Tweet
Tweet

Slide 1

Slide 1 text

GCPをフル活用した ゲームログ収集 基盤の構築 Rails Developers Meetup 2018 Day 3 Extreme @sachaos

Slide 2

Slide 2 text

自己紹介 • @sachaos (サカオスと読みます) • 好きなもの – 黒い画面 – Golang – OSS をいくつかGitHubで 公開しています • 所属: 株式会社アカツキ – 新卒 3 年目 – 技術基盤開発 – Golang, GCP とか – ゲーム新規開発・運用 – Ruby on Rails, etc – 最近仕事で Elixir 書き始めました

Slide 3

Slide 3 text

Q. ゲームログとはなにか？

Slide 4

Slide 4 text

Q. ゲームログとはなにか？ ゲームログ = プレイヤーの行動の記録 A.

Slide 5

Slide 5 text

ゲームログの例 ・ ・ ・ • 2018/07/13 16:36:09 sachaos がエリクサーを 5 個手に入れた！ • 2018/07/13 16:36:13 sachaos がエリクサーを 3 個消費した！ • 2018/07/13 16:38:20 sachaos がクエストをクリアしたよ！ • 2018/07/14 01:10:05 sachaos がガチャを引いて強キャラを手に入れた！

Slide 6

Slide 6 text

Q. なぜログを集めるのか？

Slide 7

Slide 7 text

Q. なぜログを集めるのか？ A. 分析をするため

Slide 8

Slide 8 text

Q. なぜログを集めるのか？ A. 分析をするため データからゲームを遊んでいるプレイヤーの状態、 感情を理解してそれをゲームの改善につなげる。

Slide 9

Slide 9 text

分析 • 定常的な分析 • アドホックな分析

Slide 10

Slide 10 text

定常的な 分析

Slide 11

Slide 11 text

定常的な分析 • DAU (Daily Active User) や 売上など毎日知りたい情報。 • KPI の達成具合を測り、様々な意思決定をする。 • ダッシュボードで常に表示しておく。 • Slack に定期的に通知するようにしている。

Slide 12

Slide 12 text

アドホックな 分析

Slide 13

Slide 13 text

アドホックな分析 • 今後の施策の意思決定のために現状を把握する。 – e.g. エリクサーが多く流通している。 次はもう少し難しいイベントを企画してみよう。 • 因果関係を見つける為、仮説を探し検証する。 – e.g. 1. 継続率が高い(毎日ログインしている)ユーザーを 分析して見ると他のユーザーに比べて フレンドが多いという結果が出た。 2. これを仮説として、 フレンドを増やす施策を打ち出してみた。 3. これの効果測定(継続率が上がったか否か)をして、 仮説を検証する。

Slide 14

Slide 14 text

ゲームログを BigQuery に送ることができれば とりあえず分析はできる

Slide 15

Slide 15 text

しかし、 早く正確に分析するために 遅延・抜け漏れ無く ログを集めたい

Slide 16

Slide 16 text

GCPをフル活用した ゲームログ収集基盤

Slide 17

Slide 17 text

GCPをフル活用した ゲームログ収集基盤 Cloud Pub/Sub Cloud Dataflow BigQuery App Engine App Engine AWS GCP Cloud Dataflow 定期的なバッチ処理 BigQueryと BIツール(Metabase)による分析 ログの収集システム アプリケーション サーバークラスタ

Slide 18

Slide 18 text

Q. なぜこの構成にしたのか？

Slide 19

Slide 19 text

Q. なぜこの構成にしたのか？ A. GCP が使いたかったから！

Slide 20

Slide 20 text

Q. なぜこの構成にしたのか？ A. GCP が使いたかったから！ A. 様々な構成を検討した結果、 一番楽に運用できそうだったから

Slide 21

Slide 21 text

検討したログ収集システム構成 Fluentd Log Aggregator Pattern 1 AWS Kinesis Firehose 2 AWS Kinesis + Lambda 3 Cloud Pub/Sub + Dataflow 4

Slide 22

Slide 22 text

Fluentd Log Aggregator Pattern • Pros – Fluentd Plugin が豊富なので、簡単に Aggregator から 様々なデータウェアハウスに送ることができる。 • Cons – プラグインごとに設定を細かく行う必要がある。 – マネージドサービスはない – 自前でサーバーを立てないといけない。 – データの送信失敗などを監視・通知するような仕組みを 作らないといけない – Log Aggregator が落ち、fluentd の設定不足で ログを欠損させてしまったという苦い思い出もある・・・。

Slide 23

Slide 23 text

AWS Kinesis Firehose • Pros – とりあえず S3 に自動的にデータを転送することができる。 勝手にスケールもする。 • Cons – S3 から BigQuery にどうやって格納するか という別の問題が発生する。 – Embulk などを使用する？しかしそれでは別のサーバーが必要。 – S3 の Put event を検知して AWS Lambda を走らせる？ しかし、失敗した場合はどのように再実行させるか？

