Azure Databricks のバックアップ(No.24)

「マイクロソフト系技術情報 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。

戻る
- Azure HDInsight
- Azure Databricks
- Elastic on Azure

目次 †

目次
概要
- 用途
- コンセプト
  - DataとAIの⺠主化
  - レイクハウス
詳細
開発 → デプロイ
参考

↑

概要 †

Apache Sparkベースのビッグデータ、統合データ分析プラットフォーム

↑

用途 †

ビッグデータ分析ワークロードで利用する。

ETLのようなバッチ処理

データ・パイプラインの過程

データ・サイエンティスト向けのフル稼働の計算資源
には向かない（→ Data Science Virtual Machines）。

↑

コンセプト †

↑

DataとAIの⺠主化 †

「DataとAIの⺠主化」を実現する機能

↑

レイクハウス †

データレイクとデータウェアハウスの特徴を併せ持つ。

ただ、

ブロンズ
シルバー
ゴールド

データ領域とか、そう言う概念はあるらしい。

↑

詳細 †

↑

機能 †

↑

業務領域 †

ビジネス分析(BI/レポート)
⾃由検索(SQLアナリティクス)
機械学習(+深層学習)

↑

データ種類 †

構造化(CRM(のRDB)など)
半構造化(JSON/XMLなど)
⾮構造化(画像・動画など)

↑

処理タイプ †

↑

拡張性 †

ストレージ拡張
リソース拡張
クラウド(マネージドサービス)

↑

コラボレーション †

同時編集・コメント・ロギング機能にて、チームでの開発を加速

ビジネス・アナリスト
データ・サイエンティスト
データ・エンジニア

→ デジタルイニシアティブ実⾏体制

↑

⾔語 †

多⾔語対応にて、スキルの壁を跨いでコラボレーション

SQL
Python/R
Scala

↑

スタック †

↑

データレイク †

データレイクとは

多種多様な全てのデータをデータレイクに格納

その他
- Azure Cosmos DB
- Azure SQL Data Warehouse、Azure Synapse

↑

DELTA LAKE †

⾼信頼性、⾼性能 ≒ ⾼品質なデータレイク ≒ レイクハウスの構築

以下を実現する

⾼信頼性
- ACIDトランザクション
- タイムトラベル / スナップショット
- バッチとストリーミング統合（Apache Spark）
- スキーマ妥当性検証とエボリューション

⾼性能
Apache Spark Optimized Engine
- インデックス
- コンパクション
- データスキッピング
- キャッシング

オープンソースのオープンな形式をベース(Parquet)

↑

DELTA ENGINE †

SQL分析・ダッシュボード（要するにウワモノ）の⾼速化を⽀える。

高性能なクエリ・エンジン。

Apache Spark 3.0で開発されている。

SQL や DataFrame?（Spark SQL）のワークロードを加速させる。
- インプットを⾃動的にキャッシュ化
- Apache Sparkのオプティマイザを拡張
- ネイティブ（C++）でベクトル化された実⾏エンジン（Photon）

↑

上モノ †

↑

違い †

↑

OSS版との違い †

...

クラウド・サービス	OSS
DELTA LAKE	DELTA LAKE
DELTA ENGINE	－

↑

Azure HDInsightとの違い †

Apache Sparkに特化している。
Hadoopテクノロジスタックをドロップ
HDFSではない、データソースを使用できる。

↑

上モノ †

↑

多様なユースケース †

さまざまなデータソースから集約された、
⾼品質なデータセットにアクセス可能であるため、
１つのプラットフォーム上で多様なユースケースを実現可能。

Redash
BI レポート&ダッシュボード

↑

Workspace †

機械学習のツールの課題に対するソリューション

データ・サイエンスチームの⽣産性を向上
1つのプラットフォームにて多種多様な
ツール・⾔語・フレームワークを利⽤可能
コラボレーション可能なノートブック

↑

MLflow †

機械学習のデプロイの課題に対するソリューション

標準化された機械学習ライフサイクル
モデル学習→ モデル登録→ モデル⽐較→ 承認ワークフロー→ モデルデプロイ

シームレスにセキュアに機械学習モデルをステージングから本番環境へ連携可能

MLflowトラッキング
- 実験のトラッキングと検索
- レコードとクエリの実験：コード、データ、コンフィグ、結果

MLflowプロジェクト
- 再現可能なプロジェクト
- あらゆるプラットフォームで再現可能なように
  パッケージ化されたデータ・サイエンス・コード

MLflowモデル・レジストリ
- モデル管理とレビュー
- セントラルのレポジトリーにて
  モデルを保存、注釈付与、管理

MLflowモデル・サービング
- 柔軟なデプロイ⽅法
- 機械学習モデルを様々な環境に簡易にデプロイ可能
- RESTエンドポイント

↑

開発 → デプロイ †

↑

開発 †

.NET for Apache SparkガイドのGet started in 10 minutesをやる。

↑

デプロイ †

取り敢えず、.NET for Apache Spark ガイドのデプロイ・コンテンツをやってみる。

※ 無料試用版サブスクリプションは利用不可との事。
　ただし、従量課金制サブスクリプションで14 日間の無料の試用版を使用可能。
　ただし、Databricksユニットには課金されないが、クラスタのVMには課金される。

