Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
LINEのデータプラットフォームにおける新しいテーブルフォーマット導入の取り組み
Search
LINE Developers
PRO
February 28, 2022
Technology
0
260
LINEのデータプラットフォームにおける新しいテーブルフォーマット導入の取り組み
齋藤智之(LINE株式会社)
DEIM2022での技術報告資料です
https://cms.dbsj.org/deim2022/program/?oral#/J24
LINE Developers
PRO
February 28, 2022
Tweet
Share
More Decks by LINE Developers
See All by LINE Developers
LINEスタンプのSREing事例集:大きなスパイクアクセスを捌くためのSREing
line_developers
PRO
1
1.4k
Java 21 Overview
line_developers
PRO
6
790
Code Review Challenge: An example of a solution
line_developers
PRO
1
830
KARTEのAPIサーバ化
line_developers
PRO
1
370
著作権とは何か?〜初歩的概念から権利利用法、侵害要件まで
line_developers
PRO
5
1.8k
生成AIと著作権 〜生成AIによって生じる著作権関連の課題と対処
line_developers
PRO
3
1.7k
マイクロサービスにおけるBFFアーキテクチャでのモジュラモノリスの導入
line_developers
PRO
9
2.3k
A/B Testing at LINE NEWS
line_developers
PRO
2
620
LINEのサポートバージョンの考え方
line_developers
PRO
2
780
Other Decks in Technology
See All in Technology
Postman v10リリース後を振り返る
nagix
0
130
LLM とプロンプトエンジニアリング/チューターをビルドする / LLM and Prompt Engineering and Building Tutors
ks91
PRO
0
220
HEXA OSINT CTF V3 作戦会議
meow_noisy
0
110
テストプロセスで大事にしていること #jasstnano
makky_tyuyan
0
130
長期運用プロジェクトでのMySQLからTiDB移行の検証
colopl
2
670
GraphQL 成熟度モデルの紹介と、プロダクトに当てはめた事例 / GraphQL maturity model
mh4gf
4
110
Garoon 開発チーム / Garoon development team
cybozuinsideout
PRO
2
2.9k
キャラクター制御のためのプロンプト術 for LINE Bot
uezo
0
520
コンパウンドスタートアップのためのスケーラブルでセキュアなInfrastructure as Codeパイプラインを考える / Scalable and Secure Infrastructure as Code Pipeline for a Compound Startup
yuyatakeyama
3
2.5k
PHPカンファレンス小田原2024
ysknsid25
3
660
[PlatformCon 24] Platform Orchestrators: The Missing Middle of Internal Developer Platforms?
danielbryantuk
1
180
最近たまに見かけるTiDBってなんだ? - Findy
pingcap0315
2
600
Featured
See All Featured
Imperfection Machines: The Place of Print at Facebook
