分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向（OSC2015 Kansai発表資料）

Copyright © 2015 NTT DATA Corporation
分散処理基盤Apache Hadoop入門と
Hadoopエコシステムの最新技術動向
株式会社 NTTデータ基盤システム事業本部
OSSプロフェッショナルサービス鯵坂明
2015/08/08
OSC 2015 Kansai@Kyoto

2Copyright © 2015 NTT DATA Corporation
NTTデータ社員 (2011/04～現在)
担当でHadoopを利用したシステムを数多く構築
その利用者からのQ&A対応
Apache Hadoop Committer (2014/12～現在)
ソースコードの変更権限を持つ
世界に100人程度、日本企業だと初
自己紹介：鯵坂明 (あじさかあきら)

Hadoop概要～これまでのHadoop～
Hadoopの最新動向
NTTデータのHadoopコミュニティに対する
取り組み
アジェンダ

Copyright © 2015 NTT DATA Corporation 4
Hadoop概要～これまでのHadoop～

Hadoopとは？
 オープンソースの大規模分散処理フレームワーク
• Googleの基盤ソフトウェアのオープンソース版クローン (GFS, MapReduce)
• Apacheプロジェクト (http://hadoop.apache.org/)
 Yahoo Research の Doug Cutting 氏(現 Cloudera社)が Java で開発
『扱うデータがビッグ(大容量・多件数)であるために、従来のITアーキ
テクチャでは難しかった、もしくは超高コストでしか実現できなかった
データ活用が可能となる』
Dougさんのお子さんの
お気に入りだったぬいぐるみ

 集中管理型の分散システム
Hadoopの構成
Hadoopマスタサーバ
Hadoopスレーブサーバ群
Hadoopクライアント
NameNode
DataNode
DataNode
DataNode
DataNode
JobTracker
TaskTracker
TaskTracker
TaskTracker
TaskTracker
スレーブサーバは、
分散処理の実行や
データの実体を保存
データ管理や
分散処理ジョブの管理は
マスタサーバが実施

 大きく２つのコンポーネントで構成
 分散ファイルシステム
HDFS
 並列分散処理フレームワーク
MapReduceフレームワーク
Hadoopの構成するコンポーネント
データを
貯める機能を
提供
貯めたデータを
処理する機能を
提供

Hadoopとは
集中管理型の分散システムで
HDFSとMapReduceフレームワークの
２つのコンポーネントにより
並列分散処理を実現するミドルウェア

 分散ファイルシステム
HDFSとは
NameNode
DataNode
DataNode
DataNode
DataNode
DataNode
一つのファイルシステムを
構成
複数のサーバを束ねて、

 外から見ると、１つの巨大なファイルシステム
HDFSの外からの見え方
NameNode
DataNode
DataNode
DataNode
DataNode
DataNode
hdfs dfs -put
HDFSへの
命令

 外から見ると、１つの巨大なファイルシステム
HDFSの外からの見え方
NameNode
DataNode
DataNode
DataNode
DataNode
DataNode
hdfs dfs -ls
-rw-r--r-- 3 tester hadoop 129 2015-02-28 12:00 /user/tester/test.txt
所有者権限作成日時

 分散ファイルシステムの舞台裏では
HDFSの舞台裏
NameNode
DataNode
DataNode
DataNode
DataNode
DataNode
入力ファイルは、
ブロックサイズで分割
される
※分割したものをブロックと呼ぶ
④
①
②
③

 分散ファイルシステムの舞台裏では
HDFSの舞台裏
NameNode
DataNode
DataNode
DataNode
DataNode
DataNode
各ブロックは複製（レ
プリケーション）され、
スレーブサーバに格納
される
④
①
②
③
①
①
①
②
②
②
③
③
③
④
④
④
レプリカは異なる
３サーバに配置される

 MapReduceアルゴリズム
 大量の件数のデータがあった時に、
複数ワーカーで並列に処理できる仕組み
 例として、選挙の開票作業を想定
- 複数人で作業を分担して実施
- 最初に、投票用紙を分けて、
みんなで並行して候補者別に用紙を仕分ける
- 次に、候補者別の用紙を1カ所にまとめて、
それぞれの枚数を数える
MapReduceって？

