Short Infrastructure Overview ru hpe Vertica

Большие данные –большие возможности

Vitali Nikitin,

Big Data Leader, CIS Countries

[email protected]

Мир изменился…

2

“Каждые 2 дня мы создаем

столько информации, сколько

было создано с момента

появления цивилизации до 2003г.″

– CEO Google, EricSchmidt

Растущая реальность больших данных

1027

Наше будущее…

Brontobyte

1024

Это наша цифровая вселенная сегодня

= 250 триллионов DVD

Yottabyte

1021

1.3 ZB сетевого трафика к

2016

Zettabyte

1018

1 EB данных ежедневно создается в Интернет = 250 миллионов DVD.

Создаваемый телескоп SKA буде генерировать EB данных ежедневно

Exabyte

1012

Terabyte500TB ежедневно добавляется в БД Facebook

1015

Petabyte

Большой адронный коллайдер (CERN)

создает 1PB в сек

Сегодня ученые используют Yottabytes чтобы

описать сколько информации о всех людях

есть у правительственных структур (FBI, NSA и

пр.).

Очень скоро Brontobyte станут измерительной

единицей интернета вещей IoT (Internet of Things)

109

Gigabyte

106

Megabyte

Эволюция данных

695,000 апдейтов статусов

98,000+ твиттов

698,445 Google поиск

1,820TB данных создано

11 млн. сообщений

168 million+ emails отправлено

YouTube

Viber

Qzone

Amazon Web Services

GoGrid

Rackspace

LimeLight

Jive Software

salesforce.com

Xactly

Paint.NET

Business

Education

Entertainment

Games

Lifestyle

Music

Navigation

News

Photo & Video

Productivity

Reference

Social Networking

Sport

Travel

Utilities

Workbrain

SuccessFactors

Taleo

Workday

Finance

box.net

Facebook

LinkedIn

TripIt

Pinterest

Zynga

Zynga

Baidu

Twitter

Twitter

Yammer

Atlassian

Atlassian

MobilieIronSmugMug

SmugMug

Atlassian

Amazon

AmazoniHandy

PingMe

PingMe

Associatedcontent

Flickr

Snapfish

Answers.com

Tumblr.

Urban

Scribd.Pandora

MobileFrame.com

Mixi

CYworld

Renren

Xing

Yandex

Yandex

Heroku

RightScale

New Relic

AppFog

Bromium

Splunk

CloudSigma

cloudability

kaggle

nebula

Parse

ScaleXtreme

SolidFire

Zillabyte

dotCloud

BeyondCore

Mozy

FringToggl

MailChimp

Hootsuite

Foursquare

buzzd

Dragon Diction

SuperCam

UPS Mobile

Fed Ex Mobile

Scanner Pro

DocuSign

HP ePrint

iSchedule

Khan Academy

BrainPOP

myHomework

Cookie Doodle

Ah! Fasion Girl

PaperHost

SLI Systems

NetSuite

OpSource

Joyent

Hosting.com

Tata Communications

Datapipe

PPM

Alterian

Hyland

NetDocuments

NetReach

OpenText

Xerox

Google

Microsoft

IntraLinks

Qvidian

Sage

SugarCRM

Volusion

Zoho

Adobe

Avid

Corel

Microsoft

Serif

Yahoo

CyberShift

Saba

Softscape

Sonar6

Ariba

Yahoo!

