次の方法で共有


オンプレミスの Apache Hadoop クラスターの Azure HDInsight への移行 - 動機と利点

この記事は、オンプレミスの Apache Hadoop エコシステム展開を Azure HDInsight に移行するためのベスト プラクティスに関する一連の記事の最初の記事です。 この一連の記事は、Azure HDInsight での Apache Hadoop ソリューションの設計、展開、および移行を担当する責任者を対象としています。 これらの記事が有益になる可能性がある役職として、クラウド アーキテクト、Hadoop 管理者、および DevOps エンジニアなどがあります。 さまざまな種類のクラスターがクラウド内でどのように機能するかについての説明は、ソフトウェア開発者、データ エンジニア、データ サイエンティストにとっても有益です。

Azure HDInsight に移行する理由

Azure HDInsight は、Hadoop コンポーネントのクラウド ディストリビューションです。 Azure HDInsight によって大量のデータを簡単かつ迅速に高いコスト効率で処理できるようになります。 HDInsight には、好評を博している次のようなオープン ソース フレームワークが含まれています。

  • Apache Hadoop
  • Apache Spark
  • Apache Hive with LLAP
  • Apache Kafka
  • Apache HBase

オンプレミスの Hadoop に勝る Azure HDInsight の利点

  • 低コスト - クラスターをオンデマンドで作成して使用する分だけ料金を支払うことでコストを削減できます。 データの計算と記憶を切り離すことで、データ ボリュームがクラスター サイズに依存しなくなり、柔軟性が生まれます。

  • クラスターの自動作成 - クラスターの自動作成によって、セットアップと構成が最小限で済みます。 自動化はオンデマンド クラスターで使用できます。

  • ハードウェアと構成の管理 - HDInsight クラスターでは物理的なハードウェアやインフラストラクチャへの心配は不要です。 クラスターの構成さえ指定すれば、設定は Azure が行います。

  • 簡単に拡張できる - HDInsight ではワークロードのスケールを増減できます。 データの再配布およびワークロードの再均衡化処理は、データ処理ジョブを中断することなく Azure が行います。

  • グローバルに利用可能 - HDInsight は、他のあらゆるビッグ データ分析サービスよりも多くのリージョンで提供されています。 Azure HDInsight は、Azure Government、Azure China、Azure Germany でも提供されており、独自の法令が施行されている地域における企業のニーズに応えます。

  • セキュリティとコンプライアンス - HDInsight を使用すると、Azure Virtual Network暗号化Microsoft Entra ID との統合によって、企業のデータ資産を保護することができます。 また HDInsight は、業界や行政上の最も一般的なコンプライアンス基準を満たしています。

  • バージョン管理を簡略化 - Azure HDInsight は Hadoop エコシステム コンポーネントのバージョンを管理し、最新の状態に保持します。 ソフトウェアの更新は、オンプレミスの展開では一般的に複雑なプロセスです。

  • コンポーネント間の依存関係が少ない特定のワークロード用に最適化された小さいクラスター - 典型的なオンプレミス Hadoop セットアップでは、多目的に使用できる 1 つのクラスターが使用されます。 Azure HDInsight では、ワークロード固有のクラスターを作成できます。 特定のワークロード用のクラスターを作成することによって、ますます複雑化する 1 つのクラスターを維持するための複雑な作業から解消されます。

  • 生産性 - お好みの開発環境で Hadoop および Spark 向けのさまざまなツールを使用できます。

  • カスタム ツールまたはサードパーティ製のアプリケーションによる拡張機能 - HDInsight クラスターは、インストールされているコンポーネントを使用して拡張したり、Azure Marketplace からワンクリック デプロイを使用することによって他のビッグ データ ソリューションと統合したりできます。

  • 管理と監視が容易に - Azure HDInsight は Azure Monitor ログと統合することによって、すべてのクラスターを監視できる一元化されたインターフェイスが得られます。

  • 他の Azure サービスとの統合 - HDInsight は、好評を博している以下の Azure サービスと簡単に統合できます。

    • Azure Data Factory (ADF)
    • Azure Blob Storage
    • Azure Data Lake Storage Gen2
    • Azure Cosmos DB
    • Azure SQL データベース
    • Azure Analysis Services
  • プロセスとコンポーネントを自動修復 - HDInsight は常に独自の監視インフラストラクチャを使用して、インフラストラクチャとオープン ソース コンポーネントを継続的に確認しています。 また、オープン ソース コンポーネントやノードが利用できないなどの重大な障害も自動的に回復します。 いずれかの OSS コンポーネントに障害が発生した場合、Ambari でアラートがトリガーされます。

詳しくは、記事「Azure HDInsight および Apache Hadoop テクノロジ スタックとは」をご覧ください。

移行計画のプロセス

次の手順は、オンプレミス Hadoop クラスターから Azure HDInsight への移行計画で推奨されています。

  1. 現在のオンプレミス展開およびトポロジを理解します。
  2. 現在のプロジェクト スコープ、タイムライン、およびチームの専門知識について理解します。
  3. Azure の要件を理解します。
  4. ベスト プラクティスに基づく詳細な計画を構築します。

