= Apache Arrow 2019\n#ArrowTokyo : author 須藤功平 : institution 株式会社クリアコード : content-source Apache Arrow東京ミートアップ2019 : date 2019-12-11 : start-time 2019-12-11T19:05:00+09:00 : end-time 2019-12-11T19:20:00+09:00 : theme . = 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） = 今日の目的 Apache Arrow\n ユーザーを\n 増やす = 今日のチャレンジ (('tag:center')) (('tag:margin-bottom * 5')) 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… = 対策：みんなで力を合わせる！ (('tag:center')) (('tag:margin-bottom')) こんな布陣ならいけるかも！なら相談して！ * クリアコード：技術提供(('note:（すごく詳しいよ！）')) * A社：データ提供(('note:（うちのデータでApache Arrowは効くかな？）')) * B社：インフラ提供(('note:（どんな構成が適切かな？）')) * C社：お金・人的リソース提供(('note:（知見を貯めたい）')) * ... = Apache Arrow 各種言語で使える\n インメモリー\n データ処理\n プラットフォーム = 実現すること データ処理の効率化\n （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 # img # src = images/data-processing-system.svg # relative_width = 100 == スライドプロパティー : enable-title-on-image false = データ交換処理 (1) シリアライズ\n (('note:データをバイト列へ変換')) (2) 転送\n (('note:バイト列を別ツールに渡す')) (3) デシリアライズ\n (('note:バイト列からデータを復元')) = 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(('note:（ネットワーク・ストレージ・メモリー）')) (3) デシリアライズ：CPU = データ交換の高速化 * データ量が増加すると\n 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 (('tag:center')) (('tag:margin-bottom')) 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！ * このフォーマットの普及 * 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 Sparkでの高速化事例 * Spark⇔PySpark間でデータ交換 * (()) * Spark⇔R間でデータ交換 * (()) * Spark 3.0からはSparkRでも使える (('tag:center')) Spark関連は山室さんが紹介！ = Apache Arrowのさらなるアプローチ (1) シリアライズ\n (('note:データをバイト列へ変換')) (2) 転送←ここも高速化\n (('note:バイト列を別ツールに渡す')) (3) デシリアライズ\n (('note:バイト列からデータを復元')) = 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\n 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 = 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：(()) = 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 = 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 = 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(('note:（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 # img # src = images/columnar.svg # relative_height = 100 == スライドプロパティー : enable-title-on-image false = まとまったデータの計算を高速化 * SIMDを活用\n (('note:Single Instruction Multiple Data')) * スレッドを活用 * ストリームで処理 = SIMDを活用 * CPU：データをまとめてアライン\n (('note: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\n (('note:((<"Is it time to stop using sentinel values for null / NA values?"|URL:http://wesmckinney.com/blog/bitmaps-vs-sentinel-values/>))')) = 条件分岐とnull # img # src = images/simd-null.svg # relative_height = 100 == スライドプロパティー : enable-title-on-image false = 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 = 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！ * (())：データ読み込み * (())：データ処理 * (())：高レベルAPI * Gandiva：高速な式コンパイラー = 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\n (('note:実装コストが下がる：ツール開発者のメリット')) = 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 = 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 = 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\n 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 * C++実装はすごく速い！ * ((*CSV読み込みの高速化でも使える！*)) = 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(('note:（I/Oが減る）')) = 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 = 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 = 豆知識：Feather 2 * 名前を再利用するかも * ((<[ARROW-5512] Feather V2|URL:https://issues.apache.org/jira/browse/ARROW-5510>)) * 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？ = 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 = 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 = 対応言語 * C, C#, C++, Go, Java, JavaScript, Lua * MATLAB, Python, R, Ruby, Rust 非公式実装： * Julia ((())) = 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\n 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 = 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\n (('note:List, Structなど')) * 例：C#のList実装は((<網屋|URL:https://www.amiya.co.jp/>))の((<橋田さん|URL:https://github.com/HashidaTKS>))が改良中 = 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 = ユースケース * PostgreSQLの高速化 * 海外さんがPG-Stromの事例を紹介！ * TensorFlow・BitQuery Storage APIが\n Apache Arrowをサポート * 石崎さんと漆山さんが紹介！ * FluentdでログデータをApache Arrow化 = 今日の目的 Apache Arrow\n ユーザーを\n 増やす = 今日のチャレンジ (('tag:center')) (('tag:margin-bottom * 5')) 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… = 対策：みんなで力を合わせる！ (('tag:center')) (('tag:margin-bottom')) こんな布陣ならいけるかも！なら相談して！ * クリアコード：技術提供(('note:（すごく詳しいよ！）')) * A社：データ提供(('note:（うちのデータでApache Arrowは効くかな？）')) * B社：インフラ提供(('note:（どんな構成が適切かな？）')) * C社：お金・人的リソース提供(('note:（知見を貯めたい）')) * ...