MapReduce （アルゴリズム）
①用紙を適当に3つに分ける第1段階
第2段階
第3段階
a氏 e氏
③候補者ごとに
用紙を集める
d氏c氏b氏
Aさん Bさん Cさん
・・
・
・・
・
・・
・
a氏 b氏 e氏 a氏 b氏 e氏 a氏 b氏 e氏
②3人で並行して、
候補者ごとに用紙を
仕分ける
④3人で並行して、
候補者ごとに
枚数を数える
a氏の得
票数
b氏の得
票数
d氏の得
票数
e氏の得
票数
c氏の得
票数
投票
結果
Bさん CさんAさん

①用紙を適当に3つに分ける
・・
・
・・
・
・・
・
仕分ける
第1段階
第2段階
第3段階
a氏 e氏
用紙を集める
d氏c氏b氏
候補者ごとに
枚数を数える
a氏の得
票数
b氏の得
票数
d氏の得
票数
e氏の得
票数
c氏の得
票数
投票
結果
Map処理
データを分類・仕分け
Reduce処理
分類・仕分けされた
データごとに処理

・・
・
・・
・
・・
・
仕分ける
第1段階
第2段階
第3段階
a氏 e氏
用紙を集める
d氏c氏b氏
候補者ごとに
枚数を数える
a氏の得
票数
b氏の得
票数
d氏の得
票数
e氏の得
票数
c氏の得
票数
投票
結果
M人でやれば M倍のスピード
（相互に影響を受けずに作業できる）
N人でやれば約N倍のスピード
（相互に影響を受けずに作業できる）

MapReduceジョブ
・・
・
・・
・
・・
・
投票者別に用紙を
仕分ける
第1段階
第2段階
第3段階
a氏 e氏
③投票者ごと
用紙を集める
d氏c氏b氏
投票者ごとに
枚数を数える
a氏の得
票数
b氏の得
票数
d氏の得
票数
e氏の得
票数
c氏の得
票数
投票
結果
Map処理
データを分類・仕分け
Reduce処理
分類・仕分けされた
データごとに処理
MapReduce
ジョブ
Map
タスク
Map
タスク
Map
タスク
Reduce
タスク
Reduce
タスク
Reduce
タスク

 MapReduceジョブを実行するフレームワーク
MapReduceフレームワークの外からの見え方
JobTracker
TaskTracker
TaskTracker
TaskTracker
MapReduce
ジョブ
HDFS
MapReduceジョブhadoop jar サンプルジョブ.jar
M R
Map
タスク
Map
タスク
Map
タスク
Map
タスク
Reduce
タスク
Reduce
タスク
Reduce
タスク
Reduce
タスク
HDFSから読み込み
HDFSに書き込み

 HDFS
 大量データを高スループットに読み込める
 サーバが故障しても、データの安全性は担保
 サーバ数を増やせば、格納できるデータ量はスケールする
 MapReduceフレームワーク
 Mapタスク、Reduceタスクのみ指定すれば、
（原則はJavaで処理を記述）
あとはフレームワークが並列分散処理を実現
 サーバが故障しても、タスクが再実行され、ジョブは成功
 サーバ数を増やせば、処理性能は基本スケールする
Hadoopの特徴

 HDFS
 大量データを高スループットに読み込める
 サーバが故障しても、データの安全性は担保
 サーバ数を増やせば、格納データ量はスケールする
 MapReduce
 Mapタスク、Reduceタスクのみ指定すれば、
（原則はJavaで処理を記述）
あとはフレームワークが並列分散処理を実現
 サーバが故障しても、タスクが再実行され、ジョブは成功
 サーバ数を増やせば、処理性能は基本スケールする
Hadoopの特徴
並列分散処理の
面倒な部分を
解決してくれる
ミドルウェア

Hadoopは「貯める」「処理する」機能に特化。Hadoop
を活用した大量データ分析を実現するため、様々な
周辺ツールが出現。エコシステムが広がった。
エコシステムを形成

MapReduceフレームワークを直接Javaで記述すると、
コード行数が増えることは避け難く、アプリケーション
の生産性が課題となる。
分散処理を記述するためのAPIは提供されているが、
適切なプログラムの記述のためにはアプリ実装者が覚
えることが多いのも事実…
エコシステム～アプリ記述の抽象化・ライブラリ化～
Map?
Reduce?
Partitioner??
Combiner??

