1. 하둡

2. 및

3. 하둡

4. 에코

5. 시스템을

6. 이용한

8.
데이터

9. 플랫폼

10. 아키텍처

11. 적용

12. 사례

13.
김형준

14. /

15. GRUTER

17. CONTENTS

18.
1.

19. 엔터프라이즈의

20. 빅데이터

21.
2.

22. e-Commerce

23. 적용

24. 사례

25.
3.

26. 보안

27. 분석

28. 플랫폼

29. 사례

30.
4.

31. 바이오

32. 인포메틱스

33. 사례

34.
5.

35. 온라인

36. 컨텐츠

37. 서비스

38. 사례

41. 엔터프라이즈의

42. 빅데이터

45. 엔터프라이즈의

46. IT

47. 환경

48.
•

49. 현재

50. 엔터프라이즈

51. IT

52. 환경은

56. 빅데이터를

57. 적용하기

58. 어려운

59. 환경

60.
IT 기획 및 관리 중심, 실행은 아웃 소싱(BAD)
IT 자회사가 관리 및 실행(BAD)
주요 운영/개발은 직접 수행, 일부 외주(GOOD)
대부분 직접 수행(GOOD)

61. 빅데이터

62. 프로젝트의

63. 성공

64. 요소

65.
•

66. 분석

67. 결과

68. 가치

70. 분석

71. 비용

72.
•

73. 무엇을

74. 분석할

75. 것인가에

76. 대한

77. 고민

78.
•

79. 지속적인

80. 분석

81. 결과

82. 개선

83. 활동(튜닝)

84.
•

85. IT

86. 부서가

87. 아닌

88. 실제

89. 데이터

90. 사용부서가

91. 주도

92.
•

93. !잘

94. 작성된

95. 프로젝트

96. 계획서

97.
•

98. 실행할

99. 수

100. 있는

101. 기술력

103. 빅데이터

104. 프로젝트

105. 진행

106.
시스템 기획
(분석 대상, 데이터, 알고리즘)
시스템 기획
(분석 도메인만 결정,
마케팅, 생산성 향상, ... )
시스템 비용 및 ROI 산정
관련 데이터 수집
(기업 내부, 외부)
업체 선정
개발
운영
3 ~ 6개월 이상 소요
데이터 가지고 놀기
가치 발굴
시스템에 반영
지속적인 활동

107. 결론!!!

108.
•

109. 기존의

110. 데이터

111. 분석과

112. 현재의

113. 빅데이터의

114. 가장

115.
큰

116. 차이는

118.
•

119. 데이터

120. 크기도

121. 아니고,

122. 종류도

123. 아니고,

124. 속도도

125.
아닌

127.
•

128. 기업

129. 스스로

130. 데이터를

131. 적극적으로

132. 이용해
서

133. 제품

134. 개발,

135. 서비스

136. 기능,

137. 마케팅

138. 등에

139. 차별화되
고

140. 경쟁

141. 우위에

142. 있는

143. 무기를

144. 가지는

145. 것.

147. E-Commerce

148. 사례

149.
(실시간

150. 분석

151. 플랫폼)

153. e-Commerce

154. 데이터

155. 분석

156.
•

157. 요구사항은?

159. 현실은?

160.
•

161. 가장

162. 기본적인

163. 로그

164. 조차도

165. 일

166. 단위

167. 분석

168.
•

169. HTTP

170. LOG

171. 등

172.
•

173. 비즈니스에

174. 중요한

175. 데이터는

176. 로그도

177. 없음

178.
•

179. 일부

180. 로그는

181. 외부

182. 업체로

183. 전달

186. 전체

187. 시스템

188. 아키텍처

190. 실시간

191. 분석

192. 시스템

193. 구성

194. 예

195.
임시 저장소인 Queue 장애 시 방안?
분석 중 일부 분석 서버 장애 시
임시 분석 결과는 어떻게?
분석 결과 저장소의 성능은?
분석 결과 서비스 제공 시
충분한 기능 제공?
http://highlyscalable.wordpress.com/2013/08/20/in-stream-big-data-processing/

