flickr.com/photos/labguest/3509303134   hip://www.flickr.com/photos/tantrum_dan/3546852841   Ques6ons?