FPGAによる大規模データ処理の高速化

© Hitachi, Ltd. 2018. All rights reserved.
株式会社日立製作所研究開発グループ
デジタルテクノロジーイノベーションセンタ
藤本和久
2018/2/17
ＦＰＧＡによる大規模データ処理の高速化

View Slide

本日の内容
１. ⼤規模データ処理の動向と課題
２. FPGAによるHadoopのデータ処理エンジンの⾼速化
３. FPGAによるアニーリングマシンの実現

View Slide

１. ⼤規模データ処理の動向と課題

View Slide

１-１大規模データ処理のアプリ群
BigData解析やAI/MLは、OSSを組合わせて分散並列処理システムで実⾏
データソース
Webデータ
売上情報など
構造化データ
（業務RDB）
センサデータ
システムログ
音声
画像
非構造データ
データ収集ビックデータ蓄積データ分析
Apache Manifold CF
Apache Nutch
クローラ
Apache Sqoop
Talend
データロード
Apache Kafka
Apache Flume
Fluentd
収集
Apache Spark
Streaming
Apache Storm
Esper
Drools Fusion
Jubatus
CEP
Apache Hadoop HDFS
Ceph
GlusterFS
Lustre
ElasticSearch
データ蓄積ファイルシステム
Apache Hadoop
MapReduce/YARN
Apache Mesos
Apache Spark
Apache Tez
並列分散処理
TensorFlow
Caffe
MLib,など
機械学習
MIT Kerberos
OpenLDAP
セキュリティ/認証
インメモリDG/分散KVS
Apache Cassandra
Apache Hbase
Infinispan
MongoDB
Redis
Riak
定型業務RDB
DWH/ﾏｰﾄレスDB
MySQL
PostgreSQL
※商用DB
(著名なOSSはない)
分析用データ
解析ツール
Python, R言語
統計解析
Pentaho
JasperReport
BI/BAツール
Apache Drill
Apache Hive
Apache Spark SQL
Apache Impala
準リアルタイムクエリ
Apache Sqoop
データロード
高速化キャッシュ/スケールアウト
インメモリDB
VoltDB
* OSS: Open Source Software

View Slide

１-２大規模データ処理の課題
分析データ量の増大
分析の高速化
サーバ導入コスト
電気代
管理コスト
分析スピード
分析データ量
サーバを
増やしたい
現状の
システム規模
TCO limit
TCOを
減らしたい
* TCO: Total Cost of Ownership (ITシステムの導入、維持・管理などにかかる総費用)
ユーザニーズ

View Slide

２. FPGAによるHadoopのデータ処理エンジン⾼速化

View Slide

２-１データ分析のニーズ
ビッグデータを分析し，意思決定に活用するニーズの高まり
① データ規模・種別：大規模化，多様化(構造，半構造，非構造)
• Data lakeに格納し，マートレスで分析 ⇒ Hadoop系分散データ処理基盤
② データ分析の形態：レポーティング(バッチ処理)から、インタラクティブへ
• ニアリアルタイムのデータ分析が必要 ⇒ 低レイテンシ，⾼速なデータ処理
③ データ処理基盤：データベースアクセス(クエリ)の標準I/F活用
• RDBMSと同じI/F ⇒ SQLが⾼利便性

View Slide

© Hitachi, Ltd. 2018. All rights reserved. 7
２-２分散ＤＢエンジン(SQL on Hadoop)の普及
標準SQL I/Fでアクセスし、インタラクティブな分析を提供する
分散DBエンジン(SQL on Hadoop)が普及
出展： DB-Engines Ranking http://db-engines.com/en/ranking_trend
図 DB-Engines Ranking(主要SQL on Hadoopを抜粋)
Spark SQL
Drill
Hive
Impala
DBランキングスコア
Jan2013 Jan2014 Jan2015 Jan2016 Jan2017
SQL on
SQL on
SQL on
SQL on Hadoop
Hadoop
Hadoop
Hadoop
Jan2018
HDFS
Spark
YARN
Hive
Spark
SQL
Map
Map
Reduce
Drill
(MapR)
データ
処理層
リソース
管理層
データ
ストア層
MapR
FS
MapR
FS
クエリ
処理層 Impala
SQL on
SQL on
SQL on
SQL on Hadoop
Hadoop
Hadoop
Hadoop

