Evolución de BigData

@MercadoLibre

2014

Big Data Hoy

● 154 nodos fisicos● 1.9 PB de espacio disponible● ~ 7 Tb de RAM● ~ 3000 cores

Big Data Hoy - Crecimiento Diario

● ~= 4Tb de datos nuevos x Dia● > 10.000.000.000 Rows nuevas x Dia

Big Data Hoy - En cosas cotidianas

500.000 DVD’s

Big Data Hoy - En cosas cotidianas

1800 Mac Book Pro

Usos de BigData @ MELI

● Mejora de experiencia al Usuario

● Log Mining● Ad Hoc Análisis

Como empezamos ?

Algo de Historia

Algo de Historia

Algo de Historia

● Año 2011● 6 Nodos● 48Tb● 192 Gb de Ram● 72 Cpu’s

Algo de Historia

“Con que datos comenzamos?”

Algo de Historia

Almacenamiento de la Plataforma de Traqueo

PixelOld Storage Filer

Algo de Historia

Almacenamiento de la Plataforma de Traqueo

Pixel

Old Storage Filer

Hadoop Uploader & Compresor

Algo de Historia

public static class Map extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> { private final static IntWritable one = new IntWritable(1); private Text word = new Text();

public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException { String line = value.toString(); StringTokenizer tokenizer = new StringTokenizer(line); while (tokenizer.hasMoreTokens()) { word.set(tokenizer.nextToken()); output.collect(word, one); } } }

public static class Reduce extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> { public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException { int sum = 0; while (values.hasNext()) { sum += values.next().get(); } output.collect(key, new IntWritable(sum)); } }

public static void main(String[] args) throws Exception { JobConf conf = new JobConf(WordCount.class); conf.setJobName("wordcount");

conf.setOutputKeyClass(Text.class); conf.setOutputValueClass(IntWritable.class);

conf.setMapperClass(Map.class); conf.setCombinerClass(Reduce.class); conf.setReducerClass(Reduce.class);

conf.setInputFormat(TextInputFormat.class); conf.setOutputFormat(TextOutputFormat.class);

FileInputFormat.setInputPaths(conf, new Path(args[0])); FileOutputFormat.setOutputPath(conf, new Path(args[1]));

JobClient.runJob(conf); }

Algo de Historia

Algo de Historia

● Facil de explicar y usar (SQL)● Soporte de UDFS● Particionamiento de la información

simple● JDBC

Algo de Historia

SELECT count(1) FROM tracking WHERE ds>=’2014-09-16 00:00:00’AND ds>=’2014-09-16 23:59:59’AND PAGE_ID=’HOME’

Algo de Historia

Hadoop facil y disponible para todos

“Tenemos un entorno sobre el que hacer procesos batch y discovery. Entonces Manos a la obra.”

Proyectos

Recommendations

Proyectos - Recommendations

Premisa: “Si una serie de usuarios ven productos similares, entonces les interesan las mismas cosas (en un momento

dado)”

Proyectos - Recommendations

Session Categoria Score

1 MLA1051 30

1 MLA1052 45

2 MLA1051 15

2 MLA1052 25

2 MLA1053 18

Proyectos - Recommendations

Categ Origen Categ Recommendada Score

MLA1051 MLA1052 70

MLA1051 MLA1053 18

MLA1052 MLA1051 30

MLA1052 MLA1053 18

....

....

Proyectos - RecommendationsCREATE TEMPORARY FUNCTION category_encode AS 'com.ml.utils.udf.intdecode.CategoryEncode';CREATE TEMPORARY FUNCTION generate_score AS 'com.ml.utils.udf.score.GenerateScore';

INSERT OVERWRITE TABLE rc_user_relationsselect main.user,main.categ, if(main.score>100,100,main.score) from ( select user_hash as user , category_encode(request_data['_categid']) as categ, sum(generate_score(ds,31,3)) as score from tracking

where ds>='${startDate}' and

ds<='${endDate}' and user_id <> "" and user_hash<>"0" and page_id='PAGE_ID_VIP' and request_data['_categid'] <> "" and request_data['_categid'] is not null and request_data['_categid'] RLIKE "^[A-Z]{3}[0-9]+$" group by user_id, category_encode(request_data['_categid']) ) main

INSERT OVERWRITE TABLE rc_categ_recommendations SELECT ur1.categ_id as categ, ur2.categ_id as categ_recommend,

sum(ur1.score) as tot FROM rc_user_relations ur1

JOIN rc_user_relations ur2 on ur1.cust_id=ur2.cust_id WHERE ur2.score>6

AND ur1.categ_id <> ur2.categ_id group by ur1.categ_id, ur2.categ_id

order by categ, categ_recommend, tot desc;

Proyectos - Recommendations

“Buenisimo!!! Podemos calcular recomendaciones, pero… Esta info es Batch, como la mostramos a

nuestros usuarios”

Proyectos - Recommendations

Recommendations Api RedisDB

On-Line

Proyectos - Suggestions

Suggestions

Proyectos - Suggestions

● Calculamos lo más buscado del último año (> 50M de búsquedas distintas)

● Subimos esta data a un storage temporal● Cargamos la data a un cluster de árboles de

prefijos

SWIFT

Proyectos - Suggestions

Proxy MLA

Shard 0

Shard 1

Shard N

Otras fuentes de Datos

Otras fuentes de datos

● Load Balancer access-log● MercadoClics (clics/prints)● Scoring & Fraude● Seguridad

“Hasta aca pudimos resolver problemáticas Batch, el problema surgió cuando se necesito empezar a contar con

la información más rápido”

Real-Time

● Poder contar con la información a medida que se genera (t < 10s)

● Poder tomar acciones de forma instantánea

● Permitir a cualquier proyecto consumir los datos

● Poder trabajar sobre todo el volumen de información

Real-Time

Real-Time - Nueva Plataforma de Tracking

Load Balancer

WS

Stream

Hadoop

Real Time Consumers

Real-Time - Nueva Plataforma de Tracking - Stream

Sources

Complementador

Pipeline Consumidores

1

N

Real-Time - Por que Kafka?

● Escalabilidad Horizontal● Poco consumo de recursos● Rapido● Soporte de volúmenes muy elevados de tráfico● Confiable

Real-Time - Por que Kafka?

Proyecto usando Real-Time

Filter and Process

Std-INKReader

API

Stream

“Tenemos off-line y on-line, para BigData, que pasa con un warehouse tradicional? ”

DataWarehouse

DataWarehouse

Extract and Summarize Process

DataWarehouse

Proximos Pasos...

Proximos Pasos

● Real Time Analytics Query○ Impala○ Presto○ Shark

● Spark como remplazo a MapReduce● Consumo simple del Stream