↑

ワークスペースを作成 †

ワークスペースの作成には数分かかる。

↑

ツールのインストール †

Databricks CLIには、
Python 3.6 以降が必要
https://www.python.org/ftp/python/3.7.4/python-3.7.4.exe

インストールの確認
```
>python
...
```

Databricks CLIのインストール
```
>pip3 install databricks-cli
```

インストールの確認
```
>databricks
...
```

↑

設定 †

認証の詳細を設定
```
>databricks configure --token
```

ホスト URLの入力

Databricks Host (should begin with https://): https://<Location>.azuredatabricks.net

ワークスペース起動
ユーザー設定
トークンを生成
- 取得
- 入力
```
Token: xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
```

↑

アプリの発行 †

ターゲットはubuntu

>dotnet publish -c Release -f netcoreapp3.1 -r ubuntu.16.04-x64

publishしたものをpublish.zipにまとめる。

↑

ワーカーの依存関係のダウンロード †

次のファイルをダウンロードする。

Microsoft.Spark.Worker（ローカル実行で使用したものに対応するLinux版の*.tar.gz）
install-worker.sh
db-init.sh

※ *.shの行の終わりは Unix 形式 (LF) であることを確認
※ https://github.com/dotnet/spark/tree/master/deployment

↑

ファイルのアップロード †

次のファイルをアップロードする（Databricks CLI）

発行したアプリ

publish.zip
input.txt

microsoft-spark-2-4_2.11-1.0.0.jar（ローカル実行で使用したもの）

databricks fs cp input.txt dbfs:/input.txt
databricks fs cp publish.zip dbfs:/spark-dotnet/publish.zip
databricks fs cp microsoft-spark-2-4_2.11-1.0.0.jar dbfs:/spark-dotnet/microsoft-spark-2-4_2.11-1.0.0.jar

依存関係

Microsoft.Spark.Worker（ローカル実行で使用したものに対応するLinux版の*.tar.gz）
install-worker.sh

db-init.sh

databricks fs cp Microsoft.Spark.Worker.netcoreapp3.1.linux-x64-1.0.0.tar.gz 
dbfs:/spark-dotnet/Microsoft.Spark.Worker.netcoreapp3.1.linux-x64-1.0.0.tar.gz
databricks fs cp install-worker.sh dbfs:/spark-dotnet/install-worker.sh
databricks fs cp db-init.sh dbfs:/spark-dotnet/db-init.sh

↑

クラスタの作成 †

Initスクリプトを db-init.sh に設定
db-init.sh 内で install-worker.sh が構成される（$1-3をパラメタライズ）。

※ install-worker.sh は、.NET for Apache Spark 依存ファイルをクラスタのノードにコピーする。

↑

ジョブの作成 †

WebのGUIを使用して、spark-submit を構成

["--class","org.apache.spark.deploy.dotnet.DotnetRunner","/dbfs/spark-dotnet/microsoft-spark-2-4_2.11-1.0.0.jar","/dbfs/spark-dotnet/publish.zip","mySparkApp"]

※ 同様に、多分、引数にinput.txtを足す必要があるのではないか？と。

↑

アプリの実行 †

ここで、Initスクリプトが実行される。
ジョブのクラスタが作成されるまで数分かかる。
新しく構成した Spark クラスタでジョブが実行される。

↑

リソースのクリーンアップ †

リソースグループを削除する。

↑

Azure HDInsightとの比較 †

クラスタの作成中のdb-init.sh 設定＋アプリの実行

≒ スクリプトアクション実行

↑

チュートリアル †

↑

参考 †

↑

YouTube? †

↑

gihyo.jp … 技術評論社 †

2019年10月17日　"データレイク"のスタンダードをめざす ―
Databricks，「Delta Lake」をLinux Foundationに寄贈：Linux Daily Topics
https://gihyo.jp/admin/clip/01/linux_dt/201910/17

↑

クリエーションライン株式会社 †

Azure Databricks の紹介
'#Microsoft #Azure #DataBricks? #spark
https://www.creationline.com/blog/20865

↑

クイックスタート
ワークスペースの作成
- ポータル
- Azure PowerShell
- ARM テンプレート
- 仮想ネットワーク

チュートリアル
- Docker コンテナで稼働している SQL Server に対するクエリ
- Azure Key Vault を使用したストレージへのアクセス
- Cosmos DB サービスエンドポイントの使用
- ETL 操作の実行
- Event Hubs を使用したデータのストリーミング
- Cognitive Services を使用した感情分析