Apache Hive
HiveQLというSQLライクな言語でMapReduceを実行
Apache Pig
Pig Latinという独自の言語でMapReduceを実行
Apache Mahout
機械学習アルゴリズムのMapReduce実装のライブラリ
エコシステム～アプリ記述の抽象化・ライブラリ化～
hive> SELECT COUNT(uid) FROM access_log GROUP BY date;
A = LOAD 'data' USING PigStorage() AS (f1:int, f2:int, f3:int);
B = GROUP A BY f1;
（省略）
$ mahout kmeans --input inputfile --output outputfile

HDFS HDFSHDFS
よくある疑問
MapReduceフレームワークの縛りは厳しそうだけど、
SQLのような複雑な処理を実現できるの？
YES！MapReduceを複数段組み合わせることで、
様々な処理が実現できる
M R
M R
M RM
GROUP BY + 集約関数
JOIN(結合処理)
SELECT(射影)やWHERE(選択)
HDFS
JOIN(結合処理)

分析対象のデータをHDFSに格納することも課題とな
る
既存のRDBMSに格納したデータを移動して利用したい
Ｗｅｂアクセスログやシステムログなど、多数のサーバで
発生するログを効率よく収集したい
エコシステム～データ連携～
処理毎に使い捨てスクリプトを書く？
エラーハンドリングや耐障害性など担保
すべきことも多い…

Apache Sqoop
RDBMS-Hadoop間のデータ連携ツール
Apache Flume
ログ収集のための分散フレームワーク
エコシステム～データ連携～
MapReduce
Sqoop
RDBMS
HDFS
import
export
内部的にはMapReduceが動
作。並列でRDBとテーブルの
情報をやりとりする。
HDFS
ログ
ログ
ログ

Hadoopコア部分に加えてエコシステムが充実するこ
とで、データの収集や分析など、「大量データ活用」を
身近なものにした。
エコシステムの浸透
HDFS
MapReduce
PigHive Mahout
HBase
SqoopRDBMS
外部システム
Flume

Hadoopの最新動向

Hadoopとエコシステムはユーザーとともに進化を遂
げた。活用事例の増加や取り巻く環境の変化から、
新たな潮流が生まれる…
Hadoopと周辺環境の変化
•一部のユーザは数千台クラスのHadoopクラスタを構築・利用クラスタ”超”巨大化
•企業の利用拡大に伴い、Hadoopにアクセスしてデータ分析をする
利用者が増えたアクセスユーザ増加
•大量データ活用が一般的になるにつれて、「速報値を知りたい」
「もっとインタラクティブに分析したい」といった要求が生まれるデータ処理高速化の追求
•Hadoop黎明期はサーバあたりのメモリ4～8Gが一般的だったが、
現在は100GB以上のメモリを積んだサーバも普及。ハードウェアの進化
主な”変化”の例

近年のHadoopおよびエコシステムについて、
以下の3点について最新動向を紹介
近年のHadoopの潮流
クラスタ”超”巨大化
アクセスユーザ増加
データ処理高速化の追求
ハードウェアの進化
1.YARN登場
2.新たな並列分散処理エンジンの出現
3.非機能面の強化

YARNの前に：Hadoop1系、Hadoop2系について
 Hadoop1系は2007年から開発が始まり、安定化志向。2014年6月に開発は凍結。
 Hadoop2系は2012年に分岐。根本のアーキテクチャに変更を入れ、現在も進化を続けている。
20142010 2011 201320122009
branch-2
2.2.0
2.3.0
2.4.02.0.0-alpha
2.1.0-beta
branch-1
(branch-0.20)
1.0.0 1.1.0 1.2.1(stable)0.20.1 0.20.205
0.22.0
0.21.0
New append
Security
0.23.0
0.23.11(final)
NameNode Federation, YARN
NameNode HA
2015
2.5.0
2.6.0
これまでお伝えした範囲
これからお伝えする範囲
2.7.0

 YARN = Yet Another Resource Negotiator
YARN登場
分散ファイルシステム
HDFS
バッチ処理
MapReduce
Hadoop 1
分散ファイルシステム
HDFS
バッチ処理
MapReduceV2
Hadoop 2
リソース制御
YARN
「蓄積+処理」の構成からリソース制御を切り出した

