DACではTreasure Dataを利用して各種データの蓄積や集計を行っています。Treasure Dataは時系列のデータを扱うのに特にすぐれたアーキテクチャなのですが、セグメントIDとユーザーIDの組み合わせといった大量のマスタデータを利用した計算にも利用することもできます。そのような場合にtimeカラムインデックスを活用してマスタデータを高速に抽出する方法について解説します。
Treasure Dataでは時系列のデータを効率よくあつかうため、timeカラムが固定インデックスとなっており、3600秒(1時間)ごとのパーティショニングに分けてインポートされます。この性質を利用して、時系列で格納する必要のないデータについては「セグメントID * 3600」「カテゴリID * 3600」のようにマスタのキー値を元に作成した時間を設定することで値が高速に取得できるようになります。
検証のためにtimeカラムをセグメントIDとして設定したテーブルを作成します。テーブル作成の元ネタはセグメントとユーザーのM:N対応を縦持ちで持つテストデータで、総行数は約8億行あります。
-- timeカラムをセグメントID * 3600の設定 INSERT INTO TABLE tmp_segment_time_test SELECT segment_id * 3600 time, segment_id, tuuid FROM segment_data
指定したふたつのセグメント同士の重複ユーザー数を抽出してみましょう。
-- segment_idでセグメントを指定 SELECT COUNT(distinct t1.tuuid) FROM (SELECT tuuid FROM tmp_segment_time_test t1 WHERE segment_id = 61306) t1 INNER JOIN (SELECT tuuid FROM tmp_segment_time_test t1 WHERE segment_id = 51486) t2 ON t1.tuuid = t2.tuuid
Presto計算ログ(1分36秒)
-- memory:1.02GB, peak memory:10.22GB, queued time:1.24ms 20160816_145600_04229_uspws 1.60m rows bytes bytes/sec done total [0] output <- aggregation <- [1] FINISHED 10 90B 15.0KB/s 1 / 1 [1] aggregation <- aggregation <- [2] FINISHED 36,657 1.8MB 23.5MB/s 60 / 60 [2] aggregation <- project <- innerjoin <- left:project <- filter <- aone_odessa_dev.tmp_segment_time_test <- right:remoteSource FINISHED 951,752,677 24.6GB 39.4MB/s 110 / 111 [*] FullScan [3] project <- filter <- aone_odessa_dev.tmp_segment_time_test FINISHED 810,615,799 17.5GB 21.2MB/s 61 / 61 [*] FullScan finished at 2016-08-16T14:57:36Z
指定のセグメントだけを取りたいのにテーブルに対するフルスキャンが走っており、ピークメモリ使用量も大きくなっています。これに対してtimeカラムでセグメントIDを指定してみます。
-- timeでセグメントを指定 SELECT COUNT(distinct t1.tuuid) FROM (SELECT tuuid FROM tmp_segment_time_test t1 WHERE time = 61306 * 3600) t1 INNER JOIN (SELECT tuuid FROM tmp_segment_time_test t1 WHERE time = 51486 * 3600) t2 ON t1.tuuid = t2.tuuid
Presto計算ログ(20秒)
-- memory:1.03GB, peak memory:1.03GB, queued time:446.46us 20160816_145219_04225_uspws 19.54s rows bytes bytes/sec done total [0] output <- aggregation <- [1] FINISHED 0 0B 0B/s 0 / 1 [1] aggregation <- aggregation <- [2] FINISHED 0 0B 0B/s 0 / 60 [2] aggregation <- project <- innerjoin <- left:project <- filter <- aone_odessa_dev.tmp_segment_time_test <- right:remoteSource FINISHED 14,391,787 712MB 121MB/s 5 / 6 [1976-12-29 10:00:00 UTC, 1976-12-29 10:00:00 UTC) [3] project <- filter <- aone_odessa_dev.tmp_segment_time_test FINISHED 14,127,595 306MB 21.4MB/s 1 / 1 [1975-11-16 06:00:00 UTC, 1975-11-16 06:00:00 UTC) finished at 2016-08-16T14:52:39Z
実行時間が20%程度になり、ピークメモリ使用量も10%程度に削減されています。timeカラムインデックスを利用しているため、セグメントIDが「1975-11-16 06:00:00 UTC」という扱いになっています。timeカラムインデックスを利用した格納・取得方法はHiveでもPrestoでも効きますので、時系列に格納する必要性のないデータについては、マスターデータのキーをtimeとして指定しながら格納することで高速な抽出ができるようになります。もちろん結果値は同等です。
注意点としてはtimeはBigInteger型であり、日付型としても扱われることから1億年と2000年前から検索するといった事はできません。このような値をtime値を格納すると正常にパーティショニングされず、timeを利用していないクエリについても正常に取得できなくなる可能性があります。このため大きなID番号を取り扱う際には「time * 3600」ではなく「time * 360」としたうえでセグメントIDとの複合キーにするなど、適切な範囲で散らばるようにIDをグルーピングすべきです。
以上、Treasure Dataで大規模なマスタデータを扱う際にはtimeカラムインデックスが利用できるというTIPSでした。