Apache Hiveの今とこれから

© Hortonworks Inc. 2011 – 2015. All Rights Reserved
Apache Hiveの今とこれから
Yifeng Jiang
Solutions Engineer, Hortonworks, inc.
June 11, 2015

自己紹介
蒋　逸峰 (Yifeng Jiang)
•  Solutions Engineer @ Hortonworks Japan
•  HBase book author
•  ⽇日本に来て１０年年経ちました…
•  趣味は⼭山登り
•  Twitter: @uprush

アジェンダ
•  Apache Hiveの今
•  100倍早くなった仕組み
•  １秒以下のレスポンスを実現していく

専門家集団: 開発に深く携わるコア・メンバーにより構成
沿革
2011年6月:
Yahoo! で初代の Hadoop 開発を手がけたアーキテクト、デベロッパー、
オペレータ　24名によって創立
2014年12月:
社員数600を超えるHadoopの専門家集団に成長
400以上のお客様、うち2/3はF1000企業
Apache Project Committers
PMC
Members
Hadoop 27 21
Pig 5 5
Hive 18 6
Tez 16 15
HBase 6 4
Phoenix 4 4
Accumulo 2 2
Storm 3 2
Slider 11 11
Falcon 5 3
Flume 1 1
Sqoop 1 1
Ambari 36 28
Oozie 3 2
Zookeeper 2 1
Knox 13 3
Ranger 11 n/a
TOTAL 164 109

Hortonworks Data Platform (HDP) 2.2 Stack
Hive: SQL on Hadoop

Apache Hiveの今
Transaction, Temp Table, Security, Performance

Apache Hiveを振り返てみる
Page 8Hive & HBase For Transaction Processing
•  Facebook社がOSS化したHadoop上のSQLデータ・ウェアハウス
•  2009年年にApache Hiveとしてはじめのリリース
•  最初のゴールはSQL⾔言語でMapReduceを簡単に実⾏行行できるように
–  ほとんどのクエリが数分から数時間かかっていた
–  主にバッチのETLジョブに利利⽤用されてた

Hive – 1つのツールですべてのSQLユースケース
OLTP,
ERP,
CRM
Systems

Unstructured
documents,
emails

Clickstream

Server
logs

Sen>ment,
Web
Data

Sensor.
Machine
Data

Geoloca>on

インタラクティブ
分析
バッチレポート/
ディープ分析
Hive - SQL
ETL処理

© Hortonworks Inc. 2011 – 2015. All Rights Reserved © Hortonworks Inc. 2015
あらゆるワークロードまでスケールするHive

Page 10
Hive at Facebook
• 100PB以上のデータ
• 毎⽇日15TB以上をHiveにロード
• 毎⽇日6万以上のHiveクエリ実⾏行行
• 毎⽇日1千以上のHiveユーザーが利利⽤用

トランザクション
Insert, Update and Delete SQL Statements

トランザクションユースケース
あくまでも分析⽤用 (YES)
•  レポート処理理のデータがたまに更更新するぐらい
•  マスタ変更更、ファクトテーブルの訂正
•  低同時実⾏行行の更更新、低TPS
OLTP データベース (NO)
•  ⼤大量量同時実⾏行行の⼩小さい更更新
•  数百〜～数千のコネクション
Hive
OLTP Hive
Replication
Analytics Modifications
Hive
High Concurrency
OLTP

Deep Dive: トランザクション
Hiveのトランザクション対応とACID
•  Hiveてのネイティブ対応
•  フェーズに分けて:
•  Phase 1: Hive Streaming Ingest (append)
•  Phase 2: INSERT / UPDATE / DELETE Support
•  Phase 3: BEGIN / COMMIT / ROLLBACK Txn
[Done]
[Done]
[Next]
Read-
Optimized
ORCFile
Delta File
Merged
Read-
Optimized
ORCFile
1. Original File
Task reads the latest
ORCFile
Task
Read-
Optimized
ORCFile
Task Task
2. Edits Made
Task reads the ORCFile and merges
the delta file with the edits
3. Edits Merged
Task reads the
updated ORCFile
Hive ACID Compactor
periodically merges the delta
files in the background.