MRv1とMRv2との比較 (ノード構成)
JobHistoryServer
NodeManager
TaskTracker
タスクプロセスタスクプロセスタスクプロセス
Hadoop 1系 Hadoop 2系
HDFS HDFS
JobTracker
ResourceManager
TaskTracker
NodeManager
ジョブ履歴
管理
リソース
管理
タスクプロセス
MRv1
MRv2
YARN
リソース
管理
ジョブ・タス
ク管理
TimelineServer
コンテナ
Application Master
コンテナコンテナコンテナコンテナタスクプロセス

YARNの意義
リソース制御を分離することで…
つまり何が嬉しいの？
柔軟なリソース制御による
スループット向上
Hadoopのスケーラビリティを
さらに向上させる
MapReduce以外の分散処理を実行できる

マスターサーバの負荷軽減
TaskTracker
ジョブ/アプリケーション管理のイメージ
JobTracker
TaskTracker TaskTracker TaskTracker TaskTracker
Hadoop1系
クライアントジョブAお願いします。

TaskTracker
JobTracker
Hadoop1系
クライアント
了解です。
Aさんは○○、Bさんは○○をお願いします。
定期的に進捗報告もお願いします。

TaskTracker
JobTracker
ジョブAのタスク1、50%終わりました。
余裕あります。
ジョブAのタスク2、30%終わりました。
忙しいです。
ジョブ Hadoop1系

TaskTracker
JobTracker
ジョブAのタスク02を50%終わりました。
ジョブCのタスク01を完了しました。
余裕あります。
ジョブAのタスクA30%終わりました。
ジョブBのタスクBを50%終わりました。
忙しいです。
ジョブ
マスターサーバの管理コストが多く、
メンバが増えるとボトルネックに…
Hadoop1系
3000～4000ノードで限界といわれている

NodeManager
Resource
Manager
NodeManager NodeManager NodeManager NodeManager
余裕あります。忙しいです。
YARN
ResourceManagerには余力（≒リソース）を通知

NodeManager
Resource
Manager
YARN
アプリAお願いします。クライアント
YARNでは
ジョブ× → アプリケーション○

NodeManager
Resource
Manager
アプリAの取りまとめお願いします。
リソースが必要であれば連絡ください。
アプリケーション
YARN
仕事(アプリケーション)の管理はメンバに依頼
取りまとめ役(ApplicationMaster)になる

NodeManager
Resource
Manager
アプリAの取りまとめお願いします。
リソースが必要であれば連絡ください。
アプリケーション
YARN
任命されたApplicationMasterは
ResourceManagerにリソースの要求が可能
Application Master

NodeManager
Resource
Manager
了解です。
○○だけリソースお願いします。
YARN

NodeManager
Resource
Manager
○割の仕事は
Bさんの指示に従ってください。
YARN

NodeManager
Resource
Manager
タスクＡは進捗50%です。
タスクBは進捗20%です。
YARN
タスク毎の進捗状況はApplicationMasterが管理

NodeManager
Resource
Manager
YARN
ApplicationMasterはアプリケーションの進捗状況をRMに通知
アプリAの進捗70%です

NodeManager
Resource
Manager
マスターサーバの管理コストが減り、
多数のメンバを管理できる（スケーラビリティ向上）
アプリAの進捗70%です
アプリBの進捗30%です
YARN
10000ノード程度のクラスタも構成可能に！

コンテナ単位でリソースを柔軟に払い出す
Hadoop 1系 Hadoop 2系
TaskTracker NodeManager
Map
タスク
Map
タスク
Map
タスク
Reduce
タスク
Reduce
タスク
Map
タスク
Map
タスク
Map
タスク
Reduce
タスク
Mapタスク、Reduceタスクの並列数は、
それぞれに設定したスロット数で制限される。
利用可能な仮想CPU、メモリを制限したコン
テナという単位でリソースを払いだす。
(Map、Reduceの区別は無い)
Mapスロット Reduceスロットコンテナ
単一サーバ上での並列実行数管理のイメージ
リソース
(VCPU / メモリ)
Application
Master
柔軟なリソース管理やリソースオーバーコミット防止は、
スループットの向上につながる

