Apache Arrow - データ処理ツールの次世代プラットフォーム

Apache Arrow - データ処理ツールの次世代プラットフォーム Powered by Rabbit 2.2.2
Apache Arrow
データ処理ツールの次世代プラットフォーム
須藤功平
株式会社クリアコード
日本OSS推進フォーラムアプリケーション部会第10回勉強会
2018-12-04

自己紹介：名前
須藤功平（すとうこうへい）
「と」はにごらない！
✓
よく使うアカウント名：kou
KOUhei
↑を使えないときのアカウント名：ktou
Kouhei suTOU
✓
✓

自己紹介：プログラミング
Rubyが好き
2004-01からコミッター✓
130くらいのライブラリーをメンテナンス
詳細はRubyKaigi 2018でのキーノートを参照
✓
Rubyでプレゼンツールも作っている（このツール）✓
✓
C/C++を書いている時間も結構ある✓

自己紹介：C/C++を書く理由
RubyでC/C++のライブラリーを使うため！
Rubyを書くためにC/C++を書く
✓
Apache ArrowをC++で開発しているのもそう
テストはRubyで書いている✓
✓

自己紹介：Apache Arrowの開発
2016-12-21に最初のコミット✓
2017-03-16にGLibバインディングを寄贈✓
2017-05-10にコミッター✓
2017-09-15にPMCメンバー✓
2018-12-02現在コミット数3位（221人中）✓

自己紹介：仕事
株式会社クリアコードの代表取締役
自由なソフトウェアでビジネスをする会社
自由なソフトウェア：OSSが参考にしたやつ
✓
✓
私の業務内容
Ruby/Groonga関連の開発・サポート
Groonga：全文検索エンジン。10年くらいやっている。
✓
自由なソフトウェアの推進✓
データ処理ツールの開発事業立ち上げ（New!）✓
✓

データ処理ツールの開発事業
データ分析をする事業じゃない✓
データ分析をする人たちが使うツールを
開発する事業
Apache Arrowはそのために有用なツール
Apache Arrowの開発に参加し始めたのはRubyで使いたかったから
事業立ち上げのためにApache Arrowの開発に参加し始めたわけではない
Apache Arrowの開発に参加していたら面白そうと思えてきた
✓
募集：開発して欲しい・開発したい（転職したい）✓
✓

Apache Arrow
各種言語で使える
インメモリー
データ処理
プラットフォーム

実現すること
データ処理の効率化
（大量データが対象）

効率化のポイント
速度
速いほど効率的✓
✓
実装コスト
低いほど効率的✓
✓

速度向上方法
遅い部分を速く✓
高速化できる部分を最適化✓

遅い部分
データ交換

データ交換
データ処理ツール間で必要✓
データ処理システム
複数ツールを組み合わせて実現✓
データ処理システムではデータ交換が必須✓
✓

データ処理システム例
データ交換
データ収集
ツール
データ前処理
ツール
分析
ツール
可視化
ツール

データ交換処理
シリアライズ
データをバイト列へ変換
1.
転送
バイト列を別ツールに渡す
2.
デシリアライズ
バイト列からデータを復元
3.

データ交換処理：必要なリソース
シリアライズ：CPU1.
転送：I/O（ネットワーク・ストレージ・メモリー）2.
デシリアライズ：CPU3.

Ruby+JSONでデータ交換
# 1000要素の数値配列
n = 1000
numbers = n.times.collect {rand}
# シリアライズ
JSON.dump(numbers, output)
# デシリアライズ
JSON.load(input)

Ruby+JSONの速度の傾向
n シリアライズデシリアライズ
1000 0.011秒 0.004秒
10000 0.093秒 0.037秒
100000 0.798秒 0.369秒
注：ストレージI/Oなしで計測
データ量の増加と同じくらいの比率で遅くなる

データ交換の高速化
データ量が増加すると
シリアライズ・デシリアライズ速度が劣化
✓
速度劣化を抑えられれば高速化可能✓

Apache Arrowのアプローチ
データフォーマットを定義
シリアライズ・デシリアライズが速い✓
データ量増加に影響を受けにくい✓
✓
このフォーマットの普及
各種言語で読み書き処理を実装✓
✓

Ruby+Apache Arrowでデータ交換
# 1000要素の数値配列
n = 1000
numbers = Arrow::Int32Array.new(n.times.collect {rand})
table = Arrow::Table.new("number" => numbers)
# シリアライズ
table.save(output)
# デシリアライズ
Arrow::Table.load(input)

Ruby+Apache Arrowの速度の傾向
n シリアライズデシリアライズ
1000 0.0003秒 0.0004秒
10000 0.0004秒 0.0004秒
100000 0.0015秒 0.0004秒
注：ストレージI/Oなしで計測
全体的に速い+デシリアライズ速度が一定