コンパクションを詳しくみる
Read-
Optimized
ORCFile
Delta File
Merged
Read-
Optimized
ORCFile
Read-
Optimized
ORCFile
Delta File
Delta File
Delta File
Minor Compaction
10% local
Major Compaction
10% global
マイナーとメジャーコンパクション

セキュリティ
Hive Userʼ’s perspective

Ranger: ⼀一元化されたセキュリティ管理理
Apache Ranger
•  セキュリティ管理理者にダッシュ
ボードを提供
•  セキュリティポリシーの管理理を
⼀一元化
•  全てのHadoopスタックを⼀一貫
してカバーする

権限のポリシーを設定 (Hive)
17
テーブル／カ
ラムのアクセ
スコントロー
ル、柔軟な定
義　
グループ／ユー
ザーの権限管理理

100倍早くなった仕組み
ORC, Tez, CBO, Vectorization

スピードの必要性
•  Stingerイニシアティブ: Hiveパフォーマンスを100倍向上させるための取込
•  2013年年2⽉月から、2014年年4⽉月にかけて⽬目標達成
•  100%Apacheオープンソース
SQL
Engine

Vectorized

SQL
Engine

Columnar

Storage

ORCFile

=
100X
+
+

Distributed

Execu>on

Apache
Tez

TPC-‐‑‒DS Benchmark at 30 Terabyte Scale
•  TPC-‐‑‒DSより 50 のサンプルクエリを 30 terabyte のスケールで実⾏行行
•  平均 52 倍の速度度アップ, 最⼤大 160 倍の速度度アップ
•  ベンチマークの総実⾏行行時間が 7.8 ⽇日から 9.3 時間に短縮
•  Hive 14に追加された Cost-‐‑‒Based Optimizer が更更に 2.5倍の速度度アップ実現

ORC ファイルフォーマット
Columnar Storage for Hive

ORCFile – Hiveのためのカラム型ストレージ
• カラム別にデータを格納
• データ型認識識
– データ型固有のエンコーダを使⽤用
– 統計情報も格納(min, max, sum, count)
• 軽量量なインデックスつき
– 関係のない⾏行行をスキップ
Page 22

ORCFile – ファイルフォーマット
Map/reduce的な処
理理に都合のいい⼤大き
いブロックサイズ
カラム型フォーマッ
トは⾼高い圧縮と⾼高性
能を実現

ORCFile – テーブル定義の例例
• テーブルまたはパーティション別に定義
• 選べられる圧縮コーデック
Page 24
create table Addresses (
name string,
street string,
city string,
state string,
zip int
) stored as orc tblproperties ("orc.compress"=”ZLIB");

ORCFile – テキストからORCに変換
• ORCを使わない理理由はない
• SQL 1つでテキストからORCに変換
Page 25
-- Create Text & ORC tables
CREATE TABLE test_details_txt( visit_id INT, store_id SMALLINT) STORED AS TEXTFILE;
CREATE TABLE test_details_orc( visit_id INT, store_id SMALLINT) STORED AS ORC;
-- Load into Text table
LOAD DATA LOCAL INPATH '/home/user/test_details.csv' INTO TABLE test_details_txt;
-- Copy to ORC table
INSERT OVERWRITE INTO test_details_orc SELECT * FROM test_details_txt;

Tez実⾏行行エンジン
Beyond MapReduce

I/O Synchronization
Barrier
I/O Synchronization
Barrier
Job 1 ( Join a & b )
Job 3 ( Group by of c )
Job 2 (Group by of a
Join b)
Job 4 (Join of S & R )
Hive - MR
MR vs. Tezの例例
Page 27
Single Job
Hive - Tez
Join a & b
Group by of a Join b
Group by of c
Job 4 (Join of S & R )

Tez – ご紹介
Page 28
• データ処理理アプリのための汎⽤用分散処理理エ
ンジン
– アプリ（フレームワーク）向け、エンドユーザー
向けではない
– Hive on Tez, Pig on Tez, Cascading on Tez, …
• MapReduceの教訓を活かした結果
– ⼤大幅なパフォーマンス改善
– バッチ、インタラクティブ
– Petabytesスケール
• YARNの上で動かす
– クラスタリソースの活⽤用