MapReduceは、ディスクIOを並列化することでスルー
プットを最大化するが、低レイテンシな処理は苦手。
新たな並列分散処理エンジンの出現
M RM R
Reduce処理
MapReduce
ジョブ・・・
M
M R
M R M R
・・・
・・・
・・・
・・・
Map処理
・・・・・・
HDFS
HDFSHDFS
HDFS
ApplicationMaster
MapReduceのフレームワークの縛りの中で複雑な処理を行うには、多数のMapReduceを組み
合わせることになる。都度HDFSに中間データを書き出すためのオーバーヘッドや、ジョブ
(ApplicationMaster)の起動のオーバーヘッドは分析処理の遅延に繋がる。
HiveやPig(on MapReduce)による一連の処理のイメージ
HDFSに書き出し
HDFSから読み出し

MapReduceで実現が難しいデータ処理の課題に対
して、新たな分散処理フレームワーク・実行エンジン
が出現。
新たな並列分散処理エンジンの出現
次ページより概要を紹介します！
分散ストリーム処理
SQLライクなインターフェース
+ 実行エンジン
分散機械学習フレームワーク
分散処理エンジン

Apache Spark : Hadoop上で動作する低レイテンシ技術
 Apache Spark : 大規模データの分散処理をオンメモリで実現
• データ処理を極力メモリ上で実現するため、高速な処理を実現
• Hadoop MapReduceが不得意な繰り返し処理に威力を発揮
• 機械学習やHadoop MapReduceよりも短時間で処理したいものが得意領域
RDD（Resilient Distributed Dataset）の変換で処理を表現
RDD RDD RDD
Stage Stage
RDD
Sparkができるだけ
処理をまとめこむ
ユーザ定義の
処理の流れ
Sparkによる
実際の処理ステージ間は
シャッフルが発生
変換変換変換出力入力
Stageに基づいて
サーバ群がタスク実行

Apache Spark : コアを中心に成り立つライブラリ
Apache Spark（コア）
Spark SQL
Spark
Streaming
MLlib GraphX
ＳＱＬで書けるストリーム処理できる
機械学習できる
統計処理できるグラフ処理できる
Scala、Java、Pythonで分散処理を書ける
高度な処理を実現するための標準ライブラリが充実
メモリを活用したアーキテクチャ、インタラクティブにも処理を記述できる仕組み、便利なライブ
ラリなど、分析担当者に嬉しい機能が多い。

SparkやStormは元々Hadoopとは独立したプロジェク
トだったが、機能追加によりYARN上での動作が可能
に。(TezはYARNでの実行を前提としている)
メリット
- 専用のクラスタを構築する必要が無く、必要なリソースを払いだしながら多様
な分析処理を実行できる
- 同一のデータ(HDFS)にアクセスできる。(データを移動させる必要が無い)
YARNで、Hadoopに乗る
MRv2
PigHive
HDFS
YARN
Tez Spark Storm
MLlib Streaming
…
SQL GraphX
スケーラブルなデータストアの上で、様々な分析処理のワークロードが動作。
「Hadoopはビッグデータの”OS”カーネル」という声も。
http://itpro.nikkeibp.co.jp/article/NEWS/20140708/569985/

エンタープライズ用途でより活用されるために、高い
非機能要求に対応するための機能拡張も進んでい
る
以下の観点で、Hadoop2系で追加された機能を紹
介します
可用性
セキュリティ
堅牢なHadoopに向けて

 Hadoop1系まではマスターサーバはSPOF(単一障害点)
 他のHA系コンポーネントを組み合わせることで冗長化していた
 現在は、Hadoopの機能としてマスタサーバのHA機能を提供
 他のHA系コンポーネントと組み合わせるよりも少ないダウンタ
イムでフェールオーバが可能に
 MRv2やTezのジョブ実行中にフェールオーバが発生しても、
処理は正常に継続する
 ユーザがジョブを再投入する必要はない
可用性 : SPOFは無い！

 Hadoopクラスタへアクセスするユーザ・組織の増加や、クリ
ティカルなデータをHadoopで保持する事例も増え、セキュリ
ティ機能も強化されている。
 HDFS Transparent Encryption
 ファイルを暗号化してDataNodeに書き込む
 HDFS ACL
 細かな粒度でHDFSへのアクセス権限を制御する
セキュリティ：暗号化 / ACL
-rw-r--r-- 3 tester hadoop 129 2015-02-27 12:00 /user/tester/test.txt
例: $ hdfs dfs –setfacl –m group:hive:rw- /user/tester/test.txt
上記のコマンドで、hiveグループにも書き込みの権限を付与可能。アクセス制御が柔軟に。
DataNode
DataNode中のデータに
直接アクセスしても読めない
クライアントやアプリケーションか
らは透過的にデータが読める

