빅데이터 기본 개념 Yonsei University 2 nd Semester, 2015 Sanghyun Park * The slides are from the book “ 시작하세요 ! 하둡 프로그래밍 : 기초부터 실무까지 하둡의 모든 것 ” written by 정재화 ( 위키북스, 2012)

목차  빅데이터란 ?  빅데이터의 3 대 요소  빅데이터의 출현 배경  하둡이란 ?  왜 하둡인가 ?  하둡 에코시스템

빅데이터란 ?  데이터의 규모에 초점을 맞춘 정의 기존 데이터베이스 관리도구의 데이터 수집, 저장, 관리, 분석 역량을 넘어서는 데이터 ( 맥킨지 2011 년 5 월 )  업무 수행 방식에 초점을 맞춘 정의 다양한 종류의 대규모 데이터로부터 저렴한 비용으로 가 치를 추출하고, 데이터의 빠른 수집, 발굴, 분석을 지원하 도록 고안된 차세대 기술 및 아키텍처 (IDC 2011 년 6 월 )

빅데이터의 3 대 요소 (3V)  BI/DW 리서치 기관인 TDWI 가 빅데이터의 3 대 요소 (3V) 를 그림으로 표현  3 대 요소 가운데 두 가지 이상의 요소만 충족된다면 빅데 이터라고 볼 수 있음

크기 (Volume) (1)  일반적으로 수십 테라바이트 (terabyte) 혹은 수십 페타바 이트 (petabyte) 이상이 빅데이터의 범위에 해당  1 테라바이트는 1024 기가바이트 (gigabyte)  1 페타바이트는 1024 테라바이트  1 페타바이트는 6 기가바이트 DVD 영화를 17 만 4 천 편 담을 수 있는 용량

크기 (Volume) (2)  빅데이터는 기존 파일 시스템에 저장하기 어려울 뿐 아니라 데이터 분석을 위해 사용하는 기존 DW 같은 솔루션에서 소화 하기 어려울 정도로 급격하게 데이터의 양이 증가하고 있음  이러한 문제를 극복하려면 확장 가능한 방식으로 데이터를 저 장하고 분석하는 분산 컴퓨팅 방식으로 접근해야 함  현재 분산 컴퓨팅 솔루션에는 구글의 GFS, 아파치의 하둡 등 이 있음  대용량 병렬 처리 데이터베이스로는 EMC 의 GreenPlum, HP 의 Vertica, IBM 의 Netezza, 테라데이터의 Kickfire 등이 있음

속도 (Velocity)  빅데이터의 속도적인 특징은 크게 실시간 처리와 장기적인 접 근으로 나눌 수 있음  오늘날 디지털 데이터는 매우 빠른 속도로 생성되기 때문에 데이터의 수집, 저장, 분석 등이 실시간으로 처리돼야 함  모든 데이터가 실시간 처리만을 요구하는 것은 아님  수집된 대량의 데이터를 다양한 분석 기법과 표현 기술로 분 석해야 하는데, 이는 장기적이고 전략적인 차원에서 접근할 필요가 있음  통계학과 전산학에서 사용하는 데이터 마이닝, 기계 학습, 자 연어 처리, 패턴 인식 등이 분석 기법에 해당함

다양성 (Variety)  데이터는 정형화 정도에 따라 정형 (Structured), 반정형 (Semi- Structured), 비정형 (Unstructured) 으로 구분  정형 데이터는 고정된 필드에 저장되는 데이터를 의미하며, 일정한 형식을 갖추고 있음  반정형 데이터는 고정된 필드로 저장되지는 않지만, XML 이 나 HTML 같이 메타데이터나 스키마 등을 포함  비정형 데이터는 고정된 필드에 저장되지 않는 데이터를 의미 함. 사진, 동영상, 메신저로 주고 받은 대화 내용, 스마트폰에 기록되는 위치 정보, 통화 내용 등이 이에 해당  빅데이터는 비정형 데이터도 처리할 수 있어야 함

빅데이터의 출현 배경 (1)  스마트폰과 같은 디지털 기기의 보급과 소셜네트워크서 비스 (SNS) 의 부상으로 엄청난 양의 데이터가 생산되고 있음  빅데이터는 기업, 정부, 의료, 교육 분야에서 그 가치가 입증되고 있음  빅데이터를 적극적으로 활용하는 기업은 비즈니스 성과 를 개선할 수 있음  글로벌 패션기업인 자라 (ZARA) 는 빅데이터 분석을 통해 상품 공급 프로세스를 혁신하고 재고 수량을 최적화함으 로써 매출과 영업이익을 크게 증대시켰음

