4. 지금은 …
¨ 전세계 음악을 모두 저장할 수 있는 디스크 드라이브 가격 $600
¨ 2010년 전세계 핸드폰 50억대 이상
¨ 매달 페이스북에서 주고받는 컨텐츠 300억건
¨ 매년 전세계 데이터 40% 씩 증가, IT 분야는 5% 씩 증가
¨ 미국 의회 도서관이 수집한 데이터 235테라바이트 (2011.4 기준)
Google Datacenter
http://www.google.com/about/datacenters/locations/index.html
Facebook Datacenter
스웨덴 극지방 위치
출처: McKinsey&Company June 2011 Big Data
5. 왜 빅데이터에 관심을 가지나?
¨ Google
¨ Facebook 웹 서비스 사업의 성장
¨ Yahoo 기술 공개 , 빠른 기술 진화
¨ LinkedIn 데이터 처리 비용 상대적으로 낮아짐
¨ Twitter
Cost < Value
¨ Connected Everything
¤ Smartphone
¤ LTE 데이터의 폭발적인 증가
¤ Sensor Networks 멀티미디어
실시간 데이터
¤ … …
7. 빅 데이터에서 다루는 문제들
대용량 데이터 다양한 형태의 데이터 배치,실시간,스트리밍
(GB을 넘어서 TB,PB…) (DB,텍스트,XML,이미지,동영상…) (센서,상거래,주식거래…)
