Docstoc

Hadoop Overview

Document Sample
Hadoop Overview Powered By Docstoc
					Hadoop Overview

    2008.01.15
      유현정
                  Hadoop
• Brief History
  – 2005년 Doug Cutting(Lucene & Nutch 개발자)에 의
    해서 시작
     • Nutch 오픈소스 검색엔진의 분산확장 이슈에서 출발
  – 2006년 Yahoo의 전폭적인 지원(Doug Cutting과 전담
    팀 고용)
  – 2008년 Apache Top-level Project로 승격
  – 현재(2009.1) 0.19.0 release
                 Hadoop
• Java 기반 언어
• Apache 라이선스
• 많은 컴포넌트들
 – HDFS, Hbase, MapReduce, Hadoop On
   Demand(HOD), Streaming, HQL, Hama, etc
Hadoop Architecture
                          Hadoop
• 주요 기능
   – Distributed File System
   – Distributed computing


• Distributed File System(DFS)
   – 네트워크로 연결된 서버들의 저장공간을 하나로 묶은 대용량 가상
     공간에 파일들을 저장하는 시스템
   – 전세계의 웹 페이지에 있는 내용을 분석하여 구성한 index 파일과
     같은 대용량과 동시에 엄청난 양의 transaction을 처리해야 하는 요
     구사항에 부합되도록 설계
   – 종류
       •   NHN + KAIST가 공동으로 개발한 OwFS(Owner based File System)
       •   Sun Microsystems의 NFS
       •   Microsoft의 분산 파일 시스템
       •   IBM의 Transarc's DFS
     Google File System(GFS)
• Hadoop의 DFS는 Google File System(GFS)의 기본 개념을 그
  대로 가져와 구현함

• GFS의 특징
  – PC와 같은 일반적으로 값싼 장비를 이용한다
  – NAS 등과 같은 고비용의 장비를 사용하지 않고 소프트웨어로 해결
    한다
  – 많은 수의 대용량 파일(수백 MB~수 GB)을 처리할 수 있어야 한다
  – 추가로 데이터에 대한 백업을 하지 않는다
  – 장비의 추가 및 제거가 자유로워야 한다
  – 특정 노드 장애 시에도 별도의 복구 절차 없이 지속적인 서비스 제
    공이 가능하다
     Google File System(GFS)




• 두 개의 데몬 서버 (사용자 application 수준)
  – GFS master : 파일 이름, 크기 등과 같은 파일에 대한 메타데이터 관리
  – GFS chunkserver : 실제 파일을 저장하는 역할 수행
     • 수백 MB ~ 수 GB 이상의 크기의 파일 하나를 여러 조각으로 나눈 후, 여러
       chunkserver에 저장
     • 나누어진 파일의 조각 = chunk (default, 64MB)
• GFS Client : 데몬 서버들과 통신을 통해 파일 처리
  – 파일의 생성, 읽기, 쓰기 등의 작업을 수행하는 역할
  – API 형태로 제공되고 내부적으로 socket 등의 통신을 이용하여 서버와 통신
        Google File System(GFS)
•   동작 방식
    – 1. Application은 File System에서 제공하는 API를 이용하여 GFS Client 코드를 생성하
      여 파일 작업 요청
    – 2. GFS Client는 GFS master에게 해당 파일에 대한 정보 요청
    – 3. GFS master는 자신이 관리하는 파일 메타 데이터에서 client가 요청한 파일의 정보
      를 전달
       •   전달되는 데이터는 파일 크기와 같은 정보와 조각으로 나뉘어진 chunk 수, chunk size, chunk
           가 저장된 chunkserver의 주소 값 등
    – 4. GFS client는 해당 chunk가 저장되어있는 chunkserver로 접속한 후 파일 처리 요청
    – 5. GFS chunkserver는 실제 파일에 대한 처리 수행