Quadrem

Elemica

Kinaxis

CCC

DCC

SCMADP VirtualEdge

Cornerstone onDemand

CyberShift

KenexaSaba

Softscape

Sonar6

Workscape

Exact Online

FinancialForce.com

IntacctNetSuite

Plex Systems

Quickbooks

eBay

MRM

Claim Processing

Payroll

Sales tracking & Marketing

Commissions

Database

ERP

CRM

SCM

HCM

HCM

PLM

HP

EMC

Cost Management

Order Entry

Product Configurator

Bills of MaterialEngineering

Inventory

Manufacturing Projects

Quality Control

SAP

Cash Management

Accounts Receivable

Fixed AssetsCosting

Billing

Time and Expense

Activity ManagementTraining

Time & Attendance

Rostering

Service

Data Warehousing

Каждые 60 секунд

IBM

Unisys

Burroughs

Hitachi

NECBull

Fijitsu

217 новых моб. пользователей

Yottabytes

МейнфреймKilobytes

ИнтернетGigabytes

Клиент\серверMegabytes

Мобильные у-ва, Социа, облака, Big Data

Zettabytes

Как выглядят данные

Объем данных

«А

на

ли

зируе

мо

сть

» д

анны

х

CRM ERP Data Warehouse Web Social Log Files Machine Data Semi-structured

Dark Data

Big DataTraditional

Enterprise Data

Unstructured

A Real-World Example: Sensor data collected from US commercial jet engines during 1 year

1,041,600,500 TB

20 TB20 terabytes of

information per

engine every hour

2.5Average duration

for US flights in

hours

2twin-engine

Boeing 737

days in a

year

36528,537# of commercial

flights in the sky in

the United States

on any given day

(That’s 1 Zettabyte!)

СУБД VerticaПлатформа для анализа «больших данных» в реальном времени

Vitali Nikitin,

Big Data Leader, CIS Countries

[email protected]

© Copyright 2014 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.

PostgreSQLведёт свою «родословную» от некоммерческой СУБД Postgres, разработанной, как и многие open-sourceпроекты, в Калифорнийском университете в Беркли. К разработке Postgres, начавшейся в 1986 году, имел непосредственное отношение Майкл Стоунбрейкер

Vertica Systems is an analytic database management software company. Vertica was founded in 2005 by database researcher Michael Stonebraker and Andrew Palmer.

• Ограничения традиционных платформ

• Big Data

«Узкие места»

• Разделяемый ресурс

• «Массивное» чтение с дисков

• Сеть внутри кластера

Два вызова в хранении и анализе данных

Традиционные платформы

–Не могу загружать данные и одновременно их анализировать

–Слишком долго выполняются запросы и отчеты

–Строю агрегаты и не могу спуститься к детальным данным

–Перемещаю данные в инструменты для сложного анализа и data mining

–Сложно сопровождать

–Не успеваю за ростом нагрузки и объема данных

–Дорого и сложно обеспечить высокую доступность

–Не хватает дополнительных сред (тестирование, разработка...)

Типовые недоумения клиентов

Объем (Volume)• 10% организаций обрабатывают 1+ Пб данных

• Социальные сети – миллионы транзакций в минуту

Скорость (Velocity)• 30% организаций имеют 100+ Гб/день

• Данные обновляются и нужны раз в день, час

Разнообразие (Variety)• Тексты, Аудио и видео файлы

• Блоги, сообщения в сетях – для изучения клиентов

• Внутренние источники данных

Сложность• Осмысленные связи

• Преобразование

• Очистка

Разно-образие

СложностьСкорость

Объем

Цели:• Эффективность

• Удовлетворение клиентов

• Снижение риска

• Расширение бизнеса

Вызов: извлечь из Big Data важное для бизнеса

Big Data: информационный вызов

© Copyright 2014 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.

Стратегия Vertica - анализ больших и сверх больших объемов данных. Vertica спроектирована именно для быстрого анализа ...Ovum считает, что высокопроизводительные колоночные СУБД сегодня нужны компаниям, ищущим замены традиционным платформам. Vertica вполне отвечает их ожиданиям.

HP Vertica: история и замысел

Vertica Systems основана в 2005 г., куплена НР в 2011 г.