View Slide

２-３データ分析システムのボトルネック
8
ストレージ：磁気ディスク(HDD)に代わり、フラッシュストレージが普及
データベース：テーブルフォーマットが、ローストアからカラムストアに変化
⇒ データ分析のボトルネックが、ストレージ(I/O)からCPUに移動
CPUネックのため、インメモリDBにおいてもボトルネックは解消不可
*1 カラムストアＤＢは列単位のデータ操作に最適化した実装．補足1参照
サーバ
ストレージ
性能向上
x10 – x100
HDD
ローストア DB
(分析用DB)
データ
読み出し量
1/30
ボトルネック
CPU
メモリ
従来現在～将来
サーバ
ストレージ
カラムストアDB*1
(分析用DB)
データ圧縮率の向上: 1/3
必要カラムだけの読み出し:1/10
ストレージの
トータルの
性能向上
x300 - x3,000
CPU
メモリ
ボトルネック
Flash
SSD
SSD
SSD
SSD

View Slide

２-４ＦＰＧＡによるデータ分析処理の高速化
9
FPGAはSQL on Hadoop配下で動作し、ユーザからは⾒えない
Scan/Filter, Group by, Aggregationを、並列・パイプライン処理して高速化
データ量を1/100〜1/10,000に削減して、ソフトウェア処理に渡す
⇒ リソース(CPU、ネットワーク)利⽤率の緩和
データレイク
Hadoop
分散ストレージ
SQL on Hadoop(分散DBエンジン)
・・・
分析ツール
クエリ(SQL)
データ量を1/100 から 1/10,000 に削減
DB
ﾃｰﾌﾞﾙ
FPGA
SSD FPGA
SSD
PCIe
SSD
DB
ﾃｰﾌﾞﾙ
キーテクノロジー: 並列処理、パイプライン処理
FPGA(DB
FPGA(DB
FPGA(DB
FPGA(DBアクセラレータ
アクセラレータ
アクセラレータ
アクセラレータ)
)
)
)
Data
Data
Data
Data
Filter
Filter
Filter
Filter
Scan/
Scan/
Scan/
Scan/
Filter
Filter
Filter
Filter
Agregation
Agregation
Agregation
Agregation

View Slide

２-５ FPGAアクセラレータ効果例：デモ
10
ニューヨーク市のタクシー運⾏データの分析 (データ:256GB 15億⾏のテーブル)
アクセラレータの有無による分析時間の比較 (分散DBエンジン: Apache Drill)
分析時間短縮：数分 ⇒ 数秒
* FHV: For Hire Vehicle(Lyft, etc)

View Slide

２-６ SQL on Hadoop-アクセラレータ連携における課題
11
① OSS毎のアクセラレータ連携機能の作り込み工数大
② 様々なデータタイプをサポートするOSS-DB標準フォーマットへの対応
データレイク
Query(SQL)
Impala SparkSQL Drill
要開発部分
FPGA連携
FPGA連携
FPGA連携
FPGA連携
・・・
① 毎のアクセラレータ
の作り込み工数大
① OSS毎のアクセラレータ
連携機能の作り込み工数大
分析ツール
Hadoop分散ストレージ
DBﾃｰﾌﾞﾙ
(Apache Parquet)
② 様々なデータタイプをサポートする
OSS の標準フォーマットへの対応
② 様々なデータタイプをサポートする
OSS-DBの標準フォーマットへの対応
*1 Apache Parquet: 標準カラムDBテーブルフォーマット．補足3参照
FPGA
SSD FPGA
SSD FPGA
SSD

View Slide

２-７課題を解決するコア技術
12
① 連携機能モジュールをプラグイン化
② 様々なデータ形式をFPGA回路で直接処理
Before
クエリ
分散DB
エンジン
CPU
データ
SSD
・・・
・・・
数100サーバ必要
Hadoop
分散データ処理基盤
分析ツール
After
分散DB
エンジン
① プラグイン
クエリ
データ
② 多様なデータ形式
同等性能を数サーバで実現
Hadoop
分散データ処理基盤
分析ツール
SSD
I/F
2017/11/14ニュースリリース「OSSベースでのビッグデータ分析を最大100倍に高速化する技術を開発」
http://www.hitachi.co.jp/rd/news/2017/1114.html
FPGA
データ