scottboms
258
12k
Scaling GitHub
holman
457
140k
Creatively Recalculating Your Daily Design Routine
revolveconf
209
11k
Building a Modern Day E-commerce SEO Strategy
aleyda
16
6.4k
Fireside Chat
paigeccino
20
2.6k
The Art of Programming - Codeland 2020
erikaheidi
41
12k
How To Stay Up To Date on Web Technology
chriscoyier
782
250k
Building Flexible Design Systems
yeseniaperezcruz
318
37k
Learning to Love Humans: Emotional Interface Design
aarron
266
39k
How to name files
jennybc
64
92k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
34
8.9k
Rebuilding a faster, lazier Slack
samanthasiow
72
8.2k
Transcript
LINEのデータプラットフォームにおける 新しいテーブルフォーマット導入の取り組み 齋藤 智之 LINE株式会社 Data Platform室 2022年2月28日 J24-6
技術報告
自己紹介 齋藤 智之 - LINE株式会社 Data Platform室 - シニアソフトウェアエンジニア -
2015年3月 東京大学大学院情報理工学系研究科 コンピュータ科学専攻 修士 修了 - 2015年4月 LINE新卒入社 - 2016年〜 データプラットフォームの開発・運用
アジェンダ - LINEのデータプラットフォーム - クエリ処理インフラにおける課題 - Apache Icebergテーブルフォーマット
LINEのデータプラットフォーム
LINE STYLE Always data-driven
LINEのデータプラットフォーム σʔλϓϥοτϑΥʔϜ αʔϏε σʔλαΠΤϯε ػցֶश σʔλϚωδϝϯτ ... σʔλυϦϒϯͳ৫ͮ͘Γ
一般的なデータフロー σʔλιʔε औΓࠐΈ ετϨʔδɾϝλσʔλ ఏڙ σʔλ׆༻ ॲཧ
データプラットフォームの役割 σʔλιʔε औΓࠐΈ ετϨʔδɾϝλσʔλ ఏڙ σʔλ׆༻ ॲཧ Πϯϑϥπʔϧͷఏڙ
LINEデータプラットフォームの特徴 σʔλιʔε औΓࠐΈ ετϨʔδɾϝλσʔλ ఏڙ σʔλ׆༻ ॲཧ Πϯϑϥπʔϧͷఏڙ Big
Big Big Big Big Big
プラットフォーム・データのスケール 5,000+ 40,000+ 290 PB+ サーバ数 データ量 テーブル数 17.5
M+ 700+ 150,000+ ログ流入量 ジョブ実行数 プラットフォーム ユーザ records / s jobs / day
技術的課題 σʔλιʔε औΓࠐΈ ετϨʔδɾϝλσʔλ ఏڙ σʔλ׆༻ ॲཧ
クエリ処理インフラにおける課題
SQLを用いたデータ処理 ετϨʔδɾϝλσʔλ ࢄSQLΫΤϦॲཧΤϯδϯ SQL Spark Hive Trino Flink HDFS
HiveMetastore
分散クエリ処理 SELECT name FROM employee ࣮ߦϓϥϯ Parse Analysis Optimization Planning
分散クエリ処理 ࣮ߦϓϥϯ Parse Analysis Optimization Planning SELECT name FROM employee
ςʔϒϧϑΥʔϚοτʹΑͬͯཧํ๏͕ఆٛ͞ΕΔ Ͳ͏ͬͯ ಡΈॻ͖͢Δ͔ σʔλϑΝΠϧ Ͳ͜ʹ͋Δ͔
デファクトスタンダード - Hiveテーブルフォーマット Metastore DB Hive Metastore Thrift API ςʔϒϧϝλσʔλHive