Vertica Analytical DB – коммерческая версия исследовательского прототипа C-Store (M. Stonebraker)

Платформа для аналитических нагрузок (десятки запросов в сек, большой объем данных в запросе)

Shared nothing – архитектура, МРР

Простая линейная масштабируемость на «обычных» серверах

ACID (Atomicity, Consistency, Isolation, Durability)

SQL , реляционная СУБД, любая реляционная модель

Гартнер: магический квадрат

2500+ клиентов, начиная с 2006

20 ?

500?

2500+ клиентов, начиная с 2006

20+ Петабайт данных

500+ узлов в кластере

Старое хранилище HP Vertica Выгода для бизнеса

• Загрузка шла 14 hours

• Цена $120К за TB – только

лицензии

• Загрузка за 1 час

• Цена ниже значительно

• Экономия бюджета

• Анализ в реальном времени

(свежие данные)

Невозможен скоринг кредитных карт

в реальном времени

(подтверждение или отказ карты)

Кластер из 4 узлов в 2 раза быстрее

кластера из 12 узлов и дешевле на

70%

• Экономия $20М на лиц.

• Экономия $4М на лиц. и

серверах в смежном проекте

• Достигнуты SLAs

Запросы выполняются по 20 часов • Ускорение запросов в 40-80x раз

• Стоимость нового решения - 5%

от стоимости старого

• Сокрадение операционных

расходов на 90%

• ROI - 3 месяцв

• Находят в 10 раз больше

потенциальных клиентов

HP Vertica в больших компаниях

Базовые принципы

Быстрый отклик на запросы Простая и

линейная масштабируемость

Экономия дискового

пространства

Загрузка и запросы одновременно,

Работа 24x7

Columnar storage

and executionClustering Compression

Continuous

performance

Автоматическая настройка

производительности

Дизайн БД

Временные ряды, география, клики,

SDK для разработки

Сложный анализ

Колоночное хранение

• Читает только колонки, нужные для запроса

• Данные в колонках можно обновлять

• Идеально для интенсивной нагрузки ЗАГРУЗКА\ЧТЕНИЕ, значительное снижение I/O

AAPL NYASE NYAASE NYSE NYASE NGGYSE NYGGGSE NYSE NYSE NYSE 143.74 NYSE NYSE NYSE 5/05/09

5/05/095/06/095/05/095/06/09

143.74143.75

37.0337.13

AAPL NYASE NYAASE NYSE NYASE NGGYSE NYGGGSE NYSE NYSE NYSE 143.74 NYSE NYSE NYSE 5/06/09

BBY NYASE NYAASE NYSE NYASE NGGYSE NYGGGSE NYSE NYSE NYSE 37.03 NYSE NYSE NYSE 5/05/09

BBY NYASE NYAASE NYSE NYASE NGGYSE NYGGGSE NYSE NYSE NYSE 37.13 NYSE NYSE NYSE 5/06/09

SELECTavg(price)FROMtickstore WHEREsymbol = ‘AAPL”and date = ‘5/06/09’;

Колоночное хранение – Читает 3 колонки

Строчное хранения – Читает все колонки

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS NYSE NYSE NYSE NQDS

AAPLAAPLBBYBBY

Кодирование и сжатие

• Использует свойства данных (сортировка, мощность - cardinality)

• Работает на большом числе строк

Не медленное обращение к дискам, а быстрая работа CPU (мощное сжатие)

• Раскодирование – как можно позже

• 15 алгоритомов сжатия

• Тип сжатия подбирается автоматически

Проекции: оптимальное хранение

–Основная таблица (супер-проекция) не

отсортирована

–Физический дизайн прозрачен для приложений

–Данные хранятся в отсортированном, сжатом

виде

–Индексы НЕ нужны (колонка сама себе индекс)

–Оптимизатор выбирает лучшую проекцию для

выполнения запроса

–Всегда актуально, не нужно перестраивать /

обновлять

–Предварительное объединение таблиц (pre-join

projections, N:1 joins)