View Slide

Drillのソフトウェアスタック
２-８ＯＳＳ連携プラグイン
13
連携機能モジュールのインタフェースをOSSのAPIに合せる
CPUに最適化された処理⼿順をFPGA内での並列処理⼿順に変換
After
分散DB
エンジン
処理命令
データ
Hadoop
データ処理基盤
分析ツール
I/F
SQL Parser
Query Optimizer
Execution Engine
Apache Calcite
SQL Query
クエリプラン
最適化ルール
API
プラグイン
データ処理⼿順変換
FPGA Driver
① プラグイン
SSD
処理
手順
データ
処理
手順
FPGA

View Slide

２-９ＯＳＳ-ＤＢ標準フォーマット(Ｐａｒｑｕｅｔ)への対応
14
多種データ形式対応デコーダでデータをデコード
デコードされた可変⻑データを、効率的にパッキングして並列処理する回路
After
分散DB
エンジン
プラグイン
データ処理
手順変換
処理命令
データ
Hadoop
データ処理基盤
分析ツール
I/F
SSD
データ
処理
手順
FPGA
FPGA回路上の処理
集約回路
検索回路
出⼒回路
Optimized Parallelism
データ⼊⼒回路
解析回路
様々なタイプ、サイズのデータ
Integer
String Date
String Time
・・・

View Slide

① プラグインが、Scan(/Filter),Groupby,AggregationをFPGAにオフロード
② データをSSDから直接読み出すことにより、CPUでのScanオーバーヘッドを解消
③ FPGA内で、上記処理を並列&パイプライン実⾏、結果をDBエンジンに返す
２
２
２
２-
-
-
-１０
１０
１０
１０アーキテクチャ
アーキテクチャ
Slave Node
Slave Node
Node
SQL-on-Hadoop
(分散DBエンジン)
メインメモリ
分析ツール
HDFS on SSD
データ
(ｲﾝﾒﾓﾘﾌｫｰﾏｯﾄ)
データ
処理結果
データリクエスト
データリクエスト
データ
3
-
Filter
Aggre-
Aggre-
gation
FPGA
プラグイン
FPGA Driver
FPGA Driver
クエリ(SQL)
1
I/F
2
Scan(/Filter),Groupby,Aggregation
クエリ処理⼿順

View Slide

分析ツール： Pentaho Business Analytics
分散DBエンジン： Apache Drill
FPGAカード： Nallatech P385A， SSD：Intel P3700 800GB
２-１１プロトタイプのシステム構成
HDFS
分析要求
Cent OS 7.3
・
Cent OS 7.3
・
CDH 5.11.0
- HDFS Name Node
- Hive
・
Pentaho Business Analytics
- Simba Drill JDBC driver
・
・
・
・
FPGA middleware/driver
・
Cent OS 7.3
・
CDH 5.11.0
- HDFS Data Node
- ZooKeeper
・
Apache Drill 1.10
- FPGA Plugin for Drill
・
・
・
・
FPGA middleware/driver
FPGA FPGA FPGA
SSD SSD SSD

View Slide

２-１２ベンチマーク
17
プロトタイプシステムにて、TPC-Hベンチマークによる性能を比較
FPGAはQ1クエリで最大78倍、Q6クエリで最大19倍。
⇒Aggregationの多いQ1クエリのほうが、FPGA並列処理の効果が出る
0
20
40
60
80
100
120
140
Q01
Drill SparkSQL Impala FPGA accel.
0
20
40
60
80
100
120
Q06
Drill SparkSQL Impala FPGA accel.
評価条件：
ワーカノードサーバのスペック
CPU： Xeon E5-2640 v4 2sockets([email protected])
Memory： 128GB
NIC： 10GBASE-T
CDH 5.11.0 (Hadoop Hadoop 2.6.0, Impala 2.8.0, +Spark 2.1.0)、Drill 1.10
データセットは、SF100（およそ100GB/600M⾏）のlineitem表。
(ただし、impalaはDATE型非サポートのため一部カラムをTIMESTAMP型に変更)
クエリを数回実⾏してウォームアップした後に、３回計測した平均値を記載
FPGA FPGA
Impala
SparkSQL
Drill
Drill SparkSQL Impala
M lines/sec
・
node M lines/sec
・
node