Tez – MapReduceからの切切替
• コマンド1つでMapReduceからTezに切切替
Page 29
set hive.execution.engine=tez;
SELECT * FROM my_table;
• Hadoop 2なら、デフォルトをTezにしましょう
$ vi hive-site.xml
hive.execution.engine=tez

Cost Based Optimizer
Making the SQL smarter

実⾏行行プラン – Cost Based Optimizer in Hive
Cost-‐‑‒Based Optimizer (CBO) はHiveテーブルの統計情報を使って最適な実
⾏行行プランを作成
なぜ cost-‐‑‒based optimization?
•  利利⽤用は簡単 – 例例えば、Joinの順番を⾃自動調整してくれる
•  SQLチューニングの必要性を削減
•  効率率率な実⾏行行プランはクラスタの有効利利⽤用に繋がる
Page 31

Star Schema
FACT TABLE
Dimension
Table
Dimension
Table
Dimension
Table
Dimension
Table

CBO on Selected Queries -‐‑‒ 17
store_sales store_returns catalog_sales
items store
date_dim d1 date_dim d2 date_dim d3
Filter: quarterFilter: quarterFilter: quarter
Filter: dateFilter: dateFilter: date
customer_sk
ticket_number
customer_sk
Item_sk
date_sk date_sk date_sk
item_sk store_sk

OLD: Left Deep Plan
Reducer 3
•  Merge join 2 & 10
•  Map join 1
•  Map join 6
•  Map Join 7
•  Map Join 8 store
•  Map Join 11 item
•  Filter
•  Group By
•  Reduce
Map 12
Table_scan
Store_returns
Map 6 Table_scan d2, filter
Reducer 4
Group_By
Reduce
Reducer 10
Merge join 12, 9
Map 9
Table_scan
store_sales
Map 2 Table_scan catalog_sales
Reducer 5
Limit
B
B
B
Map 11 Table_scan item
Map 8 Table_scan store B
Large Fact tables
joined together
without filters
B

NEW: Complex Bushy Plan
Reducer 4
Merge join 3 & 8
Map join store
Map join item
Reduce
Map 10
table_scan
store
Map 12
Table_scan
item
Map 3
Store_sales
Map join
Map 8
Store_returns
Map join
Reducer 5
Merge_Join
Group_By
Reduce
Map 11
catalog_sales,
Map Join
Map 9
Table_scan d1,
filter
Map 1
Table_scan d1,
filter
Map 2
Table_scan d1,
filter
Reducer 6
Group by
Reduce
Reducer7
Limit
B
B B
B B
All 3 Large Fact
tables joined with
date dimension
limiting data to
few quarters

パフォーマンス改善 – Query 17
Scale = 30TB
Input records ~1億8600万
CBO Elapsed
Time (sec)
Elapsed
Time
Intermediate
data (GB)
Output and
Intermediate
Records
OFF 10,683 ~3 hrs 5,017 135,647,792,123
ON 1,284 ~20 mins 275 8,543,232,360

CBO – 有効にする
• クエリを実⾏行行前にCBOを有効に
Page 37
set hive.cbo.enable=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.column.stats=true;
set hive.stats.fetch.partition.stats=true;
•  統計情報を更更新
ANALYZE TABLE my_table COMPUTE STATISTICS FOR COLUMNS;

Vectorized Query Execution
Process 1024 Rows at a Time

Vectorization – ベクターSQLエンジン
• 機能:
– １⾏行行づつの代わりに、⼀一回に1024⾏行行を処理理
– モーデンなハードウェアアーキテクチャの活⽤用
• 利利点:
– ⼤大きいクエリは最⼤大３倍早い
– CPU使⽤用時間を削減、クラスタリソースの有効利利⽤用
Page 39

Vectorization – 有効にする
• ベクターSQLエンジンを有効に
Page 40
set hive.vectorized.execution.enabled = true
set hive.vectorized.execution.reduce.enabled = true;
•  ORCのみサポート
•  ⼀一部サポートしていないデータタイプや機能がある