Партиционирование

• Локальные партиции - на одном узле

− CREATE TABLE ... PARTITION BY <expr> - как правило по времени

− Вложенности нет

− Быстрое удаление данных через партиции, быстрее запросы

− На уровне таблиц и распространяется на все проекции

• Сегментация: или распределение по узлам кластера

− Для каждой проекции

− Репликация на каждый узел или сегментация (HASH(col1..coln))

− Создается автоматически с помощью Data base designer

Партиционирование

Массивно-параллельная обработка данных (MPP)

– Распределенное хранение и рабочая нагрузка

– Shared-nothing архитектура

– Линейная масштабируемость на х86_64 серверах. (Больше данных? Выше производительность? Больше пользователей? Добавь новые узлы)

Клиентская сеть (1 Гбит/с) ODBC, JDBC, ADO.NET

Внутри-кластерная сеть (10 Гбит/с, full duplex)

8-12 TB 8-12 TB 8-12 TB

Node 1 2 x 10-12 Core 128+GB RAM

Node 2 2 x 10-12 Core 128+GB RAM

Node 3 2 x 10-12 Core 128+GB RAM

Узлы кластера

– Все узлы равнозначны

– Загрузка/Запросы –на любой узел

– Непрерывная/в реальном времени загрузка и анализ

Распределённое выполнение запросов– Балансировщик (Vertica или Linux) нагрузки отправляет запрос на один из узлов кластера (инициатор)

– Инициатор разбирает запрос и составляет план выполнения (cost-based)

– Инициатор распределяет запрос по исполнителям

– Все узлы выполняет запрос и посылают свою часть результата инициатору

– Инициатор собирает результат и отправляет ответ пользователю

Автоматический дизайн

A B A

(A B C | A) (B A C | B A)

B C C

> Физическая модель, сжатие:

Быстрое выполнение типовых запросов

Поддержка всех загрузок

Гарантия, что все SQL запросы будут отвечены

Database Designer:Архитектор:

> Логическая модель

Create table

> “Типовой набор”

Типичные запросы

Выборки данных

> Уровень устойчивости к сбоям

k-safety

• Минимальная нагрузка на архитектора в части управления физической моделью данных

• Инкрементальная перестройка БД под новые данные и запросы

• Запуск в любое время, выполнение без остановки БД

Гибридное и гибкое хранение

–Загрузка и запросы одновременно (гибридное хранение)

–Производительность загрузки масштабируется линейно (реально 35 Tб в час)

–Vertica’s FlexStore™ : размещение горячих данных на быстрых носителях (SSD...)

–Update = Delete (порождает историю) + Insert

–Delete – только метка: снимок БД в момент времени AT TIME 'timestamp' SELECT...

Асинхронный перенос

данных

TUPLE MOVER

Read Optimized Store (ROS)

• На дисках

• Сортировка / Сжатие

• Сегментация

• Прямая загрузка больших объемов

(A B C | A)

A B C

Непрерывная

загрузка

Write Optimized

Store (WOS)

Находится в памяти

Нет сортировки / Нет сжатия

Сегментация

Свежие данные / Небольшие

быстрые вставки

A B C

Встроенная высокая доступность (k-safety)– Колонки дублируются на соседних узлах согласна k-safety (1 или 2)

– Не нужно ручное восстановление из журналов

– Система принимает загрузки и запросы, когда узел отключен

– Данные на отключенном узле запрашиваются на других узлах

– Возвращение узла в работу – без остановки кластера

– Восстановление после сбоя: Last good epoch или из резервной копии

A3 B3 C3 A2 B2 C2

B1 A1 C1B2 A2 C2 B1 A1 C1

A3 B3 C3 A1 B1 C1

B3 A3 C3

Защита от катастроф

Вариант 1: Загрузка данных в обе системы.

