Big Data and Hadoop

빅데이터
데이터가 너무 크고 복잡해서 수작업 또는 기존의 프로세싱 툴로는 처리하기 힘들 때.
Web logs, sensor network, social media, internet pages, scientific research, etc.
3v: volume, velocity, variety

데이터의 종류
Structured data
Tabular format으로 나타낼 수 있는 데이터. Mysql 등등

Semi-structured data
Formal data model이 없는 데이터. XML 파일 등등

Unstructured data
Pre-defined model이 없는 데이터. Text file 등등


빅데이터를 쓰면
Understand and navigate big data sources.
Manage and store a huge volume of a variety of data.
Process data in reasonable time.
Ingest data at a high speed.
Analyze unstructured data.
Bear faults and exceptions.


2가지 challenges
How to handle the system uptime and downtime?
Using commodity hardware for data storage and analysis. Maintaining a copy of the same data across clusters.
How to combine data accumulated from all systems?
Analyzing data across different machines. Merging of data.


하둡 용어
commodity hardware: cluster를 만들 수 있는 PC
cluster: 네트워크에서 시스템간의 연결된 묶음
node: 네트워크 장치를 통해 서로 연결된 commodity server

Hadoop cluster: NameNode, DataNode, JobTracker, TaskTracker, Secondary NameNode

Hadoop HDFS:
저장 하는 측면에 쓰인다.
각 데이터블록에 대해 여러 복사본을 만들어서 안정성을 높인다.

Hadoop Map Reduce:
분산 환경에서 프로세스를 처리하는 역할을 한다.
HDFS를 저장소로 쓴다.


Regular file system vs HDFS
Regular file system에서는 각 데이터 블록이 작다. 대략 51바이트. 여러번 탐색해야 하기 때문에 큰 양의 데이터 입출력이 어렵다.
HDFS에서는 데이터 블록이 기본 64메가이다. 큰 데이터를 한번의 탐색으로 연속적으로 읽을 수 있다.


NameNode server
클러스터에 하나만 있다. 파일시스템 트리에서 파일과 디렉토리를 관리한다.
DataNode server
여러 instance가 있을 수 있다. NameNode에게 주기적으로 어떤 블록을 가지고 있는지 보고한다. 클라이언트나 NameNode server가 요청하면 블록을 저장하거나 제거한다.
Secondary NameNode server
하나만 있다. Failure을 대비해서 NameNode server의 일부분만을 저장한다. 완전한 백업은 아니다.


HDFS에 접근하는 방법
Java API, python이나 C를 이용한 접근, web GUI, HTTP brower, FS shell.

댓글

댓글 쓰기

이 블로그의 인기 게시물

논문 정리 - MapReduce: Simplified Data Processing on Large Clusters

Abstract 맵리듀스는 큰 데이터 셋을 다루는 프로그래밍 모델이다 . 사용자는 map 함수를 통해서 키 / 밸류 쌍을 이용하여 intermediate key/value pair 를 만들고 reduce 함수를 통해서 그 intermediate pair 들을 같은 key 별로 합쳐준다 . 많은 일들이 이런 모델을 통해 표현될 수 있다 . 이 모델은 분산 시스템이나 병렬 시스템에 대한 경험이 부족하더라도 분산 시스템의 자원을 쉽게 사용할 수 있게 해준다 . 1. introduction 데이터가 많아지면서 reasonable time 안에 작업을 끝내기 위해 수백 혹은 수천대의 기계에 분산되어야 했다 . 이 때 어떻게 연산을 병렬화하고 , 데이터를 분산하고 , 실패 작업을 어떻게 처리할지가 이슈가 되었다 . 이런 복잡한 문제들을 해결하기 위해 병렬화의 세세한 부분들은 숨기고 fault tolerance 하며 데이터를 분산시켜주고 로드 밸런싱을 해주는 라이브러리를 통해서 연산을 맵과 리듀스로 간단히 표현하도록 했다 . 2. Programming Model 사용자가 직접 만드는 맵 함수는 입력으로 key/value pairs 를 받아서 intermediate key/value pairs 를 만든다 . 그러면 intermediate key/value pairs 에 대해서 맵리듀스 라이브러리가 같은 key 별로 value 들을 묶어서 리듀스 함수로 보내준다 . 마찬가지로 사용자가 직접 만드는 리듀스 함수는 이 데이터를 받아서 key 별로 묶인 value 들을 합쳐서 표현한다 . 리듀스 함수에 전달되는 intermediate 데이터는 iterator 의 형태로 전달되기 때문에 메모리에 다 안 들어갈 정도로 큰 데이터도 처리할 수 있다 . 예를 들어서 , 어떤 문서에 있는 각 단어들이 몇 번 나왔는지 세는 프로그램을 생각해보자 . 그렇다면 맵 함수는 입력으로 < 문서 이름 , 문서 내용 > 의...
자세한 내용 보기

