Курс администрирование кластера Hadoop построен на сквозных практических примерах развертывания и администрирования распределенной вычислительной среды: локально и в облачной инфраструктуре.
Вы изучите особенности использования компонент Hadoop для запуска задач распределенных вычислений с тестовыми данными. Практические занятия выполняются в кластерной среде Amazone Web Services с использованием дистрибутивов Cloudera Distributed Hadoop/ HortonWorks и Arenadata Hadoop (российский дистрибутив Hadoop в рамках программы импортозамещения), а также программного обеспечения управления кластером Cloudera Manager/ Arenadata Hadoop / HortonWorks.
Программа курса «Администрирование кластера Hadoop»
1. Введение в Big Data
- Что такое Big Data. Понимание проблемы Big Data
- Эволюция систем распределенных вычислений Hadoop
- Принципы формирования Data Lake и pipelines
2. Архитектура Apache Hadoop
- Hadoop сервисы и основные компоненты. Name node. Data Node.
- YARN сервис — планировщик
- HDFS
- Отказоустойчивость и высокая доступность
- Hadoop Distributed File System
3.. Архитектура HDFS. Блоки HDFS.
- Основные команды работы с HDFS.
- Операции чтения и записи, назначения HDFS.
- Дисковые квоты. Поддержка компрессии
- Основные форматы хранения данных TXT, AVRO, ORC, Parquet, Sequence файлы
- Импорт (загрузка) данных на HDFS
- Организация Tiering для хранения данных
- Архивное хранение HDFS
- Локальное чтение и распределенное кэширование
4. Map Reduce
- Ведение в MapReduce. Компоненты MapReduce. Работа программ MapReduce. YARN MapReduce v2/3
- Ограничения и параметры MapReduce и YARN
- Управление запуском пользовательских задач (jobs) под MapReduce
5. Дизайн кластера Hadoop
- Сравнение дистрибутивов и версий Hadoop 2/3 (Cloudera Distributed Hadoop, MapR, HortonWorks Data Platform, Arenadata Hadoop): различия и ограничения
- Требования программного и аппаратного обеспечения
- Планирование кластера
- Масштабирование кластера Hadoop. Отказоустойчивость Hadoop
- Federated NameNode. Hadoop в облаке.
- Сравнение Cloud решений для Hadoop. Amazon EMR
- Интеграция с другими решениями: streaming (DataFlow), NoSQL.
6. Установка кластера
- Установка Hadoop кластера
- Выбор начальной конфигурации
- Оптимизация уровня ядра для узлов
- Начальная конфигурация HDFS и MapReduce
- Файлы логов и конфигураций
- Установка Hadoop клиентов
- Установка Hadoop кластера в облаке
- Автоматические варианты установки
- Установка и настройка кластера Hadoop в изолированном окружении (offline).
7. Операции обслуживания кластера Hadoop
Дисковая подсистема
Квоты
Остановка, запуск, перезапуск(Graceful Shutdown)
Управление узлами
Управление обновлениями и создание локального репозитория
8. Оптимизация и управление ресурсами
Поиск узких мест.
Производительность. Файловая система. Data Node и data layout и партиционирование, bucketing
Планировщики: FIFO scheduler. Планировщик емкости (Capacity scheduler). Гранулярное управление ресурсами (Fair scheduler). Защита очередей и доминантное управление ресурсами DRF.
Особенности управления ресурсами для разных дистрибутивов
9. Управление кластером Hadoop с использованием Cloudera Manager/Apache Ambari
Установка Cloudera Manager/Apache Ambari
Основные операции и задачи Cloudera Manager/Apache Ambari
Мониторинг с Cloudera Manager/Apache Ambari/ Grafana
Диагностика и разрешение проблем с Cloudera Manager/Apache Ambari
10. Безопасность Apache Hadoop
- Безопасность по умолчанию
- Многопользовательский режим
- Аутентификация и авторизация с использованием Active Directory(Microsoft), REALM MIT/FreeIPA: Kerberos, keytabs, principals. Установка и конфигурирование Kerberos в Hadoop
- Обзор возможностей Apache Sentry, Cloudera Navigator, Apache Ambari, Apache Ranger, Apache Knox, Apache Atlas
- Резервное копирование и аварийное восстановление
- Репликация данных и snapshoting. Конфигурирование высокой доступности Name node (HA)
- Компоненты безопасности Hadoop
- Best practices Cloudera / HortonWorks/Cloudera/ArenaData
11. Мониторинг Apache Hadoop
- Apache Zookeeper
- Встроенные средства мониторинга Cloudera Manager/Apache Ambari
- Логи сервисов и компонент
- Внешние системы мониторинга: Zabbix, JMX, Grafana
12. Troubleshooting
- Data Node
- Name Node
- Восстановление Name Node
13. Инструментарий Apache Hadoop экосистемы
- Графический интерфейс сервиса HUE
- Подключение Cloudera Data Science Workbench
- Назначение Apache Zookeeper
- Основы Apache Pig — установка и выполнение базовых операций
- Введение в Apache Hive, понятие Hive таблицы, установка Hive
- Использование Apache sqoop — установка и выполнение базовых операций
- Базовые операции Apache Flume — установка и выполнение базовых операций
- Обзор и назначение компонент: Cloudera Impala, Apache NiFi, Apache HBase, Apache Kafka, Apache Zookeeper, Apache Oozie
Примерный список практических занятий:
- Ручная установка кластера Hadoop с дистрибутива Cloudera Distributed
- Hadoop/HortonWorks/Arenadata Hadoop на локальной системе 3-узловый кластер
- Установка 3-узлового кластера в облаке Amazon Web Services с использованием Cloudera Manager/Apache Ambari
- Базовые операции с кластером Hadoop и файловые операции HDFS.
- Управление ресурсами и запуском задач с использованием YARN MapReduce/Tez.
- Управление кластером с использованием Cloudera Manager/Apache Ambari(развертывание сервисов, репликация, мониторинг, alerting и т.д.)
- Конфигурирование системы аутентификации Kerberos для кластера Hadoop под управление Cloudera Manager/Apache Ambari
- Установка и выполнение базовых операций в Apache Hive, Apache sqoop, Apache Flume
- Выполнение задач в веб-интерфейсе HUE/Apache Ambari View
- Мониторинг кластера Hadoop с использованием Zabbix (опционально)
- HA высокая доступность (High Availablility) Name Node и YARN (ресурс-менеджер