Big Data ♡?

Big Data란,

Wikipedia:

기존 데이터베이스 관리도구로 데이터를 수집, 저장, 관리, 분석할 수 있는 역량을 넘어서는 대량의 정형 또는 비정형 데이터 집합 및 이러한 데이터로부터 가치를 추출하고 결과를 분석하는 기술을 의미한다

약간 뜬구름 잡는 느낌, ..

딱히 정해져 있지 않아요,

대용량의 데이터를 다루고 저장하는 기술을 통칭하는 것 같습니다

Hadoop, Hive, HBase, Impala, Presto, Sentry, Kafka, Zookeeper etc ...

저희 팀에서는

하루 25억 건 이상의 데이터(로그)가 들어오고

6PB 정도의 데이터를 저장되어 있습니다

일일 사용량은 11TB정도 입니다

이런 대용량 데이터를 다루는 것을

Big Data라고

하는 것 같습니다

Big Data

• 기존 데이터베이스 관리도구로 수집, 저장, 관리, 분석할 수 있는 규모를 넘어서는 데이터를 다루는 것
• 관련 제품:
  • Hadoop, Hive, HBase, Impala, Presto, Sentry, Kafka, Zookeeper etc ..

참 쉽죠?

Data Visualization 시스템이란,

잘 보여 주는 것

그래서 잘 보여주는

R Studio, MSTR, Hue와 같은 도구를

Data Visualization 도구라고 합니다

제가 만든 Data Visualization 도구는

이런 느낌??

최근 로그가

아주 다양한 곳에서 유입되고,

로그 양이 많아지면 Hadoop에 쌓는 경우가 많지요

Hadoop에 쌓이면,

Hive를 Hadoop에 붙이고,

이와 같은 도구를 이용해서 즉시 데이터를 조회할 필요성이 생깁니다

잘 쌓은 로그를 이용해서

UV, PV

쿼리 한 방에 뽑으면 얼마나 편할까요?

☆ Big Data에서!

Data Visualization

• 잘 쌓인 데이터에서 보물과도 같은 정보를 찾아낼 수 있도록 도와주는 도구
• EDA(Exploratory data analysis)라는 어휘도 있다
• 기존 시스템은 잘 만들었지만 국내에서는 법적 제약으로 인해 사용이 어렵다

참 쉽죠?

Data Visualization을 위해서

Data retrieval 과정이 필수적이고

Data retrieval을 위해서

저희는 Hive에 반드시 접근해야 합니다

Hive에 접근하는 가장 쉬운 방법은 역시

JDBC (for Hive)

node-java를 사용하면

JDBC를 사용할 수 있습니다

node-java 좋아요?

Java 잘해요?

어울리지 않아요

참 철 없던 시절,

별생각 없이 JDBC 함수를 실행했어요

JDBC 함수가 실행되는 동안

Express 서버가 멈춥니다

node-java에서

함수 실행은

그냥 while 문으로 loop을

실행하는 것과 같습니다

처음에 Hive와 Impala를 사용했는데,

이 문제를 해결하려면

Java 코드를 추가로 개발해서

JDBC 함수를 호출 할 때 thread를 하나 만든 다음 그 thread에서 JDBC function call을 하고

비동기 방식처럼 바로 결과를 돌려 주고,

Node.js에서는 setInterval 등으로 java code를 지속적으로 호출하면서 thread status를 확인하고,

실행이 완료되면 결과를 가져와야 합니다

만약 실행 시간이 일정 시간 이상 걸리면 취소를 하고 timeout을 내는 코드도 추가해야 합니다, java로...

그림으로 보면,

와,... ,..... [삐- ]

망했어요..

node-java는 이 한 가지 이유만으로 사용하기 어렵습니다

2015년, 11월 현재 node-java는 개선을 거듭하여

Async, Sync Java Method Call 외 Promise Java Method Call 기능이 추가되었으며 Generator + Promise를 이용하여 테스트한 결과 비동기 호출이 가능해졌습니다

이 점, 참고 부탁드려요!

그런데,

설상가상으로 사용자는 JDBC에 없는 요구사항을 요청합니다

JDBC 함수가 실행되는 동안

Hive 로그나 Impala 로그 등 실행되는 동안 상태를 확인하고 싶어합니다

모든 것을 해결할 수 있는 방법이 있습니다

node-java 군, 넌 해고다

node-java

• Node.js에서 java jar, class 파일을 실행할 수 있도록 해주는 package
• C++, JNI, JDK (for JVM) 사용
• 2015년 11월 기준 괜찮은 선택, 다만
  • 서버 빌드 여부 확인
  • JDK & JVM 확인: jar 파일이 Java 8 으로 개발 되었는가? 등
  • 사용할 때는 반드시Promise 를 이용하여 비동기로 실행

참 쉽죠?