빅데이터의 출현 배경 (2)  빅데이터는 의료 분야에서도 적용이 확대되고 있음  최근 일본 IBM 과 도호대학은 의료정보를 분석해 미래 질병을 예측할 수 있는 시스템을 개발했다고 발표함 ( 의료 기록에 텍 스트 분석 기술을 적용 )  DNA 연구 분야에서도 빅데이터 기술이 활발하게 적용되고 있 음 ( 인간의 DNA 를 구성하는 염기서열 1 쌍당 4 테라바이트의 이미지 데이터가 생성 )  국가 차원에서도 빅데이터에 대응하기 위한 다양한 정책이 발 표되고 있음 ( 미국 백악관, 일본 총무성과 국가전략회의 )

하둡이란 ? (1)  하둡은 대용량 데이터를 분산 처리할 수 있는 자바 기반 의 오픈소스 프레임워크  하둡은 2005 년에 더그 커팅 (Doug Cutting) 이 구글이 논 문으로 발표한 GFS(Google File System) 와 맵리듀스 (MapReduce) 를 구현한 결과물  처음에는 오픈소스 검색 엔진인 너치 (Nutch) 에 적용하기 위해 시작됐다가 이후 독립적인 프로젝트로 만들어졌고, 2008 년에는 아파치 최상위 프로젝트로 승격되었음

하둡이란 ? (2)  하둡은 분산 파일 시스템인 HDFS(Hadoop Distributed File System) 에 데이터를 저장하고, 분산 처리 시스템인 맵리듀스를 이용해 데이터를 처리  더그 커팅이 자신의 아들이 노란 코끼리 장난감 인형을 하둡이라고 부르는 것을 듣고 하둡이라는 이름을 지었음. 그래서 하둡의 로고로 노란 코끼리가 사용되는 것임  이러한 프로젝트 네이밍 룰 때문에 이후 하둡 관련 서브 프로젝트도 모두 동물과 관련된 이름을 사용

왜 하둡인가 ? (1)  정형 데이터의 경우 기존 RDBMS 에 저장할 수 있지만 웹 로그 같은 비정형 데이터를 RDBMS 에 저장하기에는 데이터 크기 가 너무 큼  하둡은 오픈소스 프로젝트이기에 소프트웨어 라이선스 비용 에 대한 부담이 없음  값비싼 유닉스 장비를 사용하지 않고, x86 CPU 에 리눅스 서 버면 얼마든지 설치하고 운영할 수 있음. 데이터 저장 용량이 부족할 경우, 필요한 만큼 리눅스 서버만 추가하면 됨  하둡은 데이터의 복제본을 저장하기 때문에 데이터의 유실이 나 장애가 발생했을 때도 데이터의 복구가 가능함

왜 하둡인가 ? (2)  기존 RDBMS 는 데이터가 저장된 서버에서 데이터를 처리하 는 방식이지만, 하둡은 여러 대의 서버에 데이터를 저장하고, 데이터가 저장된 각 서버에서 동시에 데이터를 처리하는 방식 임  하둡의 저렴한 구축 비용과 비용 대비 빠른 데이터 처리, 장애 를 대비한 특성은 많은 기업들의 구미를 당기게 했음  하둡은 초기에 야후에서만 주도적으로 사용됐지만, 현재는 아 마존, 이베이, 페이스북, 마이스페이스 등 글로벌 서비스 업체 에서 주로 이용함  국내에서는 NHN, DAUM 과 같은 포털 기업과 KT, SKT 같은 통신업체에서 사용함

왜 하둡인가 ? (3)  EMC, IBM, 테라데이터, 오라클, 델, 마이크로소프트, HP 등은 하둡과 관련된 제품을 쏟아내며 마케팅을 강화  미국에서는 클라우데라, 호튼웍스와 같은 하둡 컨설팅 업체들이 활발히 활동  국내에서는 그루터, 넥스알, 클라우다인 같은 기업들이 하둡과 연계한 자체 솔루션을 선보이고 있음

하둡 에코시스템 (1)  하둡은 비즈니스에 효율적으로 적용할 수 있게 다양한 서브 프로젝트가 제공됨. 이러한 서브 프로젝트를 바탕 으로 하둡 에코시스템이 구성되었음

하둡 에코시스템 (2)  분산 데이터를 저장하는 HDFS 와 분산 데이터를 처리하는 맵 리듀스가 하둡 코어 프로젝트에 해당하며 나머지는 모두 하둡 의 서브 프로젝트  Zookeeper( 분산 코디네이터 ) 는 분산 환경에서 서버 간의 상호 조정이 필요한 다양한 서비스를 제공하는 시스템  Oozie( 워크플로우 관리 ) 는 하둡 작업을 관리하는 워크플로우 및 코디네이터 시스템  HBase( 분산 데이터베이스 ) 는 HDFS 기반의 컬럼 데이터베이 스이며 구글의 BigTable 논문을 기반으로 개발되었음. 실시간 랜덤 조회 및 업데이트가 가능함. 얼마 전 NHN 이 모바일 메신 저 라인에 HBase 를 적용한 시스템 아키텍처를 발표했음