Metastoreͷ Thrift APIʹΑͬͯরձɾૢ࡞͞ΕΔ ςʔϒϧϝλσʔλRDBMSʹอଘ͞ΕΔ ʢMetastore DBͱݺͿʣ create_table get_partitions ౷ܭใ εΩʔϚ Serde ύʔςΟγ ϣϯ σΟϨΫτϦύεʹΑͬͯσʔλϑΝΠϧͷू߹͕ఆٛ͞ΕΔ /table/date=2021-10-01/
LINEのETLインフラ ετϨʔδ SQL Τϯδϯ Spark Hive Trino ΞυϗοΫ δϣϒ HDFS
Hive Metastore ఆظόονδϣϒ Thrift API Metastore DB
LINEのETLインフラ ετϨʔδ SQL Τϯδϯ Spark Hive Trino ΞυϗοΫ δϣϒ HDFS
Hive Metastore ఆظόονδϣϒ Thrift API Big Big Big Metastore DB
Metastore DB – 通常時QPS(1週間分)
Metastore DB – 通常時CPU使用率(1週間分)
Metastore DB – 異常時CPU使用率 Risk of outages Big blast radius
HiveテーブルフォーマットのLimitation Hive Metastore Table with O(10K) partitions High load Memory
pressure HIVE-13884 ϝλσʔλཧ͕Hive Metastoreʹڧ͘ґଘɽ̍ͭͷ ύʔςΟγϣϯ͕̍ͭͷߦͱͯ͠DBʹอଘ͞ΕΔɽ Metastore DB Limitation: େྔͷύʔςΟγϣϯΛѻ͑ͳ͍ ύʔςΟγϣϯ͕গͳ͘ͳΔΑ͏ςʔϒϧઃܭ͢Δ ͳͲɼϫʔΫΞϥϯυ͕ඞཁ
Hiveテーブルフォーマットの問題点 ςʔϒϧϝλσʔλͷরձੑೳ͕ɼதԝཧ͞ΕΔHive Metastore Metastore DBΠϯελϯεͷੑೳʹ੍ݶ͞ΕΔɽ ཻͷૈ͍ύʔςΟγϣϯͰςʔϒϧ͕ߏ͞Εɼ ඇޮͳσʔλΞΫηεʹͳΔɽ ϑΝΠϧຖͷ౷ܭใΛอଘͯ͠ΫΤϦΛ࠷దԽ͢ΔͳͲͷɼ ϝλσʔλͷվળΛ࣮ݱͮ͠Β͍ɽ ϘτϧωοΫ
ඇޮͳσʔλ ΞΫηεʹͭͳ͕Δ ΫΤϦ࠷దԽͷԸܙΛ ಘͮΒ͍
Apache Icebergテーブルフォーマット
ετϨʔδ ϑΝΠϧ ϑΥʔϚοτ Parquet ORC Avro HDFS S3 ςʔϒϧ ϑΥʔϚοτ
SQLΫΤϦ Τϯδϯ Flink Spark Hive Trino Apache Iceberg An open table format for huge analytic datasets OSS
Icebergテーブルのファイルレイアウト # Spark SQL create table sample (id int) using
iceberg; insert into sample values (100); insert into sample values (200); select * from sample; # Files in HDFS sample ├── data │ ├── 00000-2-26bcfac0-91ba-4374-a879-b780cf0608c3-00001.parquet │ └── 00000-3-4bfb85d8-3283-48f7-980d-28ea115aed80-00001.parquet └── metadata ├── 00000-811eaf6e-b0f4-4bd7-8f87-a6df1d543b34.metadata.json ├── 00001-4041324f-1920-44f4-8ce6-6088ec663e0a.metadata.json ├── 00002-66aac2ec-8f9a-4de8-a679-428bb970b1ff.metadata.json ├── 2a67328f-8386-4d1a-873a-1034824e22f8-m0.avro ├── 91e78f4a-f1df-414f-835d-45488001bba9-m0.avro ├── snap-4758351318332926243-1-2a67328f-8386-4d1a-873a-1034824e22f8.avro └── snap-5465468679579016991-1-91e78f4a-f1df-414f-835d-45488001bba9.avro