196. 실시간

197. 분석

198. 어려움

199. #1

200.
•

201. 중복,

202. 유실,

203. 성능

204. 모두를

205. 만족시키기

206. 어려움

207.
•

208. 이중화된

209. 큐와

210. 체크

211. 포인팅

212. 기능이

213. 핵심

214.
•

215. 체크

216. 포인팅을

217. 자주

218. 하면

219. 성능

220. 저하

222.
•

223. 가끔

224. 하면

225. 데이터

226. 유실이

227. 높아짐

228.
•

229. 성능

230.
•

231. 대량의

232. 데이터,

233. 분석의

234. 복잡성(다양한

235. 메타

236. 데이터와

237. 연계

238. 등
)

239.
•

240. 운영

241. 관리

242.
•

243. 무정지로

244. 운영

245. 되어야

246. 함

247.
•

248. 프로그램

249. 배포

250.
•

251. 분석

252. 결과

253. 저장

254.
•

255. 저장

256. 주기,

257. 체크

258. 포인트

259.
•

260. 저장소

261. 성능,

262. 기능

264. 실시간

265. 분석

266. 어려움

267. #2

268.
•

269. 시간

270. 관리

271.
•

272. 분산된

273. 환경의

274. 시간

275. 동기화

276.
•

277. Time

278. window

279. 동기화

280.
•

281. Data

282. time

283. vs.

284. System

285. time

286.
•

287. 분석

288. 로직

289. 구현

290.
•

291. SQL

292. 기반

293.
•

294. 프로그램

295. 기반

296.
•

297. 플랫폼들의

298. 조합

299.
•

300. Flume,

301. Storm,

302. Kafka

303. 등

304.
•

305. 각각은

306. HA

307. 등에

308. 대한

309. 기능

310. 제공,

311. But

312. 조합

313. 시

314. 불협화음

315.
•

316. 서버

317. 사이징

318.
•

319. Agent/Collelctor

321. 댓수

322. 비율,

323. CPU/Network

324. 등

326. 구축된

327. 실시간

328. 플랫폼(자체

329. 개발)

330.
ZooKeeper
Flume Collector
Dimension
Data
분석 결과 저장소
(HBase)
Realtime Server
memory
Realtime Cli
ent
Time Window
Manager
(Master Role)
Queue
User
Processor
Replicator
Partition
Proxy
Processor
Engine
Partitioner
Flume Collector
Partition #1
Realtime Cli
ent
Partition #2
Partition #3

331. 특징

332. #1

333.
•

334. 고정된

335. 크기의

336. 클러스터

337. 파티션

338.
•

339. 데이터

340. 파티션

341. 처리

342. 쉬운

343. 장점

344.
•

345. 서버

346. 추가/제거

347. 단점은

348. Shell

349. 명령을

350. 통해

351. 실행

352.
•

353. 파티션

354. 이중화

355.
•

356. 하나의

357. 파티션은

358. 두

359. 개의

360. 서버가

361. 담당(Master/Slave)

362.
•

363. 분산

364. 실시간

365. 분석에

366. 필요한

367. 다양한

368. 모듈

369. 기본

370. 제공

371.
•

372. 분산된

373. 서버들

374. 사이에

375. 동기화된

376. Flush

377. 기능

378.
•

379. Time

380. 동기화

381. 기능,

382. Esper

383. 연계

384. 모듈

385.
•

386. WorkGroup

387.
•

388. 하나의

389. 분석을

390. 수행하기

391. 위해서는

392. 여러

393. 개의

394. 분석

395. 모듈이

396. 연
결

397. 되어야

398. 함.