 Client와 master 사이에는 파일에 대한 정보만 주고 받을 뿐, 실제 파일 데
  이터의 이동 및 처리는 client 와 chunkserver 사이에서 발생
 Master의 부하를 최소화 하도록 하기 위한 것
     Google File System(GFS)
• Replication
  – 가장 큰 특징 중 하나
  – Chunk를 하나의 chunkserver에만 저장하는 것이 아
    니라 여러 개의 chunkserver에 복사본을 저장
     • Default : 3개의 복사본
  – Chunkserver의 down 등으로 인해 정해진 복사본 수
    만큼 가지고 있지 않는 경우, master는 새로운 복사본
    을 만들도록 관리
    Google File System(GFS)
• Replication의 장점
  – chunk를 저장하고 있는 chunkserver가 down 되어도
    장애 없이 서비스를 제공할 수 있다
  – 항상 복사본이 존재하고 있기 때문에 파일 시스템 수
    준에서 RAID1 수준의 미러링 백업을 제공
    • 실제로 Google은 NAS와 같은 고비용의 스토리지 장비를 사
      용하지 않기 때문에 Yahoo와 같은 다른 경쟁업체에 비해 월
      등하게 싼 가격으로 시스템을 운영하고 있다
  – 특정 파일 또는 chunk를 읽기 위한 접근이 집중되는
    경우, 하나의 chunkserver로 집중되는 부하를 분산시
    킬 수 있으며 서버에 대한 분산뿐만 아니라 Disk
    head 와 같은 물리적인 장치에 대한 분산 효과
     Google File System(GFS)
• Replication의 단점
  – Google File System에서는, 복사본을 동기적인 방식으로 생성한
    다. 이것은 파일을 생성하는 시점에 복사본까지 완전히 저장된
    후에 파일 생성에 대한 완료처리를 한다는 것이다. 따라서, 일반
    파일 시스템에 비해 기본적으로 3배 이상의 write 속도 저하가
    발생한다.
     • Google File System의 경우, 온라인 실시간 시스템에서는 사용하기 부
       적합 할 수 있으며 파일을 한번 생성한 다음부터는 계속해서 읽기 작업
       만 발생하는 시스템에 적합하다고 할 수 있다.
     • 대표적인 서비스들 : 검색, 동영상, 이미지, 메일(Mime 파일) 등이다
  – 3개의 복사본을 저장하기 때문에 3배의 디스크 공간 필요
     • Google File System의 경우, 기본적으로 PC에 붙어 있는 값싼 디스크도
       사용할 수 있기 때문에 NAS와 같이 고비용의 스토리지를 사용하는 엔
       터프라이즈 환경에서는 단점이라고 할 수 없다.
Hadoop Distributed File System(HDFS)

• 순수한 자바 파일 시스템
• 기존의 분산 파일 시스템과 많은 유사성을 갖고
  있으면서도 커다란 차이점이 있음.
 –   highly fault-tolerant
 –   Low-cost hardware를 통해 배포할 수 있도록 설계
 –   Application data 접근에 높은 처리량 제공
 –   Suitable for application having large data sets
 Assumptions & Goals of HDFS
• 1. hardware failure

   – An HDFS instance may consist of hundreds or thousands
     of server machines, each storing part of the file system’s
     data.
   – The fact that there are a huge number of component
     and that each component has a non-trivial probability of
     failure means that some component of HDFS is always
     non-functional.

   – 따라서, 결함의 탐지와 빠르고 자동적인 복구는 HDFS의
     핵심적인 구조적 목표.
Assumptions & Goals of HDFS
• 2. Streaming Data Access
  – HDFS는 batch processing에 적합
  – HDFS is optimized to provide streaming read
    performance; this comes at the expense of random seek
    times to arbitrary positions in files.
  – HDFS relaxes a few POSIX requirements to enable
    streaming access to file system data.
  – 강점 : high throughput of data access