キーコンセプト εφοϓγϣοτɿ͋Δ࣌Ͱͷςʔϒϧͷঢ়ଶ s0 time σʔλ εφοϓγϣοτ Icebergがどのようにファイルを追跡するか t0
キーコンセプト s0 time s1 σʔλ Write & Commit εφοϓγϣοτɿ͋Δ࣌Ͱͷςʔϒϧͷঢ়ଶ Icebergがどのようにファイルを追跡するか
ύʔςΟγϣϯ εΩʔϚ ϑΥʔϚοτ ౷ܭใ ϑΝΠϧͷॴ t0 t1 εφοϓγϣοτ
メタデータファイルによるデータ管理 ςʔϒϧεΩʔϚɼύʔςΟγϣχϯάઃఆɼ εφοϓγϣοτΛཧ͢Δ ύʔςΟγϣϯຖͷ౷ܭΛؚΉɼϚχϑΣετϑΝΠϧʹ ͍ͭͯͷϝλσʔλΛอ࣋͢Δ σʔλϑΝΠϧͷϦετɼσʔλϑΝΠϧຖͷϝλσʔλ ౷ܭใΛอଘ͢Δ ςʔϒϧϝλσʔλ ϑΝΠϧ ϚχϑΣετϦετ
ϑΝΠϧ ϚχϑΣετ ϑΝΠϧ s0 s1 m0 m1 m2 m0 m1 d00 d01 m0 d00 d01 d10 m1 d20 m2 d10 d20 σʔλϑΝΠϧ
メタデータファイルによるデータ管理 ςʔϒϧεΩʔϚɼύʔςΟγϣχϯάઃఆɼ εφοϓγϣοτΛཧ͢Δ ύʔςΟγϣϯຖͷ౷ܭΛؚΉɼϚχϑΣετϑΝΠϧʹ ͍ͭͯͷϝλσʔλΛอ࣋͢Δ σʔλϑΝΠϧͷϦετɼσʔλϑΝΠϧຖͷϝλσʔλ ౷ܭใΛอଘ͢Δ ςʔϒϧϝλσʔλ ϑΝΠϧ ϚχϑΣετϦετ
ϑΝΠϧ ϚχϑΣετ ϑΝΠϧ s0 s1 m0 m1 m2 m0 m1 d00 d01 m0 d00 d01 d10 m1 d20 m2 d10 d20 σʔλϑΝΠϧ Hive Metastore
クエリに必要なファイルを見つける 1. ݱࡏͷεφοϓγϣοτ͔Β ϚχϑΣετϦετϑΝΠϧΛݟ͚ͭΔ 2. ύʔςΟγϣϯͷϨϯδ͔ΒɼಡΈࠐΉ͖ ϚχϑΣετϑΝΠϧΛಛఆ͢Δ 3. ϚχϑΣετϑΝΠϧΛಡΈɼ σʔλϑΝΠϧΛݟ͚ͭΔ
manifest-list = ml1 For manifest m2 and partition p, range is [20, 29] d20 file path = hdfs://... s0 s1 m0 m1 m2 m0 m1 d00 d01 m0 d00 d01 d10 m1 d20 m2 d10 d20 σʔλϑΝΠϧ ml1
ファイル毎の統計情報による最適化 ϚχϑΣετϑΝΠϧσʔλॻ͖ࠐΈ࣌ʹɼ ϑΝΠϧ୯ҐΧϥϜ୯Ґͷ౷ܭใΛอଘ͢Δ s0 s1 m0 m1 m2 m0 m1
d00 d01 m0 d00 d01 d10 m1 d20 m2 d10 d20 ml1 file_path string Location URI with FS scheme lower_bounds map<int,binary> Map of column id to lower bound upper_bounds map<int,binary> Map of column id to upper bound
違いと利点 ύʔςΟγϣχϯάཻ Hive Apache Iceberg ϝλσʔλͷอଘॴ Hive Metastore ϑΝΠϧγεςϜ ੍ݶ͞ΕΔ
੍ݶ͕؇͞ΕΔ εέʔϥϏϦςΟ ޮత ౷ܭใ ύʔςΟγϣϯຖ ϑΝΠϧຖ ύϑΥʔϚϯε
その他の機能 Serializable isolation ߦϨϕϧআ ࠩಡΈࠐΈ λΠϜτϥϕϧ εΩʔϚਐԽ Hidden partitioning
まとめ ΫΤϦॲཧΠϯϑϥʹ͓͍ͯɼதԝཧ͞ΕΔϝλσʔλετΞ͕ ϘτϧωοΫͱͳΓɼεέʔϥϏϦςΟͷ՝͕ൃੜͨ͠ɽ Apache IcebergʹΑͬͯϘτϧωοΫ͕ղফ͞ΕΔ͜ͱ͕ظ͞ΕΔɽ ·ͨɼσʔλੳʹ͓͚Δଞͷ՝ղফʹཱͭͱظ͞ΕΔɽ LINEͷσʔλϓϥοτϑΥʔϜͰద༻ʹ͚ͯϓϩδΣΫτΛਐߦதɽ
Thank you