Apache Sparkでの高速化事例
PySpark
Sparkが分割したデータをPythonで処理✓
✓
Spark⇔PySpark間でデータ交換
従来：pickleでシリアライズ
pickle：Python標準のシリアライズ方法
✓
Apache Arrowを使うことで数十倍レベルの高速化✓
✓

Apache Arrowフォーマットの特徴
メモリー上でのフォーマットを変換しない
JSONは「数値」を「数字」に変換✓
例：29（1バイト整数）→"29"（2バイト文字列）✓
✓
シリアライズ時：変換不要✓
デシリアライズ時：パース不要✓

メモリーマップの活用
メモリーマップ機能
ファイルの内容をメモリー上のデータのように
アクセスできる機能
✓
readせずにデータを使える（データコピー不要）✓
✓
パース不要+メモリーマップ
デシリアライズ時にメモリー確保不要✓
「転送」コスト削減✓
✓

遅い部分の高速化まとめ
遅い部分を速く
データ交換を速く✓
✓
高速化できる部分を最適化✓

高速化できる部分
大量データの計算

大量データの計算の高速化
各データの計算を高速化✓
まとまったデータの計算を高速化✓

各データの計算の高速化
データを局所化
CPUのキャッシュメモリーを活用できる✓
✓
局所化に必要な知識
データの使われ方✓
局所化：一緒に使うデータを近くに置く✓
✓

想定ユースケース
OLAP（OnLine Analytical Processing）
データから探索的に知見を探し出すような処理✓
✓
列単位の処理が多い
集計処理・グループ化・ソート…✓
✓

OLAP向きのデータの持ち方
列行
a b c
1
2
3
値値値
値値値
値値値
列
行
a b c
1
2
3
値値値
値値値
値値値
Apache
Arrow
列ごと
RDBMS
列行
値の管理単位行ごと
高速なアクセス単位

まとまったデータの計算を高速化
SIMDを活用
Single Instruction Multiple Data
CPU：データをまとめてアラインすると使える
アライン：データの境界を64の倍数とかに揃える
✓
GPUの活用✓
✓
スレッドを活用✓

スレッド活用時のポイント
競合リソースを作らない
リソースロックのオーバーヘッドで遅くなりがち✓
✓
アプローチ
リソースを参照するだけ✓
各スレッドにコピー✓
✓

Apache Arrowとスレッド
データはリードオンリー
スレッド間でオーバーヘッドなしで共有可能✓
✓
データコピーは極力避けたい
データ交換時もスレッド活用時も✓
✓

高速化のまとめ
速度
遅い処理（データ交換処理）を高速化✓
速くできる処理（大量データの計算）を最適化✓
✓
実装コスト
低いほど効率的✓
✓

実装コストを下げる
共通で使いそうな機能をライブラリー化
メリットを受ける人たちみんなで協力して開発✓
最適化もがんばる✓
✓
Apache Arrowの実装コストは下がらない
Apache Arrowを使うツールの実装コストが下がる
実装コストが下がる：ツール開発者のメリット
✓
✓

今のApache Arrowが提供する機能
高速なデータフォーマット✓
フォーマット変換機能✓
効率的なデータ交換処理✓
高速なデータ処理ロジック✓
これらの機能が必要ならメリットがある

Apache Arrowの向き不向き
向き
大量データの交換✓
メモリー上での大量データの分析処理✓
✓
不向き
データの永続化
処理結果の一時的なキャッシュならアリなケースもある
✓
OLAPシステムのバックエンド✓
✓

実装コストのまとめ
速度✓
実装コスト
共通で使いそうな機能をライブラリー化✓
みんなで協力して開発✓
向いていないケースもあるけど
メリットがある人は一緒に開発しよう！
✓
✓

Apache Arrowが扱えるデータ
データフレーム✓
多次元配列✓

データフレーム
行と列で管理する2次元データ
RDBMSでいう表
すべての行は同じ列を持つ✓
各列は異なる型にできる✓
すべての型でnullをサポート✓
✓
2次元配列との違い
2次元配列はすべての値が同じ型✓
✓

扱える型：真偽値・数値
真偽値✓
整数（{8,16,32,64}ビット{非負,}整数）✓
浮動小数点数（{16,32,64}ビット）✓
128ビット小数✓
リトルエンディアンのみ対応
ビッグエンディアンに対応させようという動きもある：ARROW-3476

扱える型：文字列・バイト列
UTF-8文字列✓
バイナリーデータ（{可変,固定}長）✓

扱える型：日付・タイムスタンプ
日付
UNIXエポックからの経過日数（32bit）✓
UNIXエポックからの経過ミリ秒数（64bit）✓
✓
タイムスタンプ（64ビット整数）
UNIXエポックからの経過{,ミリ}秒数✓
UNIXエポックからの経過{マイクロ,ナノ}秒数✓
✓