(Для больших объемов)

За: Обе системы активны

Против: ETL обеспечивает

согласованность данных

Вариант 2: Репликация снимков

Vertica Backup

За: Минимальный риск не-

согласованности данных

Против: Во время синхронизации 2-й

кластер не активен

Легко расширяемый кластер

–Простое добавление новых серверов– Добавь узел и повысь емкость или быстродействие

– Vertica автоматически перераспределяет данные

–Система работает без остановки– Система принимает запросы во время ре-балансировки кластера

–Быстрое перераспределение данных– Пример из жизни: расширение от 11 TB и 16 узлов до 32 nodes

прошло за 65 минут без остановки системы!

Мониторинг: Vertica Management Console

• Управление кластерами через веб-приложение

• Полный контроль за работой БД и кластера

• Корреляция работы системы и БД

Кластер 1 Кластер 2 Кластер 3

Vertica

Management

Console

Browser

Access

Tactical

General

Analytic User 1

Управление рабочей нагрузкой

• Нет главного узла, т.е. нет узкого места в кластере!

− Инициация запросов - равномерно по узлам

− Число одновременных запросов растет по мере добавления новых узлов

• Настраиваемый менеджер ресурсов

− Ресурсные пулы для разных рабочих нагрузок (I/O, CPU, memory, bandwidth, concurrency, duration)

− Границы ресуров для пула, пользователя, сессии

• Управление в реальном времени

− Сменить приоритет запроса

− Снять запрос

tactical tactical

analytic

Analytic User 2

SQL, адаптированный для Big Data

–Возможности

• ANSI SQL-99

• Развитые функции для работы со временем

• Временные ряды:– Заполнением пробелов

– Разбивка на окна

– Разбивка на сессии потока «кликов»

• Статистика

• Поддержка R (анализ и data mining)

• Пакет гео-пространственных функций

• Анализ текстов

analytic_function ( arguments ) OVER( analytic_clause )

Примеры•Ранжировать клиентов по лояльности и регионами

•Вычислить скользящее среднее объема продаж за

период времени

•Найти высший балл среди всех студентов одного

курса

•Сравнить текущий бонус каждого из продавцов с его

предыдущим бонусом

•Анализ «кликов» с помощью шаблонов

Временной ряд: интерполяция

• Система интеллектуального учета нерегулярно поставляет данные о потреблении энергии

• Данные нужно хранить в БД за каждые 10 минут без пробелов

• Все пробелы нужно заполнить

select meter_id,

interval_5min,

ts_first_value(power_consumption, 'linear')

from energy_readings

timeseries interval_5min as '5 minutes'

over (partition by meter_id

order by reading_date);

Пример: Подготовить данные с устройств для анализа (smart meter data)

Поддержка R

• Что такое R?

• Язык для статистического анализа с открытым кодом

• Много пакетов для сложного исследования данных (data mining) и статистического анализа

• Преимущества пользовательских расширений (Udx) в R

• Vertica автоматически за-параллеливает вычисления R

• Оптимизирована передача данных между Vertica и R

Ve

rtic

aкл

асте

р

Исходный код в R

UDx в R, пример: метод K-средних

# Example: K-means (k=5)

# Input: two-dimensional points

# Output: the point coordinates plus their assigned

# cluster

kmeansClu <- function(x)

{

cl <- kmeans(x,5,10)

res <- data.frame(x[,1:2], cl$cluster)

res

kmeansCluFactory <- function()

{

list(name=kmeansClu,

udxtype=c("transform"),

intype=c("float","float"),

outtype=c("float","float","int"),

outnames=c("x","y","cluster") )

}

Создание и использование

функции-- Define function

CREATE LIBRARY rlib

AS ‘/path/rcode.R’ LANGUAGE 'R';

CREATE TRANSFORM FUNCTION Kmeans

AS LANGUAGE 'R' NAME 'kmeansCluFactory'

LIBRARY rlib;

-- Use function

CREATE TABLE point_data (

x FLOAT, y FLOAT );

SELECT Kmeans(x, y)

OVER() FROM point_data;

Внешние таблицы

• Внешняя таблица: файл доступен для Vertica (SQL), но не управляем ею (DMLневозможен)