8. 빅 데이터에서 다루는 문제들
대용량 데이터를 저장,처리하기 위해서 필요한
클러스터 컴퓨팅, 분산컴퓨팅 인프라에 대한 이해
• 수십-수천대의 서버를 구축,관리
• 효율적인 네트워크 구축
• 상태 모니터링 및 장애 대책
• 애플리케이션 배포
• 데이터의 저장, 백업
• 확장성, 가용성을 고려
10. 빅 데이터에서 다루는 문제들
레거시 시스템과의 연동, 마이그레이션 이슈
Legacy Data Platform Big Data Platform
11. 빅 데이터에서 다루는 문제들
데이터 마이닝 , 머신 러닝 알고리즘
Single Machine è Multiple Machines
12. 빅 데이터에서 다루는 문제들
데이터 유출시 기업경영에 치명적인 영향을 준다
어느 데이터나 활용할 수 있는 것이 아니다
통합보다 분산이 더 안전
데이터 보안 개인 정보 보호
13. 빅데이터에서 다루는 문제들
대용량 데이터, 정형/비정형데이터, 이벤트/스트리밍 데이터
분산컴퓨팅, 클러스터 컴퓨팅
클라우드 컴퓨팅
오픈소스
데이터 마이닝/머신러닝
레거시 시스템 연동 / 데이터 수집
보안/개인정보 보호 이슈
14. Knowledge & Technology for Big Data
Real-time Processing
Statistics R
SAS Complex Event Processing
Linear Algebra
Data Mining Stream Process
Machine Learning OLAP Tools
Scribe
Excel Flume
Algorithms ETL
RedisGraph DB
SQL Pig
MSSQL KeyValue DB
Column DB ZooKeeper
MySQL Hive
HDFS
Protocolbuf Oracle MongoDB HBase MapReduce
Entity Relation Cassandra
XML NoSQL Hadoop
Avro Amazon
JSON HTTP RDBMS C/C++ Python Batch Processing
Java Apache
TCP/IP Linux
Distributed Computing Cluster Computing Cloud Computing
우승이의 블로그 http://kimws.wordpress.com
15. Big Data Platform 환경 비교
기존 데이터 플랫폼 환경 빅데이터 플랫폼 환경
¨ Single Machine ¨ Multiple Machine
¤ Multi-core (> 16 cores) ¤ Commodity H/W, N/W
¤ Scale-up ¤ Scale-out
¤ High Price H/W, S/W ¤ Low Cost
¤ SAN Storage ¤ Distributed File System
¨ MS Windows, AIX, HP-UX ¨ Linux
¨ Commercial Solutions ¨ Open Source
¨ IBM, Oracle, Microsoft ¨ Yahoo!,Facebook,Twitter
¨ RDBMS ¨ NoSQL
¨ TeraData, Exadata,Netizza ¨ Hadoop, Hive, Pig
¨ SAS, SPSS ¨ R, Mahout
16. NoSQL (Not Only SQL) ?
관계형 데이터 모델을 사용하지 않고 SQL 을 사용하
지 않는 그 이외의 모든 데이터 베이스 시스템 또는
데이터 스토어 ¨ CAP Theorem
¤ Consistency
¤ Availability
¤ Partition Tolerance
q CA, CP, AP 의 특성에 따
라 상대적인 확장성과 성능
에 제약이 발생
q 대부분 오픈소스
요구사항에 대한 분명한 이해
개발/운영 역량 반드시 확인
출처: http://blog.beany.co.kr/archives/275
17. NoSQL Ecosystem
• 각 도메인 또는 요구사항에 맞는 NoSQL 을 선택하는 것이 매우 중요
• 대부분의 NoSQL 이 오픈소스, 도입시 내부 검증 절차와 내재화 필요
출처: http://www.slideshare.net/mattaslett/mysql-vs-nosql-and-newsql-survey-results-13073043
18. Big Data Lifecycle
데이터 수집 데이터 처리 데이터 분석 데이터 제공
¨ 데이터 연동 ¨ 데이터 클리닝 ¨ 모델 검증 ¨ 보고서
¨ ftp, sftp, rcp, ¨ 데이터 요약 ¨ 데이터 마이닝 ¨ 데이터 시각화
rsync ¨ 데이터 기초통계 ¨ 텍스트 마이닝 ¨ 서비스 데이터
¨ 데이터 변환 ¨ 데이터 탐색 ¤ 상품 추천
¤ 유사 아이템
19. Legacy Data Platform
DBMS 을 기반으로하는 데이터 플로우 , Scale-up 구조의 아키텍처
고가의 하이엔드 싱글서버 서버, 네트워크장비 비용은 몇배로 발생
SAN 스토리지 시스템 확장 시스템 아키텍쳐 & 데이터 구조 변경이 불가피
상용 데이터베이스, 마이닝 솔루션 매우 고가 Scale up 처리할 수 있는 데이터 처리에 한계가 발생
데이터 수집 데이터 처리 데이터 분석 데이터 제공
ETL Process
데이터 마이닝 Data Warehouse OLAP Service
(IBM DataStage)
(SAS) (TeraData) Tools Server
SQL, PL/SQL
FTP
SFTP
Rsync
RDBMS (Oracle, DB2, MSSQL …)
Local FS SAN Storage Local FS
22. Big Data Platform
다양한 데이터 소스/데이터 프로세싱 프레임워크를 수용할 수 있는 워크플로우,통합 관리 시스템 필요
• 대용량 데이터 저장과 대용량 데이터 분석 시스템에는 Hadoop 및 오픈소스기반의 NoSQL, R을 적극 활용
• 최종 분석 결과 제공을 위한 OLTP 기반 리포트 시스템 / 서비스 데이터들은 기존의 기술을 적극 활용
• Hadoop 및 오픈소스 기반의 시스템들은 저가의 범용서버 및 네트워크스위치를 활용해서 클러스터를 구성
데이터 수집 데이터 처리 데이터 분석 데이터 제공
FTP ETL Process 데이터 마이닝 Data Warehouse OLAP Service
SFTP Pig & Script Lanugage Mahout, R Hive, R Tools Server
Rsync (R)
NoSQL
Data
Log Aggregator MapReduce Framework Warehouse
(Mong
(Flume) oDB)
Real-time
Stream & Event
NoSQL RDBMS
Processor (Hbase, Cassandra) (Oracle, MySQL)
SAN
Local FS Distributed File System Storage
Local FS
23. 빅 데이터 수집
¨ 데이터 포맷
¤ 비정형 (log, csv,…)
¤ 준정형 (XML,JSON)
¤ 정형(데이터베이스)
Extract / Transform / Load Extract / Load / Transform
¨ 데이터 변환
¨ 연동 주기
Agent
¨ 데이터 크기
¨ 전송 속도 Collector
¨ 손실 허용 기준 (100%?)
¨ 장애시 재전송 정책 Agent DFS
¨ 전송 방식 Collector
¤ ftp/sftp
¤ rsync, rcp
Agent
¤ nfs / fuse Log Aggregator Framework
¤ Aggregator Framework
n Scribe (C++)
n Flume (Java)
24. 빅 데이터 처리/분석의 특징
Hadoop 기반 상용 제품들의 주요 솔루션 영역
Apache Oozie
빅데이터 처리와 분석작업 Job Scheduler
은 하나 이상의 데이터 작
업들로 구성
Workflow
배치 프로세싱 Engine
(분단위,일단위,월단위)
Cluster
Management
클러스터 컴퓨팅 관리 System Apache Amabari
(신규구축, 노드추가/삭제)
Cluster
Monoring Cloudera
클러스터 모니터링이 필수 System
장애에 대한 대책 Notification
25. 빅 데이터 마이닝
• 빅데이터 마이닝에 있어서 Training Set 을 만드는 것에 있어 많은 비용발생
• Supervised Learning 보다는 Unsupervised Learning 적용이 유리
• Mahout : MapReduce 기반의 scalable data mining algorithm 발굴 및 구현
• C-MR, Giraph 와 같은 데이터 마이닝에 적합한 프레임워크이 등장
Analyze & tune
Analyze & tune
Training Build
Set Model
Build
Data Data Model
Validate
Validation
Validate
Set
New
New
Data
Data
Supervised Learning Workflow Unsupervised Learning Workflow
26. 빅 데이터 제공
¨ 데이터 마이닝된 데이터 Hive Pig
를 서비스 서버에서 이용 Batch MapReduce
Framework
¤ 검색용 인덱스 DB Process
¤ 추천엔진 룰데이터 DFS
¨ 데이터 처리/분석된 자료
Periodic Update
를 다양한 포맷의 보고서
나 차트를 생성할 수 있도
RDBMS NoSQL
록 제공
¤ OLAP 도구 연동이 중요 OLTP
è RDBMS 는 여전히 중요 OLAP Service
Tools Server
27. 빅데이터 기술 도입시 고려 사항
Q1. 꼭 Hadoop, NoSQL, DFS가 필요한가?