  *POSIX(Potable Operating System Interface)
    유닉스 운영체제에 기반을 두고 있는 일련의 표준 운영체
    제 인터페이스
Assumptions & Goals of HDFS
• 3. Large Data Sets
  – HDFS의 applications는 large data sets를 가짐
  – HDFS에서의 일반적인 파일 크기 : gigabytes to
    terabytes
  – 따라서, HDFS가 대용량 파일들을 제공할 수 있도록
    조정됨
     • 높은 aggregate data bandwidth와 단일 클러스터에서 수백
       개의 nodes로의 확장을 제공해야 함
     • 단일 instance에서 수 천만 파일을 제공해야 함
Assumptions & Goals of HDFS
• Simple Coherency Model
  – HDFS’s applications need a write-once-read-more
    access model for files.
  – 이러한 가정은 data coherency issues를 단순화하고
    높은 처리량의 데이터 접근을 가능하게 함
  – A Map/Reduce application or a web crawler
    application fits perfectly with this model.
  – 추가 쓰기(appending-writes)를 앞으로는 제공할 계획
    • Scheduled to be included in Hadoop 0.19 but is not
      available yet
Assumptions & Goals of HDFS
• “Moving Computation is Cheaper than Moving
  Data”
  – Application에 의해 요청된 computation은 데이터 근처에
    서 실행될 때 더 효과적
  – 특히, data sets의 사이즈가 대단히 클 때
  – This minimizes network congestion and increase the
    overall throughput of the system
  – The assumption is that is often better to migrate the
    computation closer to where the data is located rather
    than moving the data to where the application is running.
  – 따라서, HDFS는 데이터가 위치한 곳 가까이 application들
    을 옮길 수 있는 interface를 제공
Assumptions & Goals of HDFSkjuo
• 6. 이종 하드웨어와 소프트웨어 플랫폼으로의 이
  식성
 – HDFS는 한 플랫폼에서 다른 플랫폼으로 쉽게 이식할
   수 있도록 디자인됨
 – This facilitates widespread adoption of HDFS as a
   platform of choice for large set of applications.
                Features of HDFS
• A master/slave architecture
• A single NameNode, a master server for a HDFS
  cluster
   – manages the file system namespace
       • Executes file system namespace operations like opening, closing, and
         renaming files and directories
   – regulates access to files by clients
   – Determines the mapping of blocks to DataNodes


 Simplifies the architecture of the system
    NameNode = arbitrator and repository for all HDFS metadata
            Features of HDFS
• A number of DataNodes, usually one per node
  in the cluster
  – Manages storage attached to the nodes that they
    run on
     • Perform block creation, deletion, and replication upon
       instruction from the NameNode
          Features of HDFS
• The NameNode and DataNodes are pieces of
  software designed to run on commodity
  machines.
• These machines typically run a GNU/Linux OS.
• Using the Java language; any machine that
  supports Java can run the NameNode or
  DataNode software.
           Features of HDFS
• A typically deployment has a dedicated
  machine that runs only the NameNode
  software.
• Each of the other machines in the cluster runs
  one instance of the DataNode software
• -> The architecture does not preclude running
  multiple DataNodes on the same machine but
  in a real deployment that is rarely the case.
              Features of HDFS
• Single namespace for entire cluster
   – Managed by a single NameNode
   – Files are write-once
   – Optimized for streaming reads of large files
• Files are broken in to large blocks
   – HDFS is a block-structured file system
   – Default block size
      • in HDFS : 64 MB vs. in other systems : 4 or 8 KB
   – These blocks are stored in a set of DataNodes
• Client talks to both NameNode and DataNodes
   – Data is not sent through the NameNode
                      Features of HDFS




•   DataNodes holding blocks of multiple files with a replication factor of 2
•   The NameNode maps the filenames onto the block ids
       Features of HDFS
• DataNodes의 클러스터를 통해서 구축
• 각각의 서버들은 데이터 블록을 네트워크를 통
  해 제공
• 웹 브라우저나 다른 client를 통해서 모든 컨텐츠
  에 대해 접근할 수 있도록 HTTP 프로토콜을 통
  해서 데이터를 제공하기도 함
       Features of HDFS
• NameNode라는 하나의 특별한 서버를 필요로
  함
-> HDFS 설치에 있어서 실패의 한 요소
  NameNode가 다운되면 File system역시 다운
• 2차 NameNode를 운영하기도 함
• 대부분은 하나의 NameNode를 이용
• Replay process는 큰 클러스터의 경우 30분 이상
  소요
Features of HDFS
  The File System Namespace
• File System Namespace 계층은 다른 file
  systems와 유사;
  – 파일 생성 및 삭제
  – 하나의 dir에서 다른 dir로 파일 복사
  – 파일 이름 변경


• 사용자 한도 량과 접근 허가 구현 X
• 하드 링크와 소프트 링크 지원 X
• 하지만, 이런 특징들의 구현을 제한 X
  The File System Namespace
• NameNode : the file system namespace 유지
• File system namespace나 속성의 변화는
  NameNode에 의해서 기록됨
• Application은 HDFS에 의해 유지되어야 하는 파
  일의 replicas의 개수를 명시할 수 있다.
  – 파일의 복제 수는 the replication factor of that file이
    라고 불리워짐.
  – 이러한 정보 역시 NameNode에 의해서 저장

				
DOCUMENT INFO
Shared By:
Categories:
Tags:
Stats:
views:9
posted:11/16/2012
language:Korean
pages:29