扱える型：時間
時間
深夜0時からの経過{,ミリ}秒数
（32bit整数）
✓
深夜0時からの経過{マイクロ,ナノ}秒数
（64bit整数）
✓
✓

扱える型：リスト
0個以上の同じ型の値を持つ✓
例：32ビット整数のリスト
0要素：[]✓
2要素：[2, 3]✓
型が違う：[1, "X"]✓
✓

扱える型：構造体
1個以上のフィールドを持つ✓
各フィールドは別の型にできる✓
例：aは32ビット整数、bはUTF-8文字列
全部ある：{a: 1, b: "X"}✓
nullもOK：{a: 1, b: null}✓
bがない：{a: 1}✓
✓

扱える型：共用体
1個以上のフィールドを持つ✓
各フィールドは別の型にできる✓
どれかひとつのフィールドの値のみ設定✓
例：aは32ビット整数、bはUTF-8文字列
aだけある：{a: 1}✓
2つある：{a: 1, b: "X"}✓
✓

扱える型：辞書
名義尺度なカテゴリーデータ
（統計っぽい説明）
✓
各値にIDを割り当て、そのIDで値を表現
（実装よりの説明）
✓
例：["X","X","Y"]を辞書型の列にした場合
値：[0, 0, 1]✓
IDの割り当て：{"X": 0, "Y": 1}✓
✓

データフレームのまとめ
データフレーム
2次元データ✓
各列は異なる型にできる✓
型はたくさんある✓
✓
多次元配列✓

多次元配列
n次元のデータを扱う✓
要素はすべて同じ型✓
型は整数・浮動小数点数のみ✓
密・疎ともに対応
疎は対応中：ARROW-854 [Format] Support sparse tensor
✓

密な多次元配列
データの並び方
row-major order: C order✓
column-major order: Fortran order✓
✓

疎な多次元配列
データの持ち方
COO: 0以外の値の情報だけを持つ✓
CSR: 0以外の値の情報だけを圧縮して持つ✓
✓

多次元配列のまとめ
データフレーム✓
多次元配列
n次元データ✓
すべての要素は同じ型の値✓
型は整数・浮動小数点数のみ✓
疎・密両方サポート✓
✓

Apache Arrowが提供する機能

フォーマット変換機能
Apache Arrowフォーマット
インメモリー用のフォーマット✓
永続化向きではない✓
✓
永続化されたデータを使う場合
永続化に適したフォーマットで保存✓
読み込み時にApache Arrowに変換して
インメモリーでの処理にApache Arrowを使う
✓
✓

対応フォーマット：CSV
よく使われているフォーマット
亜種が多くてパースが大変✓
✓

対応フォーマット：Apache Parquet
永続化用フォーマット
列単位でデータ保存：Apache Arrowと相性がよい✓
✓
小さい
列単位の圧縮をサポート✓
✓
速い
必要な部分のみ読み込める（I/Oが減る）✓
✓

対応フォーマット：Apache ORC
Apache Parquetに似ている✓
✓
Apache Hive用に開発
今はHadoopやSparkでも使える✓
✓

対応フォーマット：Feather
データフレームを保存✓
✓
PythonとR間のデータ交換用✓
今は非推奨！
Apache Arrowを使ってね✓
✓

対応中フォーマット：Apache Avro
RPCフレームワーク
データフォーマットも提供✓
✓
永続化にも使えるフォーマット✓
ARROW-1209
ちょっと止まっている✓
✓

非公式対応フォーマット：MDS
Multiple-Dimension-Spread
Yahoo! Japan開発フォーマット✓
✓
詳細：Apache Arrow東京ミートアップ2018
2018年12月8日（土）開催✓
✓

フォーマット変換機能まとめ
フォーマット変換機能
いろいろ対応している✓
これからも増えそう✓
✓

効率的なデータ交換処理
Plasma
同一ホスト上のプロセス間でのデータ共有✓
✓
Apache Arrow Flight
Apache ArrowベースのRPC✓
✓
DB連携
各種DBのレスポンスをApache Arrowに変換✓
✓

Plasma
同一ホストでのデータ共有システム
サーバー：データ管理✓
クライアント：データ登録・参照✓
✓
Apache Arrowフォーマットは使っていない
任意のバイト列を共有✓
✓
ユースケース：マルチプロセス連携
もともとRay（分散計算システム）用に開発✓
✓

Apache Arrow Flight
Apache ArrowベースのRPCフレームワーク
クライント：リクエストデータフレームを送信✓
サーバー：レスポンスデータフレームを返信✓
✓
gRPCベース✓

DB連携
DBのレスポンスをApache Arrowに変換✓
対応済み
Apache Hive, Apache Impala✓
✓
対応予定
MySQL/MariaDB, PostgreSQL, SQLite✓
SQL Server, ClickHouse✓
✓