移行の準備のために詳細情報を収集する

このセクションでは、次に関する重要な情報を収集するためのアンケートのテンプレートを提供します。

  • オンプレミス展開
  • プロジェクトの詳細
  • Azure の要件

オンプレミス展開のアンケート

質問 回答
トピック:Environment
クラスター ディストリビューションのバージョン HDP 2.6.5、CDH 5.7
ビッグ データ エコシステム コンポーネント HDFS、Yarn、Hive、LLAP、Impala、Kudu、HBase、Spark、MapReduce、Kafka、Zookeeper、Solr、Sqoop、Oozie、Ranger、Atlas、Falcon、Zeppelin、R
クラスターの種類 Hadoop、Spark、Confluent Kafka、Solr
クラスターの数 4
マスター ノードの数 2
ワーカー ノードの数 100
エッジ ノードの数 5
ディスク領域の合計 100 TB
マスター ノード構成 m/y、cpu、ディスクなど
データ ノード構成 m/y、cpu、ディスクなど
エッジ ノード構成 m/y、cpu、ディスクなど
HDFS の暗号化? はい
高可用性 HDFS HA、Metastore HA
ディザスター リカバリー/バックアップ クラスターのバックアップ?
クラスターに依存するシステム SQL Server、Teradata、Power BI、MongoDB
サードパーティによる統合 Tableau、GridGain、Qubole、Informatica、Splunk
トピック:セキュリティ
境界セキュリティ ファイアウォール
クラスターの認証と承認 Active Directory、Ambari、Cloudera Manager、認証なし
HDFS アクセス制御 手動、ssh ユーザー
Hive の認証と承認 Sentry、LDAP、AD と Kerberos、Ranger
監査 Ambari、Cloudera Navigator、Ranger
監視 Graphite、collectd、、 statsdTelegraf、InfluxDB
アラート Kapacitor、Prometheus、Datadog
データの保存期間 3 年、5 年
クラスター管理者 単一の管理者、複数の管理者

プロジェクトの詳細のアンケート

質問 回答
トピック:ワークロードと頻度
MapReduce のジョブ 10 個のジョブ --1 日 2 回
Hive ジョブ 1 時間ごとに 100 ジョブ
Spark バッチ ジョブ 50 ジョブ (15 分ごと)
Spark Streaming ジョブ 5 ジョブ (3 分ごと)
Structured Streaming ジョブ 5 つのジョブ --毎分
プログラミング言語 Python、Scala、Java
スクリプトの作成 Shell、Python
トピック:データ
データ ソース フラット ファイル、Json、Kafka、RDBMS
データのオーケストレーション Oozie ワークフロー、エアフロー
メモリ内の検索 Apache Ignite、Redis
データの保存先 HDFS、RDBMS、Kafka、MPP
トピック:メタデータ
Hive DB の種類 Mysql、Postgres
Hive メタストアの数 2
Hive テーブルの数 100
Ranger ポリシーの数 20
Oozie ワークフローの数 100
トピック:スケール
レプリケーションを含むデータ ボリューム 100 TB
日次インジェストの量 50 GB
データ増加率 年 10%
クラスター ノード増加率 年 5%
トピック:クラスター使用率
平均 CPU 使用率 60%
平均メモリ使用率 75%
使用済みディスク領域 75%
平均ネットワーク 使用率 25%
トピック:スタッフ
管理者数 2
開発者数 10
エンド ユーザー数 100
スキル Hadoop、Spark
移行作業に使用可能なリソース数 2
トピック:制限事項
現在の制限 待機時間が長い
現在の課題 コンカレンシーの問題

Azure の要件のアンケート

質問 回答
トピック:インフラストラクチャ
優先リージョン 米国東部
VNet を推奨しますか? はい
HA / DR が必要? はい
他のクラウド サービスと統合しますか? ADF、Azure Cosmos DB
トピック: データ移動
初期読み込みの基本設定 DistCp、データ ボックス、ADF WANDisco
データ転送の差分 DistCp、AzCopy
進行中の増分のデータ転送 DistCp、Sqoop
トピック: 監視とアラート
Azure 監視とアラートの使用とサードパーティの監視の統合 Azure 監視とアラートの使用
トピック: セキュリティ設定
プライベートな保護済みのデータ パイプラインですか? はい
ドメイン参加済みクラスター (ESP) ですか? はい
クラウドへのオンプレミス AD Sync ですか? はい
同期する AD ユーザー数? 100
パスワードをクラウドに同期しますか? はい
クラウドのみのユーザー? はい
MFA が必要ですか? いいえ
データの承認要件ですか? はい
ロールベースのアクセス制御ですか? はい
監査が必要ですか? はい
保存データの暗号化ですか? はい
転送中のデータの暗号化ですか? はい
トピック: 再アーキテクチャの設定
1 つのクラスターまたは特定のクラスターの種類 特定のクラスターの種類
併置されたストレージまたはリモート ストレージのどちらを指定するか? リモート ストレージ
データをリモートに保管するときにクラスター サイズを小さくするか? クラスター サイズを小さくする
単一の大型クラスターではなく複数の小さいクラスターを使用するか? 複数の小さいクラスターを使用する
リモート メタストアを使用するか? はい
異なるクラスター間でメタストアを共有するか? はい
ワークロードを分解するか? Hive ジョブを Spark ジョブに置き換える
データのオーケストレーションに ADF を使用するか? いいえ

次のステップ

このシリーズの次の記事をお読みください。