Text
Page: 1
Apache Arrow 2019 #ArrowTokyo 須藤功平 株式会社クリアコード Apache Arrow東京ミートアップ2019 2019-12-11 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 2
Apache Arrowと私 ✓ 2016-12-21に最初のコミット ✓ 2017-05-10にコミッター ✓ 2017-09-15にPMCメンバー ✓ 2018-12-06現在コミット数3位（224人中） ✓ 2019-12-09現在コミット数2位（348人中） Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 3
Apache Arrow 1.0.0がでるぞ！ ✓ たぶん2020年1月か2月あたり ✓ 使い始めるなら今！ ✓ 普通のユーザー：リリースされたら試そう ✓ 先進的なみなさん：リリースされたら本格使用！ Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 4
今日の目的 Apache Arrow ユーザーを 増やす Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 5
今日のチャレンジ こんな人たちもフォローしてユーザーに！ ✓ 使ってみたい！ ✓ でも、自分たちだけじゃ不安… Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 6
対策：みんなで力を合わせる！ こんな布陣ならいけるかも！なら相談して！ https://www.clear-code.com/contact/ ✓ クリアコード：技術提供 （すごく詳しいよ！） ✓ A社：データ提供 （うちのデータでApache Arrowは効くかな？） ✓ B社：インフラ提供 （どんな構成が適切かな？） ✓ C社：お金・人的リソース提供 （知見を貯めたい） ✓ ... Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 7
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 8
実現すること データ処理の効率化 （大量データが対象） Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 9
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 10
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 11
遅い部分 データ交換 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 12
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 13
データ処理システム例 データ交換 データ収集 ツール Apache Arrow 2019#ArrowTokyo データ前処理 ツール 分析 ツール 可視化 ツール Powered by Rabbit 3.0.1
Page: 14
データ交換処理 1. シリアライズ データをバイト列へ変換 2. 転送 バイト列を別ツールに渡す 3. デシリアライズ バイト列からデータを復元 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 15
データ交換処理：必要なリソース 1. シリアライズ：CPU 2. 転送：I/O （ネットワーク・ストレージ・メモリー） 3. デシリアライズ：CPU Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 16
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 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 17
Apache Arrowのアプローチ なにもしなければ最速！ ✓ データフォーマットを定義 ✓ ほぼパースいらずなので速い！ ✓ シリアライズ・デシリアライズが高速化！ ✓ このフォーマットを普及 ✓ 各種言語で読み書き処理を実装 ✓ みんなが使えばフォーマット変換いらずで速い！ Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 18
Apache Sparkでの高速化事例 ✓ Spark⇔PySpark間でデータ交換 ✓ Apache Arrowを使うことで数十倍レベルの高速化 ✓ Spark⇔R間でデータ交換 ✓ sparklyrでは10倍以上の高速化 ✓ Spark 3.0からはSparkRでも使える Spark関連は山室さんが紹介！ Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 19
Apache Arrowのさらなるアプローチ 1. シリアライズ データをバイト列へ変換 2. 転送←ここも高速化 バイト列を別ツールに渡す 3. デシリアライズ バイト列からデータを復元 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 20
同一ホスト時のデータ転送の高速化 ✓ 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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 21
複数ホスト時のデータ転送の高速化 ✓ RPCフレームワークを提供 ✓ Apache Arrow Flight ✓ gRPCベース ✓ 詳細：Apache Arrow Flightの紹介 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 22
効率的なデータ交換処理のまとめ ✓ 高速なデータフォーマット ✓ 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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 23
速度向上方法 ✓ 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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 24
高速化できる部分 大量データの計算 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 25
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 26
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 27
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… Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 28
OLAP向きのデータの持ち方 列 a b c Apache Arrow RDBMS a 1 値 値 値 2 値 値 値 3 値 値 値 Apache Arrow 2019#ArrowTokyo 列 b c 1 値 値 値 2 値 値 値 3 値 値 値 列ごと 値の管理単位 行ごと 列 高速なアクセス単位 行 Powered by Rabbit 3.0.1
Page: 29
まとまったデータの計算を高速化 ✓ SIMDを活用 Single Instruction Multiple Data ✓ スレッドを活用 ✓ ストリームで処理 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 30
SIMDを活用 ✓ CPU：データをまとめてアライン 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 ✓ 条件分岐をなくす ✓ null/NA用の値は用意せずビットマップで表現 Is it time to stop using sentinel values for null / NA values? Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 31