Thrift는 Hive에서 제공하는 또 다른 접근법입니다

JDBC (for Hive)

디컴파일을 하면 Thrift 프로토콜 스택으로 JDBC Interface를 구현했습니다

그러므로 Thrift를 사용하는 것은 가장 근본적인 Hive 접근 방법입니다

Thrift

https://thrift.apache.org/

Thrift는

개발 환경, 언어와 독립된 프로토콜 명세입니다

그래서 Thrift를 이용하면 다양한 언어로

프로토콜 구현체를 생성할 수 있습니다

Actionscript 3.0, c_glib, C++, CSharp, D, Dart, Delphi, Go, Graphviz, Haxe Framework, Haskell, Java,

Javascript, Node.js,OCaml, Perl, PHP, Python, Ruby

이런 느낌으로,

Node.js와Javascript가

있으니, 문제 없습니다

Hive 서버에 포함된 Thrift idl을

Thrift로 컴파일하면 Javascript 구현체를 만들 수 있습니다

sh> brew install thrift
sh> thrift -r --gen js:node /apache-hive-1.1.0-src/service/if/TCLIService.thrift

gen-nodejs가 뿅하고 생기고,

gen-nodejs와 node-thrift를 이용해서 Hive에 접근한 뒤

• 쿼리도 실행하고,
• 쿼리 캔슬도 하고,
• 로그도 가져올 수 있습니다

로그에 대해서 깨알 첨언을 하자면

Apache Hive 1.0 아래 버전을 사용하면 getLog가 없습니다1.0 이후에 getLog가 추가 되었습니다

만약 Hive 버전이 1.0 아래라면?

CDH에서 배포하는 Hive를 사용하세요~

gen-nodejs 아래, getLog가 있습니다

Apache Hive 1.0 이상에서 getLog

vs

CDH Hive 0.13.0 이하에서 getLog

getLog로 받은 buffer를 해석하는 방식이 조금 달라요,

깨알 첨언 둘,

NULL field를 처리하는 방법이 따로 있습니다

되돌려 받은 buffer 내에, nulls 값이 있고 이 nulls 값은 bit vector 형태로 null 값 인지 아닌지를 확인할 수 있는 값이 들어있습니다

코드로 표현하면,

HS2Util.prototype.getIsNull = function getIsNull (buf, index) {
  var bufIdx = (index !== 0) ? Math.floor(index / 8) : 0;
  var pos = index % 8;

  return !!(buf[bufIdx] & this.BITMASK[pos]);
};

이 모든 것이 귀찮다면,

https://github.com/imjuni/jshs2

JSHS2는

이 귀찮은 작업을 모두 해두었지만,

인증을 구현하지 않아서

HIVE auth mechanism을 NOSASL로 설정해야 합니다

kerberos, plain sasl 등과 같은 인증 수단을 말합니다

node-thrift

• Thrift 다른 언어, 플랫폼에서 공통적으로 사용할 수 있는 프로토콜
• getLog를 사용하기 위해서는 Hive 버전 확인
• NULL 필드를 다루기 위해서는 bit vector 사용
• 귀찮으면 JSHS2
  • 인증은 NOSASL

Connection

Connection less

vs

Persistent Connection

Impala

초기 Impala에 직접 접속할 때,

Impala가 충분히 성장하지 않아 Persistent Connection 방식으로
연결을 유지하면, Connection이 완전히 정리되지 않고 leak이 되는 문제가 있었다

Compliance Issue

개인정보보호법 때문에 사용자는 가상머신에서 접속하는데,

보통 가상머신을 종료하지 않고 연결을 끊기만 하기 때문에 쿼리를 실행하고 결과를 보다가

가상머신과 연결을 끊으면 서버에서는 Connection이 계속 남아서 leak이 된다

Hue - Persistent Connection

vs

Galleon - Connection less

제가 만든 것이 Galleon 입니다 ;)

Connection less

반드시 Full-Fetch 과정이 필요

Full-Fetch!

쿼리 결과를 모두 Browser에 저장해야 한다!

생각보다 큰 제약 사항,

내가 직접 Grid Display Engine을 만들어도 되지만,

잘 만든 것을 가져다 사용하기로 결정

Grid

Grid

개인정보보호법

파일이 파일시스템에 스치는 것 조차 불허

모두 메모리에서 처리

다량의 데이터가 Node.js에서 머무르고,

다량의 loop을 수행하며 Excel XML을 생성하고,

Node.js에 부적합