399.
•

400. 하나의

401. 클러스터로

402. 여러

403. 개의

404. 분석

405. 업무를

406. 동시에

407. 수행

409. 특징

410. #2

411.
•

412. 자체

413. 개발

414.
•

415. 공개된

416. 실시간

417. 분석

418. 솔루션은

419. 다음

420. 기능

421. 제공

422.
•

423. 데몬

424. 서버,

425. 데이터

426. 송수신

427. RPC

428.
•

429. 프로그램

430. 모델,

431. 데이터

432. 파티셔닝,

433. Queue와

434. 연동

435.
•

436. 활용

437. 가능한

438. 조각

439. 모음은

440. 대부분

441. 오픈

442. 소스로

443. 나와

444. 있음

445.
•

446. RPC:

447. Thrift,

448. Avro,

449. Protobuf,

450. Netty

451.
•

452. Event,

453. Cluster

454. Membership,

455. Synchronization:

456. ZooKeep
er

457.
•

458. Query

459. Processing:

460. Esper

461.
•

462. Queue:

463. Kafka,

464. RabbitMQ,

465. ZeroMQ

467. 데이터

468. 분석

469. 흐름

470.
Load in memory
hash(url)
IP-City
Data
URL, Count(1)
Group by URL
Log Parsing
WorkGroup #1
(LogType=URL)
time batch 60 sec.
TOP 100
Order by count
Desc
URL, Count(1)
Group by URL
log
data
Log Parsing
Log Parsing
Count
(Distinct User)
HBase Table
hash(user_id)
Count
(Distinct User)
WorkGroup #2
(LogType=User)
time batch 20 sec.

471. 결론

472.
•

473. 실시간

474. 분석은

475. 대세이지만

476. 많은

477. 난관이

478. 존재

479.
•

480. 고객의

481. 요구(정합성,

482. 안정성

483. 모두

484. 만족

485. 등)

486.
•

487. 메타

488. 정보(JOIN)

489. 처리

490. 성능

491.
•

492. 운영의

493. 어려움(항상

494. 데이터가

495. 흘러

496. 다님)

497.
•

498. 분석

499. 대상

500. 데이터의

501. 속성,

502. 분석

503. 로직

504. 등에

505. 따라

506. 적절한

510. 플랫폼

511. 선택

512.
•

513. 플랫폼은

514. 기본만

515. 제공

516.
•

517. 많은

518. 것을

519. 그

520. 위에

521. 만들어야

522. 함

523.
•

524. 적절한

525. 플랫폼이

526. 없으면

527. 만드는

528. 것도

529. 방법

531. 보안

532. 분석

533. 플랫폼

534. 사례

535.
(데이터

536. 수집

537. 및

538. 검색)

540. 보안

541. 데이터

542. 분석

543.
데이터를 수집해서
통합 저장소에 저장한 다음
분석을 통해서 보안 위협을 찾아내고
모델을 만들어서
실시간 감지 및 대응 시스템에 적용해서
보안 공격에 대비한다
이 과정을 지속적으로 반복하면서 더 강력하고 지능적
인 모델을 만들어서 변화하는 보안 위협에 대응한다

544. 전체

545. 아키텍처

546.
Data source/collector
(various log data)
Data collector/ real-time analysis
Flume Collector
Data Source
(Web Server)
Thrift Flume
Source Agent
Cluster Monitoring
Cluster coordinator
Rule Manager
Zookeeper
ARM
Cloumon
Logical Node
Pipeline-Sink
Thrift
Sink
primary storage(File/Structured), near real-time analysis
Temporary
HBase
RegionServer
Semi-Struc
tured
Cloustream
Hadoop
DataNode
NoSQL
(HBase)
Origin File
Near real-time
analysis
Hadoop
Data source/collector
(standard protocols suc
h as FTP, HTTP)
Data Source
FTP/
HTTP
Flume
Agent
Temporary
Thrift
Sink
Thrift
Source
Search engine
Search
Real-time
Analysis
ElasticSearch
Index
Batch analysis/storage
Batch analysis
Real-time analysis result st
orage (File/Structured)
HBase
RegionServer
Semi-Struc
tured
Hive
Hadoop
MapReduce
Hadoop
DataNode
Hadoop
DataNode
Origin File
Oracle/MySQL
RDB
Analysis
Result
Origin File

547. 데이터

548. 수집

549.
•

550. 다양한

551. 데이터

552. 발생원

553. =

554. 유연한

555. 수집

556. 시스템

557.
•

558. 실시간

559. 수집

560. =

561. 이벤트

562. 스트리밍

563.
•

564. 다양한

565. 프로세싱

566. =

567. pluggable

568. pipeline

569. 구조

570.
•

571. scalability,

572. reliability,

573. extensibility,

574. manageability

575.
•

576. Flume

577.
agent
.
.
agent
data
collector
.
.
collector
data
storage

578. 실시간

579. 데이터

580. 수집

581. #1

582.
•

583. Flume

584. OG

585. 사용

586.
•

587. 중앙

588. 집중

589. 관리

590. 기능이

591. 우수(NG에

592. 비해)