条件分岐とnull [1, null, 3] + [null, 2, 5] null data 0 1 0 1 X 3 ビット単位の| null data 1 1 0 X X 8 1 0 0 X 2 5 nullのところも 気にせずSIMDで+ [null, null, 8] Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 32
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 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 33
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 34
ストリームで処理 ✓ CPUを遊ばせない ✓ データ読み込み中にすでに読んだデータを処理 ✓ C++実装：詳細は村田さんが紹介！ ✓ Apache Arrow C++ Datasets：データ読み込み ✓ Apache Arrow C++ Query Engine：データ処理 ✓ Apache Arrow C++ Data Frame：高レベルAPI ✓ Gandiva：高速な式コンパイラー Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 35
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 36
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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 37
共通で使いそうな機能 ✓ 高速なデータフォーマット（説明済み） ✓ 効率的なデータ交換処理（説明済み） ✓ 高速なデータ処理ロジック（説明済み） ✓ フォーマット変換機能 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 38
実装コストのまとめ ✓ 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 ✓ 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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 39
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 ✓ データ交換・処理向きで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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 40
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 ✓ C++実装はすごく速い！ ✓ CSV読み込みの高速化でも使える！ Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 41
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） Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 42
対応フォーマット：Apache ORC ✓ 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 ✓ Apache Parquetに似ている ✓ Apache Hive用に開発 ✓ 今はHadoopやSparkでも使える Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 43
対応フォーマット：Feather ✓ 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 ✓ 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 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 44
豆知識：Feather 2 ✓ 名前を再利用するかも ✓ [ARROW-5512] Feather V2 ✓ Feather 2: Apche Arrow IPC File Format ✓ Apache Arrow IPC Format：FileまたはStreaming ✓ Fileの方をFeather 2と呼んじゃう？ Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 45
対応フォーマット：JSON ✓ よく使われているフォーマット ✓ これまではテストのために内部使用 ✓ 正式機能になった Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 46
フォーマット変換機能まとめ ✓ 高速なデータフォーマット ✓ 効率的なデータ交換処理 ✓ 高速なデータ処理ロジック ✓ フォーマット変換機能 ✓ 永続化データを処理するために必要 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 47
対応言語 ✓ C, C#, C++, Go, Java, JavaScript, Lua ✓ MATLAB, Python, R, Ruby, Rust 非公式実装： ✓ Julia (Arrow.jl) Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 48
実装方法 ✓ ネイティブ実装 ✓ C#, C++, Go, Java, JavaScript, Julia, Rust ✓ その言語になじむ ✓ C++バインディング ✓ C, Lua, MATLAB, Python, R, Ruby R関連は湯谷さんが紹介！ ✓ ホスト言語が遅めでも速い実装になる Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 49
各言語のデータ交換対応状況 ✓ 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 ✓ 複雑な型は未対応の言語あり List, Structなど ✓ 例：C#のList実装は網屋の橋田さんが改良中 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 50
各言語のデータ処理対応状況 ✓ データの高速な計算は一部言語で対応 ✓ C++ベース、Java、Rust（DataFusion）、Go ✓ フォーマット変換も各言語の対応は様々 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 51
ユースケース（1） ✓ PostgreSQLの高速化 ✓ 海外さんがPG-Stromの事例を紹介！ ✓ TensorFlow・BigQuery Storage APIが Apache Arrowをサポート ✓ 石崎さんと漆山さんが紹介！ Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 52
ユースケース（2） ✓ FluentdでログデータをApache Arrow化 ✓ プラグインあり ✓ Groongaに高速データロード ✓ Groonga：全文検索エンジン ✓ Fluentdで集めたログデータを Apache Arrowで流し込んで高速検索 Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 53
今日の目的 Apache Arrow ユーザーを 増やす Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 54
今日のチャレンジ こんな人たちもフォローしてユーザーに！ ✓ 使ってみたい！ ✓ でも、自分たちだけじゃ不安… Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
Page: 55
対策：みんなで力を合わせる！ こんな布陣ならいけるかも！なら相談して！ https://www.clear-code.com/contact/ ✓ クリアコード：技術提供 （すごく詳しいよ！） ✓ A社：データ提供 （うちのデータでApache Arrowは効くかな？） ✓ B社：インフラ提供 （どんな構成が適切かな？） ✓ C社：お金・人的リソース提供 （知見を貯めたい） ✓ ... Apache Arrow 2019#ArrowTokyo Powered by Rabbit 3.0.1