• «Холодные» данные хранятся на дешевых носителях – анализ по мере надобности

• Передача данных из других SQL СУБД, HDFS (User Defined Load)

• Можно объединять (Join) данные из внешних источников с данными из Vertica

– VMart=> create external table ext (x integer) as copy from '/home/dbadmin/ext.dat';

Ve

rtic

a

External Table External TableExternal Table

Unstructured Dark Data

Гибкая таблица, зона (Flex Zone)

Native

Vertica

Data

Flex Zone

Быстрый, ежедневный анализПредварительный анализ

Внешние

структурированные данные

Внешние таблицы

• MapReduce

• Sqoop

• HDFS

Анализируй данные, не зная их структуры

Интеграция с Hadoop

– Быстрая СУБД должна быть интегрирована с Hadoop, а не встроена в него

Hadoop / Vertica: Сложный анализ

MapReduce / Pig Job

DFS Block 1

DFS Block 1

DFS Block 1

DFS Block 2

DFS Block 2

DFS Block 2

DFS Block 3DFS Block 3

Map

Map

Map

Reduce Vertica

Data

data data data data dadata data data data datadata data data data data data

data data data data data datadata data data data data datadata data data data data data

data data data data data datadata data data data data datadata data data data data data

MapReduce / Pig Job

DFS Block 1

DFS Block 1

DFS Block 1

DFS Block 2

DFS Block 2

DFS Block 2

DFS Block 3DFS Block 3

Map

Map

Map

Reduce VerticaVertica

Hadoop / Vertica: преобразование данных

HDFS File

Интеграция с Hadoop

HDFS connector – Загрузка в Vertica из HDFS через COPY оптимальная

параллельность

– SQL к HDFS через внешнюю таблицу

– Безопасность через авторизацию Kerberos

Hadoop & Pig Connector– Перемещение данных между Hadoop и Vertica

– Запросу к Hadoop из Vertica

– JDBC\ODBC для Windows, Linux, Solaris, AIX и др.

Hcatalog– Запросу к Hadoop из Vertica

– Доступ через внешние таблицы

– Open SQL on Hadoop

Hadoop / Vertica: Сложный анализ

MapReduce / Pig Job

DFS Block 1

DFS Block 1

DFS Block 1

DFS Block 2

DFS Block 2

DFS Block 2

DFS Block 3DFS Block 3

Map

Map

Map

Reduce Vertica

Data

data data data data dadata data data data datadata data data data data data

data data data data data datadata data data data data datadata data data data data data

data data data data data datadata data data data data datadata data data data data data

MapReduce / Pig Job

DFS Block 1

DFS Block 1

DFS Block 1

DFS Block 2

DFS Block 2

DFS Block 2

DFS Block 3DFS Block 3

Map

Map

Map

Reduce VerticaVertica

Hadoop / Vertica: преобразование данных

HDFS File

Как работает коннектор к HDFS?

Ближайшая версия Vertica “Dragline”

FY14 FY15

• Проекции-агрегаты: ускорение ресуроемких агрегирующих функций

• Динамическое управление смешанной рабочей нагрузкой

• Vertica Pulse: анализ текстов и окраски высказываний в соц.сетях

• Vertica Place: хранение и анализ гео-пространственных данных

• Расширение SQL над Hadoop

HP Vertica в развитии

Vertica “Crane” (7.0)

- Key-Value Lookups с интерфейсом к NoSQL

Vertica “Dragline”

- Проекции-агрегаты

- Гео-и-текстовая аналитика

- Текстовый поиск

Vertica “Excavator”

- In-Memory

- Кубы

- Текстовый поиск

Vertica “Frontloader”

- Streaming

- Federation for Read and Write –Unified SQL

- Navigation and joins-across HBaseand Other NoSQL Tools

ВИДЕНИЕ

Fast self-service analytics for consumers

FY14 FY15

Вопросы и ответы

Спасибо!

[email protected]