Slide 24

Slide 24 text

AWS Kinesis + AWS Lambda • Pros – Firehose と比べるとストリームを Lambda で処理でき、 BigQuery にそのまま投げることができて嬉しい。 エラーが起きた場合はリトライもやってくれる。 • Cons – シャード数のチューニングを考えないといけない。

Slide 25

Slide 25 text

Cloud Pub/Sub + Dataflow • Cloud Pub/Sub – アプリケーションのログを一旦ストアしておくために使用する。 メッセージキューサービス。 – 複数のサブスクライバ(購読者)に対してメッセージを送ることが可能。 BigQuery 向けだけではなく Storage 向けの Dataflow にも購読させ、 両方にデータをストアするようにしている。 • Cloud Dataflow – Pub/Sub からデータを取得して BigQuery へインサートする。 – Google 提供のテンプレートも存在する – Pub/Sub to BigQuery – Pub/Sub to Storage – 処理するデータ量、計算量に応じて勝手にスケールする。 – エラーの際にリトライはもちろん、 コードに問題があった場合は更新もすることができる。 – サーバーレスは麻薬。

Slide 26

Slide 26 text

運用 インフラ管理 バッチによる データ処理の 方法 データ分析の 方法

Slide 27

Slide 27 text

インフラ管理

Slide 28

Slide 28 text

インフラ管理 • リソース作成・更新操作が必要 – Dataflow の Job の実行 – BigQuery の テーブル定義 – Pub/Sub トピックの作成 • これらをコードで管理したい • Terraform でもよかったが GCP API を Rake タスクで叩くようにした。

Slide 29

Slide 29 text

Q. なぜ GCP API ? A. BigQuery のテーブルのスキーマと ログのスキーマ定義の二重管理を 防ぎたかったから また、設定項目がシンプルなので API を叩くだけで十分そうだった。

Slide 30

Slide 30 text

ログのスキーマ定義の二重管理 • BigQuery のスキーマを定義する何か(例えば JSON, DDL)と アプリケーション内でログを表す(例えばクラス)で スキーマ定義が重複する。 • e.g. signin というユーザーのサインインのログを考える signin.rb signin.json RUBY JSON LOG ログデータ BigQuery の signin テーブル

Slide 31

Slide 31 text

ログのスキーマ定義の二重管理 • ログデータも、BigQuery のテーブルも同じファイルから 生成すれば二重管理ではなくなる。 • これによって、片方を更新し忘れて、 BigQuery のインサートに失敗するということがなくなる。 signin.rb signin.json RUBY JSON LOG ログデータ BigQuery の signin テーブル

Slide 32

Slide 32 text

Schema をログクラスに定義 テーブル名を 定義 各フィールドの 型を定義

Slide 33

Slide 33 text

Schema から BigQuery のテーブルを作成 先ほどのクラス を取得 BigQuery API の形式に調整 APIを叩いて テーブル作成

Slide 34

Slide 34 text

バッチによる データ処理の方法

Slide 35

Slide 35 text

定常的な分析を行うために • 定期的に(Cron のように)分析を行う。 • 分析のための中間テーブルを作成する。

Slide 36

Slide 36 text

バッチ処理をやるにも GCP では様々な選択肢がある。 • Cloud Dataflow – バッチ、ストリーム両方に対応した ETL サービス。 • Cloud Functions – AWS の Lambda のようなもの – いわゆる FaaS • Google App Engine – AWS Elastic beanstalk, heroku のようなもの – いわゆる PaaS – Standard Environment と Flexible Environment がある。 – SE の方が、 FE に比べて様々な制限があるが、 よりサーバーレスをキメることができる。 – デプロイ早い！ – スケールも爆速！

Slide 37

Slide 37 text

クエリ一発で終わって 結果セットが小さい物は GAE。 それ以外は Dataflow。 • クエリ1発で結果セットが小さい物は Cloud Dataflow で実行させる必要がない。 – 例えば、売上を計算する場合結果セットは 1 レコードで済む – しかし、ユーザーごとの売り上げを計算する場合は ユーザーごとにレコードがあり、結果セットが大きい。 • Dataflow は実行のオーバーヘッドがかなり大きいので、 小さなものを処理させるのには向いていない。 • GAE を使用すると GAE Cron Serviceと組み合わせることもできて楽。

Slide 38

Slide 38 text

データ分析の方法

Slide 39

Slide 39 text

定常的な分析、ダッシュボード • Google App Engine Flexible Environment を使って 試験的に Metabase を動かしている。 • が、Metabase のつらみは結構ある。。。 – BigQuery Standard SQL の相性が悪い。 – 複合グラフが作れない – Slack の public チャンネルにしか投稿できない – etc • Re:dash, Google Data Studio の導入を検討中。

Slide 40

Slide 40 text

まとめ • ユーザーを正しく分析するために早く正確な分析基盤を 作ることが大事です。 • GCP をフル活用したゲームログ収集基盤の構築とそこに 至った過程、運用方法の共有を行いました。 • GCP のマネージドサービスは 本当にマネージドされている感があって 運用フローも楽に構築できた印象です。

Slide 41

Slide 41 text

以上です。 ご静聴ありがとうございました。