Hiveの今: まとめ
Hiveは早いバッチやインタラクティブSQLをすでに実現できている
ただ、ユーザーは速度度をもっと早くなってほしい
Petebyteスケールの実績
Scale
i
Hadoop上の最も完成度度
⾼高いなオープンソースの
SQL。
SQL
i
90 以上のHortonworks
お客様が早いSQLのため
Hive-‐‑‒on-‐‑‒Tez をご利利⽤用
Speed
i
Hortonworks
Customer
Support
metrics
as
of
Feb/2015

１秒以下のレスポンスを実現していく
Solving Hiveʼ’s Top Performance Challenges

次へ: Stinger.next and Sub-‐‑‒Second SQL
LLAPやHBaseをメタストアにすることで１秒以下のレスポンスを実現

Apache
Hive:
Modern
Architecture
Storage

Columnar
Storage

ORCFile
Parquet

Unstructured
Data

JSON
CSV

Text
Avro

Custom

Weblog

Engine

SQL
Engines

Row
Engine
Vector
Engine

SQL

SQL
Support

SQL:2011
Op>mizer
HCatalog
HiveServer2

Cache

Block
Cache

Linux
Cache

Distributed

Execu>on

Hadoop
1

MapReduce

Hadoop
2

Tez

Historical

Current

In
Development

Legend

Apache
Hive:
Modern
Architecture
Storage

Columnar
Storage

ORCFile
Parquet

Unstructured
Data

JSON
CSV

Text
Avro

Custom

Weblog

Engine

SQL
Engines

Row
Engine
Vector
Engine

SQL

SQL
Support

SQL:2011
Op>mizer
HCatalog
HiveServer2

Cache

Block
Cache

Linux
Cache

Distributed

Execu>on

Hadoop
1

MapReduce

Hadoop
2

Tez

Vector
Cache

LLAP

Persistent
Server

Historical

Current

In
Development

Legend

HBase メタストア: なぜ？
Page 46Hive & HBase For Transaction Processing
実⾏行行プラン作成のた
め、７００以上のメ
タストア問合せ！！

LLAPとは？
Page 47
Node
LLAP
Process
HDFS
Query
Fragment
LLAP In-Memory
columnar cache
LLAP process
running read task
for a query
LLAPプロセスは複数のノードに常時稼働、Tezタスクを加
速させる
Node
Hive
Query
Node NodeNode Node
LLAP LLAP LLAP LLAP
LLAP = Live Long And Process

LLAP: メリット
Page 48
•  LLAP はノード上に常時稼働
–  起動オーバーヘッドをなくす
•  LLAPはカラムデータをインメモリにキャッシュ
–  ホッとデータはHDFSに⾏行行かなくで済む
–  カラム型でキャッシュ：直接ベクターSQLエンジン
に処理理させる
•  YARNを使ったリソース管理理
–  クラスタリソースの活⽤用
Node
LLAP Process
Query
Fragment
LLAP In-
Memory
columnar
cache
LLAP
process
running a
task for a
query
HDFS

Hiveの１秒以下レスポンス
=

Sub-‐Second

Hive

Metadata

Fast,
Scalable

Metadata

Catalog

Persistent

Server

LLAP

+
+

SQL
Engine

Vectorized

Hash
Join

Choice
of

Execu>on

Engines

Tez

+

まとめ
Hive Present and Future

Hiveの今とこれから
•  HiveはSQL on Hadoopの標準
•  バッチから、インタラクティブ処理理まで１つのSQLツールで
•  ETL、レポート、分析あらゆるSQLユースケースをHiveで
•  これからもHiveは進化していく
•  SQL:2011 Analytics標準対応
•  トランザクション強化
•  １秒以下のクエリレスポンス

今すぐHiveを
•  今すぐHiveの最新機能を使いましょう
•  Hive on Tez
•  ORCファイル
•  CBOを有効に
•  ベクターSQLエンジン
•  ただ数⾏行行の設定変更更／SQLですぐ利利⽤用できます
•  これからのHive進化を楽しみに

Thank you
Yifeng Jiang, Solutions Engineer, Hortonworks
@uprush

Apache Hiveの今とこれから

More Related Content

What's hot

Viewers also liked

Similar to Apache Hiveの今とこれから

More from Yifeng Jiang

Apache Hiveの今とこれから