논문 정리 - The Google File System

The Google File System 1. Introduction 새로운 관점 component failure 은 예외가 아니라 일반적인 상황이다 . 그래서 constant monitoring, error detection, fault tolerance, automatic recovery 가 필요하다 . 파일의 크기가 커졌다 . I/O 작업이나 block 크기 등이 고려되어야 한다 . 원래 있는 데이터에 덮어쓰는 작업보다는 새로운 데이터를 추가한다 . 따라서 appending 이 성능 최적화에 중요해졌다 . 2. Design Overview 2.1 assumptions 시스템은 잘 고장나는 저렴한 장비들로 구성되어 있다 . 시스템은 큰 파일이 있다 . 작은 파일들도 있지만 optimizing 할 때는 고려하지 않는다 . 로드는 주로 큰 스트리밍 읽기와 작은 랜덤 읽기로 구성되어 있다 . 로드는 또한 파일에 데이터를 추가하는 많은 sequential write 가 있다 . 같은 파일에 여러 사용자가 동시에 데이터를 추가하는 경우도 잘 고려해야 한다 . 빠른 반응 속도 보다는 high sustained bandwidth 가 더 중요하다 . 대부분의 타겟 애플리케이션은 데이터 뭉텅이를 빠른 시간 내에 처리하는 것을 중요하게 여긴다 . 2.2 Interface 파일은 hierarchically , 디렉토리에 정렬돼있고 path name 으로 구분된다 . 또한 GFS 는 snapshot 과 record append 기능이 있다 . snapshot 은 파일이나 디렉토리 트리를 복사한다 . record append 는 다수 클라이언트가 데이터를 하나의 파일에 동시에 추가할 수 있도록 해준다 . 각 append 의 atomicity 를 보장하면서 . 2.3 Architecture 하나의 마스터와 여러개의 chunkserver 로 구성되어 있다 . 그리고 다수의...
자세한 내용 보기

kazoo: Using zookeeper api with python

``` pip3 install kazoo ``` https://kazoo.readthedocs.io/en/latest/basic_usage.html https://kazoo.readthedocs.io/en/latest/api/client.html ### 접속 ``` from kazoo.client import KazooClient zk = KazooClient(hosts='127.0.0.1:2181') zk.start() ``` 호스트에 접속할 때 default port는 2181이다. ### 상태 Listener zookeeper의 상태가 변하는 것을 알 수 있다. ``` from kazoo.client import KazooState def my_listener(state):     if state == KazooState.LOST:         # Register somewhere that the session was lost     elif state == KazooState.SUSPENDED:         # Handle being disconnected from Zookeeper     else:         # Handle being connected/reconnected to Zookeeper zk.add_listener(my_listener) ``` LOST CONNECTED SUSPENDED 의 state를 가질 수 있다. 가능한 상태 변화 - LOST -> CONNECTED - CONNECTED -> SUSPENDED - CONNECTED -> LOST - SUSPENDED -> LOST - SUSPENDED -> CONNECTED ### CRUD - `zk.create("/my/favorite/node", b"a value")` `create(path...
자세한 내용 보기