View Slide

２-１３ユーザメリット：コスト，電力削減効果の一例
18
同等性能を実現するクラスター規模で、コストと消費電⼒を⽐較
FPGAアクセラレータ適用により性能が向上し，必要ノード数が削減
トータルのシステムコストと消費電⼒削減が期待できる
前提条件：
• 対象データサイズ毎に、TPC-H/Q1を10秒間で処理するのに必要なクラスター規模で⽐較
• 20core CPU/サーバ、サーバ当たり1FPGAボード、1NVMe-SSD搭載
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
0.0TB 64.0TB 128.0TB 192.0TB 256.0TB
システムコスト($M)
分析データサイズあたりシステムコスト
分析データサイズ (TB)
TPC-H Q1 実⾏時間：10秒
0
5
10
15
20
25
30
35
40
0.0TB 64.0TB 128.0TB 192.0TB 256.0TB
消費電⼒(KW)
分析データサイズあたり消費電⼒
分析データサイズ (TB)
TPC-H Q1 実⾏時間：10秒

View Slide

３. FPGAによるアニーリングマシンの実現

View Slide

３-１最適化の必要性
交通渋滞の解消物流コスト最小化ｴﾈﾙｷﾞｰ安定供給
分野交通システムサプライチェーン電力送電網
課題
最適化対象
入力ﾊﾟﾗﾒｰﾀ
制御ﾊﾟﾗﾒｰﾀ
最適化問題
計算量
交通量、移動コスト
交通状況
各車の目的地
信号、各車
最大ﾌﾛｰ・最短経路
2n回: nは制御対象のパラメータ数
総移動コスト
拠点間の移動コスト
移動経路
巡回セールスマン
蓄電量、等
発電・消費電力量
経路容量
発電量、流路
最大フロー
膨大なパラメータ数に対するシステム最適化が必要
「組合せ最適化問題」は計算量が膨⼤となる

View Slide

３-２計算手法の革新による組合せ最適化の加速
問題規模
計算時間・消費電⼒
指数関数的爆発！
従来型コンピュータ
ノイマン型
本提案：アニーリングマシンによる改善
1,000,000パラメータ
アニーリングマシン
非ノイマン型
計算手法の革新による
劇的な改善
最適化問題の計算コストは指数関数的に増大
複雑で大規模化する社会システムに従来手法を適用するのは困難

View Slide

３-３アニーリングマシンの原理
組合せ最適化問題をイジングモデルへマッピング
イジングモデルでエネルギー最低の状態を探索し、もとの最適化問題
にもどして最適化問題の解を探索
イジングモデル: 個々のスピンの向き(上または下)が、スピン間の相互作用により
安定状態(＝エネルギーが低い状態)に遷移するのを計算するモデル
σ
1
3つの要素で構成
①スピン
①スピン
①スピン
①スピン (σi) ②
②
②
②相互作用係数
相互作用係数
相互作用係数
相互作用係数 (Jij)
③バイアス係数
③バイアス係数 (hi)
σ
2 σ
3
σ
4 σ
5
σ
6
σ
7
σ
8
σ
9
エネルギー
最適状態
J12
J14
J47
h2
h3
h7
h4
: 上
: 下
最適化問題の解法に利⽤
スピンの状態
j
j
j
j
i
j
i
ij
h
J
H σ
σ
σ ∑
∑ −
−
=
,

View Slide

３-４さまざまな実装のアニーリングマシン
富士通 D-Wave NTT(ImPACT) ⽇⽴
方式
シミュレーティド
アニーリング(改)
量⼦アニーリン
グ
光パラメトロン
CMOS
アニーリング
実装 FPGA
超伝導量⼦ビッ
ト
レーザー発振器
半導体CMOS
FPGA
消費電⼒ ?
×
15kW(冷却)
〇 ◎
集積度 2017年 1k 2k 2k
20k
(大規模化可能)
サイズサーバサイズ
冷凍機
(部屋の規模)
サーバサイズチップ
動作温度〇室温
×低温
(-273℃)
〇室温〇室温
解精度 ? ○ ? △SQA
優位性・特徴・製品化済
・クラウド化済
・クラウド化済
・温度変化に弱い
・低価格
・エッジ・クラウド
対応
半導体/FPGAによる実装でエッジ・クラウドに搭載可能な低電⼒・
スケーラビリティ・小型化・室温動作・低コスト化を実現