効率的なデータ交換処理のまとめ
効率的なデータ交換処理
同一ホスト内での高速なデータ交換✓
異なるホスト間での高速なデータフレーム交換✓
DBのレスポンスをApache Arrowに変換✓
✓

高速なデータ処理ロジック
高速なデータフレーム処理
CPU：コンパイラーの最適化でベクトル化✓
GPU：RAPIDSがcuDFを開発✓
✓
高速なクエリー処理エンジン
Gandiva✓
✓

Gandiva
SQLレベルのクエリーの実行エンジン
四則演算だけではない✓
集計（GROUP BY）やフィルター（WHERE）などもカバー✓
✓
実行時に最適化✓

Gandiva：実行時に最適化
クエリーを解析して最適化
不要な処理を削除・処理順番を入れ替え
やるようになるんじゃないかな。。。
✓
✓
クエリーをJITコンパイルして実行
インタプリターが実行、ではない✓
最適化済みネイティブコードにして実行
実行環境のCPUに合わせてベクトル化とか
✓
✓

高速なデータ処理ロジックのまとめ
高速なデータ処理ロジック
CPUでもGPUでも最適化✓
クエリーレベルの高速な実行エンジン✓
✓

対応言語
C, C#, C++, Go, Java, JavaScript, Lua✓
MATLAB, Python, R, Ruby, Rust✓
非公式実装：
Julia (Arrow.jl)✓

実装方法
ネイティブ実装
C#, C++, Go, Java, JavaScript, Julia, Rust✓
✓
C++バインディング
C, Lua, MATLAB, Python, R, Ruby✓
✓

C#の実装状況
未対応の型
16bit浮動小数点数・小数・構造体・共用体・辞書✓
✓
多次元配列未対応✓
計算未対応✓
Plasma・Flight未対応✓

C++の実装状況
すべて実装済み
一番実装が進む✓
C++実装のバインディングとして
開発する言語があるため
✓
✓
Apache Parquet実装も取り込んだ✓

Goの実装状況
未対応の型
16ビット浮動小数点数・小数・共用体✓
✓
計算対応（Gandivaは未対応）✓
フォーマット変換はCSVのみ対応✓

Javaの実装状況
未対応の型
16ビット浮動小数点数✓
✓
計算対応（Gandivaも対応）✓
フォーマット変換未対応✓
JDBCを使ったDB連携対応✓

JavaScriptの実装状況
TypeScript実装
Webブラウザー上でもNode.js上でも動く✓
✓

Juliaの実装状況
未対応の型
16bit浮動小数点数・小数・構造体・共用体✓
✓
計算未対応✓

Rustの実装状況
未対応の型
小数・バイナリーデータ・共用体・辞書✓
✓
計算未対応✓
フォーマット変換はCSVのみ対応✓
Apache Parquet実装も取り込んだ✓

C・Lua・Rubyの実装状況
C++バインディング✓
未対応の型：共用体✓
Plasma対応✓
Flight未対応✓

MATLABの実装状況
Featherの読み込みのみ対応✓

Pythonの実装状況
pandas・NumPy相互変換対応✓
Plasma対応✓
Flight未対応✓

Rの実装状況
未対応の型：小数・共用体✓
フォーマット変換はFeatherのみ対応✓

対応言語まとめ
基本的な型はすべての言語で対応済み
すでにデータ交換用途に使える✓
✓
データの高速な計算は一部言語で対応✓
フォーマット変換も各言語の対応は様々✓

まとめ
Apache Arrowが言語を超えて実現すること
データ交換・データ処理の高速化✓
実装の共有（共同開発・ライブラリー化）✓
✓
Apache Arrowを使うとメリットがある人は
Apache Arrowの開発にも参加しよう！
✓

Apache Arrowの開発に参加を支援
Apache Arrow東京ミートアップ2018✓
2018-12-08 13:30-✓
目的：開発者を増やす
対象プロダクト：Apache Arrow・Apache Spark・
Python関連・R関連・Ruby関連などなど
✓
✓
https://speee.connpass.com/event/103514/

OSSをITに活用
「使う」だけが活用かな✓
「開発」にも参加するのはどうかな
参加した方が活用できることもあるかも✓
✓

OSSの開発に参加を支援
OSS Gate東京ワークショップ✓
2018-12-15 13:00-✓
やること：「OSSの開発に参加」を体験
対象プロダクト：好きなOSS✓
✓
https://oss-gate.doorkeeper.jp/events/76042

Apache Arrow - データ処理ツールの次世代プラットフォーム

Recommended

More Related Content

What's hot (20)

Similar to Apache Arrow - データ処理ツールの次世代プラットフォーム (20)

More from Kouhei Sutou (20)

Apache Arrow - データ処理ツールの次世代プラットフォーム