 お話した内容
 YARN登場
 新たな並列分散処理エンジンの出現
 非機能面の強化
Hadoopの最新動向のまとめ
根本的なアーキテクチャも見直しを入れて
Hadoopはさらに進化をつづけている
Hadoopがユーザへ浸透することで生まれた新たな課題
に対しても、様々なエコシステムが生まれ活用されている
大量データ保持・活用の様々な課題に対する
Hadoopの適用領域は広がりつづけている

NTTデータのHadoopコミュニティに対する取り組み

 Hadoopを多数運用してきたことで得られた知見をもとに、
改善提案をコミュニティにフィードバックしています
運用上特に問題となるバグの改修
- HDFS-6833: データロストが起こる可能性がある問題の修正
- HDFS-6945: NameNodeのメモリリークの修正
利用者向けのドキュメントの拡充
- HADOOP-10139: 擬似分散クラスタ構築用ドキュメントの更改
- HADOOP-6350, YARN-2157: メトリクスのドキュメントを追加
運用、トラブルシュートを便利にする機能の開発
- HDFS-5274: HDFSにTracingの機能を実装
- HDFS-5978: OfflineImageViewerにREST APIを実装
コミュニティへの貢献

開発面におけるHadoopコミュニティへの貢献
NTTデータはHadoopコミュニティにおいて世界有数のコントリビュータ(貢献企業)として活動しています。
商用環境においてHadoopを多数運用してきたことで得られた知見をもとに、Hadoopに対する改善提案をコミュニ
ティにフィードバックしています。事象の報告にとどまらずHadoop本体への開発も行っています。運用上特に問題と
なるバグの改修や、利用者向けのドキュメントの拡充のためのパッチを投稿し、コミュニティに貢献しています。
解決済みissue数
2014年 Hadoopコミュニティ貢献指標
Hadoop専業ベンダのHortonworksやCloudera、Hadoopを開発したYahoo! Inc.に
次いで、NTTデータもHadoopコミュニティにグローバルレベルで貢献しています。
貢献コード行数
244,975
131,609
30,595
第6位
21,78023,197 30,595 20,540
14,764 14,534
第4位
370
274
195
85
174
119
72
45 45

 小沢健史
 日本電信電話株式会社ソフトウェアイノベーションセンタ
 鯵坂明
 株式会社NTTデータ基盤システム事業本部
 岩崎正剛
 猿田浩輔 NEW!
コミッタ（主要開発者）に就任
Hadoop
Hadoop
HTrace
Spark

 Hadoopは1台のマシンで扱えない規模の大量データを高速に処理する
ためのフレームワークです
 数台から始めて、数千台(データ量にして数十PB)までスケールアウトします
 Hadoopエコシステムの開発の勢いは今も活発です
 性能面、運用面で便利な機能がどんどん追加されています
 より低レイテンシな分散処理フレームワークや分析のためのライブラリも充実し、大
量データ活用の可能性を広げています
 NTTデータも、Hadoopの開発に参戦しています
 バグフィックスや、運用を便利にするための機能開発に取り組んでいます
 国内初のコミッタ輩出！さらなる開発力の向上を目指しています
まとめ

お問い合わせ先：
株式会社ＮＴＴデータ基盤システム事業本部
OSSプロフェッショナルサービス
URL: http：//oss.nttdata.co.jp/hadoop
メール： hadoop@kits.nttdata.co.jp TEL： 050-5546-2496

分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向（OSC2015 Kansai発表資料）

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie 分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向（OSC2015 Kansai発表資料）

Ähnlich wie 分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向（OSC2015 Kansai発表資料） (20)

Mehr von NTT DATA OSS Professional Services

Mehr von NTT DATA OSS Professional Services (20)

Kürzlich hochgeladen

Kürzlich hochgeladen (10)

分散処理基盤ApacheHadoop入門とHadoopエコシステムの最新技術動向（OSC2015 Kansai発表資料）