View Slide

３-５ FPGA版アニーリングマシンを用いたデモ
2. ドローン通信順序最適化
1. 無線基地局の周波数割り当て 3. 通信網の堅牢性確保
4. 画像修復 6. 画像ノイズ除去
8. コミュニティのコア検出
7. 施設配置 9. 機械学習(ブースティング)
5. 爆発物探知の高速化
検出
検出
検出
検出
さまざまなアプリ適用に向けたデモを実施

View Slide

３-６第3世代 FPGA版アニーリングマシンの性能
量⼦アニーリングマシンと同等の性能スケーラビリティでさらに大
規模の問題がターゲット
従来手法(Simulated annealing)では計算時間がかかりす
ぎて解けない問題規模を狙う
50
問題規模 (スピン数)
5,000
計算時間 (s)
500
1µ
1m D-Wave (量⼦アニーリングマシン)
(2017)
Simulated annealing
(ソフト)
解精度 100%
1
1k
1M
1G
50,000 500,000
解精度 99.5%
解精度 100%
⽇⽴
(CMOSアニーリングマシン)
解精度 100%

View Slide

３-７アニーリングマシンの強化学習への適用
ニューラルネットワーク+DQN ボルツマンマシン(アニーリングマシン)
+FERL
DQN FERL
訓練数 30,000 300
時間 / 訓練 1 100
Back propagation
(DQN)
平衡状態の期待値計算
(FERL)
⇒ 複数回サンプリング
ニューラルネットワーク:
・学習に用いられるネット
ワーク
・入力層から出力層にむけて
信号が伝播
・訓練回数を
2
桁削減できる可能性あり
入力層
出力層
入力層
出力層
ボルツマンマシン:
・接続されたノードが相互
作用をするネットワーク
(イジングモデルと同型)
・信号は双方向に伝わる
FERL: Free Energy Reinforcement Learning
アニーリングマシンをボルツマンマシンとして利⽤してニューラルネッ
トワークを置換、強化学習の訓練回数を約2桁削減(1QBit社)
第3世代FPGA版プロトタイプ(32x4層)で同等の効果を確認
A. Levit et al., “Free-Energy-based Reinforcement Learning Using a Quantum Processor,” Theory of Quantum
Computation, Communication and Cryptography TCQ 2017.
DQN: deep Q-network

View Slide

Ｄｉｓｃｌａｉｍｅｒ
27
• The contents of this presentation are based on
early research results.
• This presentation does not reflect any product plan
or business plan.
• All information is provided as is, with no warranties
or guarantees.

View Slide

END
28
MicrosoftおよびSQL Serverは、米国Microsoft Corporationの米国及びその他の国における登録商標または商標です。
Oracle、NySQLは、Oracle Corporation及びその子会社、関連会社の米国及びその他の国における登録商標です。
DB2は、米国International Business Machines Corp.の米国及びその他の国における登録商標です。
PostgreSQLは、PostgreSQLの米国およびその他の国における商標です。
SASは、米国およびその他の国における米国SAS Institute Inc.の登録商標または商標です。
Qlikは、QlikTech International ABの商標または登録商標です。
Tableauは、Tableau Software Inc.の商標または登録商標です。
、Apache、Hadoop、Hadoop MapReduce、Hadoop HDSFは、Apache Software Foundationの
米国及びその他の国における登録商標または商標です。
、HIVE、Spark、 Impala、Drill、Parquetは、Apache Software Foundationの米国及びその他の国に
おける登録商標または商標です。

View Slide

View Slide

FPGAによる大規模データ処理の高速化

FPGAによる大規模データ処理の高速化

Kazunori Sato

More Decks by Kazunori Sato

Other Decks in Technology

Featured

Transcript