도메인과 Q2. 기존의 기술로 해결할 수 없는 문제인가?
요구사항에
맞게 도입 Q3. 기존의 기술로는 비용이 많이 드는가?
Q4. 상용/오픈소스 영역과 품질 수준을 정의했는가?
도입전 요구 사항에 맞는지 사전 벤치마킹이 필수
내부 엔지니어
확보 및 오픈소스에서 주장하는 성능/품질은 참고사항일 뿐
기술 내재화
개발비보다 운영비가 크게 증가할 수도 있음을 명심
28. 빅데이터를 위한 역량
• 자신은 어느 분야의 전문가인가?
• 어느 방향으로 역량을 넓혀갈 것인가? 도메인
지식
Data Scientist 데이터 데이터
시각화 Data 마이닝
Scie
ntist
소프트웨어 프로그래머 빅데이터
들에게 좀더 많은 기회? 플랫폼기술
Hadoop 머신러닝
/NoSQL s
D evOp
DevOps
운영체제 소프트웨어
분산컴퓨팅 프로그래밍
29. 빅데이터를 위한 역할과 요구기술
• 추천 로직 기획, 광고 플랫폼
• Financial & Stock Market
도메인 전문가 • Health Care • Visualization
• BioInfomatics • Infograph
• Power Management • IR & RecSys
Data Scientist
• 통계 & 데이터 탐색
• 데이터 마이닝 & 기계학습 • OLAP Tools
데이터 분석가 • 데이터 분석 • SAS,
• 리포팅 SPSS,R,Weka
• 데이터 시각화 • SQL
• RDBMS
• ETL
• 데이터 수집 • Script Language
• 마이닝 알고리즘 & ML 구현 • Pig, Hive
소프트웨어 개발자 • 데이터 처리 엔진 구현 • MapReduce
DevOps
• 데이터 저장소 최적화
• 분산 알고리즘 구현
• Log Aggregator
• NoSQL
• Hadoop
• 운영 체계 최적화 • Linux
시스템 엔지니어 • 컴퓨팅 H/W, N/W 최적화 • X86
• Network
30. Multi-Player .vs. Team
• 중장기적으로 조직내에 빅데이터 기술의 내재화가 필수
• 관련 역량을 갖춘 팀을 갖추고 개인 역량을 높이는 내재화 전략 필요
Data Team
Data Scientst
Domai
n
Expert
DBA
Data
Miner
서비스
알고리즘 DevOps
개발
기획자 통계학자
Machine
Learning
S/W S/W
아키텍트 개발자
System
Engineer
31. 향후 빅데이터 발전 방향
¨ Real-time Analytics
¨ Advanced & Predictive
Analytics
¨ Advanced Data Visualization
출처: TDWI Research 4thQ 2011 on Big Data Analytics
33. Big Data in Cloud
Amazon Google Microsoft
Product Amazon Web Service Google Cloud Platform Microsoft Azure
Big Data Storage S3 Cloud Storage HDFS on Azure
Working Storage Elastic Block Store Datastore , Blobstore Blog, table, queues
NoSQL database DynamoDB AppEngine Datastore Table Storage
Relational database MySQL , Oracle CloudSQL (MySQL SQL Azure
compatible)
Application hosting EC2 AppEngine Azure Compute
Map/Reduce service Elastic MapReduce Compute Engine Hadoop on Azure
(Hadoop Partner) (Cloudera) (MapR) (Hortonworks)
Big data anlytics Pig, Hive BigQuery Pig, Hive
Pig, Hive
Machine Learning Mahout (on Hadoop) Prediction API Mahout (on Hadoop)
Mahout (Hadoop)
Streaming Processing N/A N/A StreamInsight
Data Import Network Network Network
Storage Device
34. Beyond the Yottabyte
"the data volumes are increasing with a projection
that sensor data volume could potentially increase to
the level of Yottabytes by 2015."
Googol = 10100