하둡 에코시스템 (3)  Pig( 하이레벨 스크립트 언어 for 데이터 분석 ) 는 복잡한 맵리 듀스 프로그래밍을 대체할 Pig Latin 이라는 자체 언어를 제공 함. 맵리듀스 API 를 크게 단순화 했으며 SQL 과 유사한 형태 로 설계되었음. 야후에서 개발됨  Hive( 데이터 분석 ) 는 페이스북에서 개발된 하둡 기반의 DW 용 솔루션임. SQL 과 매우 유사한 HiveQL 이라는 쿼리를 제공함. HiveQL 은 내부적으로 맵리듀스 잡으로 변환되어 실행됨  Mahout( 데이터 마이닝 ) 은 하둡 기반으로 데이터 마이닝 알고 리즘을 구현한 오픈소스임. Classification, clustering, 추천 및 협업 필터링, 회귀 분석, 차원 리덕션, 진화 알고리즘 등을 지 원함

하둡 에코시스템 (4)  Hcatalog ( 메티데이터 관리 ) 는 하둡으로 생성한 데이터 를 위한 테이블 및 스토리지 관리 서비스  Avro( 직렬화 ) 는 RPC(Remote Procedure Call) 와 데이터 직렬화를 지원하는 프레임워크. JSON 을 이용해 데이터 형식과 프로토콜을 정의하며 작고 빠른 바이너리 포맷으 로 데이터를 직렬화 함

하둡 에코시스템 (5)  Chukwa( 비정형 데이터 수집 ) 는 분산 환경에서 생성되는 데이 터를 HDFS 에 안정적으로 저장하는 플랫폼. 분산된 각 서버에 서 에이전트를 실행하고 콜렉터가 에이전트로부터 데이터를 받아 HDFS 에 저장함  Flume( 비정형 데이터 수집 ) 은 Chukwa 처럼 분산된 서버에 에 이전트가 설치되고, 에이전트로부터 데이터를 전달받는 콜렉 터로 구성. 차이점은 전체 데이터의 흐름을 관리하는 마스터 서버가 있어서 데이터를 어디서 수집하고 어떤 방식으로 전달 할지를 동적으로 변경할 수 있음. 클라우데라에서 개발  Scribe( 비정형 데이터 수집 ) 는 페이스북에서 개발한 데이터 수 집 플랫폼이며, Chuckwa 와는 다르게 중앙 집중 서버로 전송 하는 방식을 사용함

하둡 에코시스템 (5)  Scoop( 대용량 데이터 전송 솔루션 ) 은 HDFS, RDBMS, DW, NoSQL 등 다양한 저장소에 대용량 데이터를 신속 하게 전송할 수 있는 방법을 제공함  Hiho( 대용량 데이터 전송 솔루션 ) 는 Sqoop 과 같은 대용 량 데이터 전송 솔루션이며 GitHub 에 공개돼 있음. 오라 클과 MySQL 의 데이터 전송만 지원함

하둡 에코시스템 (6)  Impala 는 클라우데라에서 개발한 하둡 기반의 실시간 SQL 질의 시스템이며, 맵리듀스를 사용하지 않고 자체 개발한 엔진을 사용해 빠른 성능을 보여줌. 데이터 조회 를 위한 인터페이스로 HiveQL 을 사용하며 Hbase 와도 연 동할 수 있음  Tajo 는 고려대학교 박사 과정 학생들이 주도해서 개발한 하둡 기반의 SW 시스템이며, 2013 년 아파치 재단의 인 큐베이션 프로젝트로 선정됐음. 데이터 저장소는 HDFS 를 사용하되, SQL 언어를 사용하여 실시간으로 데이터 를 조회할 수 있음

NoSQL 이란 ?  NoSQL 이란 관계형 데이터 모델과 SQL 문을 사용하지 않는 데이터베이스 시스템 혹은 데이터 저장소를 의미함  기존 RDBMS 가 분산 환경에 적합하지 않기 때문에 이를 극복 하기 위해 NoSQL 이 고안되었음  NoSQL 의 데이터베이스는 단순히 키와 값의 쌍으로만 이뤄져 있고, 인덱스와 데이터가 분리되어 별도로 운영됨. 또한 조인 이 없으며, 샤딩 (Sharding) 이라는 기능을 이용해 데이터를 분 할해서 다른 서버에 나눠 저장함  MongoDB, HBase, CouchDB, Casandra, Redis 등 다양한 NoSQL 솔루션이 출시되고 있으며, 국내에서는 MongoDB 가 가장 많이 사용됨