593.
•

594. 도입

595. 당시

596. NG는

597. 성숙된

598. 상태가

599. 아니었음

600.
•

601. Tailing이

602. 쉽지

603. 않음

604.
•

605. 기본

606. 제공

607. Tailer는

608. 실제

609. 업무

610. 적용에

611. 한계

613.
•

614. 기존

615. 운영

616. 장비

617. 부하

618. 최소(CPU/Network

619. 등)

620.
•

621. CPU

622. 5%이하,

623. Memory

624. 32MB

625. 이하

626.
•

627. Checkpoint

628. 관리

629. 기능

630.
•

631. Agent

632. 재

633. 시작

634. 시

635. Throttling

636. 기능

637.
•

638. Network

639. 대역

640. 모두

641. 사용

642. 문제

643.
•

644. Rolling

645. File에

646. 대한

647. 인식

648.
•

649. Windows

650. 2000

651. Server?

653. 실시간

654. 데이터

655. 수집

656. #2

657.
•

658. 다양한

659. 프로토콜

660. 및

661. 장비

662. 지원

663.
•

664. TCP,

665. Syslog,

666. SNMP

667. 등

668.
•

669. Linux,

670. AIX,

671. HP-UX,

672. Solaris,

673. Windows

674.
•

675. 유실/중복/성능

676. 모두

677. 만족하기

678. 어려움

679.
•

680. Collector

681. 이중화

682.
•

683. Agent

684. -

685. Collector

686. -

687. 저장소까지

688. 저장

689. 후

690. ACK(성능

691. 저하)

692.
•

693. 데이터

694. 수집이

695. 잘되고

696. 있는지

697. 모니터링

698. 어려움

699.
•

700. Component(Agent,

701. Switch,

702. Collector,

703. 저장소

704. 등)

705. 모니터
링

706. 구성

707. 필요

708. -

709. 어려움

710.
•

711. 개발

712. 외부적인

713. 사항이

714. 더

715. 큰

716. 어려움

717.
•

718. 방화벽

719. 해제

720.
•

721. Agent

722. 설치에

723. 대한

724. 거부감

725.
•

726. 시스템

727. 부하가

728. 70

729. ~

730. 80%

731. 상태의

732. 장비는

733. 어떻게?

736. 대용량

737. 데이터

738. 검색

739.
•

740. 요구사항

741.
•

742. 전체

743. 수집

744. 데이터(수백GB/일),

745. 누적

746. 6개월

747. 보관,

748. 응답속도는

749. 10

750. ~

751. 30초

752. 이내

753.
•

754. 현실은?

755.
•

756. 상용

757. 솔루션은

758. 고가의

759. 비용,

760. 라이선스가

761. 트래픽

762. 중심

763.
•

764. 일반적인

765. 검색

766. 솔루션(오픈소스

767. 솔루션

768. 포함)은

769. 서비스에

770. 맞
춰져

771. 있어

772. 대용량,

773. 장기간

774. 데이터

775. 보관에는

776. 취약

777.
•

778. 아이디어

779.
•

780. 검색

781. 클러스터

782. 이중화

783.
•

784. 최근

785. 데이터

786. 인덱스/검색용

787. -

788. Native

789. ElasticSearch

790.
•

791. 과거

792. 대용량

793. 데이터

794. 보관/검색용

795. -

796. ElasticSearch

797. for

798. H
adoop

800. 대용량

801. 데이터

802. 검색

803. 아키텍처

804.
실시간 색인 클러스터(최신 데이터)
읽기 전용 클러스터(전체 데이터)
Server1
Hadoop FileSy
stem
(for Analytic)
index1
(SAS or SATA)
Collector
HDFSSink
ElasticSearc
h
Sink
Hadoop FileSystem
(for elastcisearch)
ElasticSearch
Server2
index
7
Index
Migration
Tool
index
8
index
9
index
10
index
11
index
12
ElasticSearch
Server1
Application
Searcher
HDFS
Gateway
ElasticSearch
index2
(SAS or SATA)
Server2
HDFS
Gateway
ElasticSearch

805. 실시간

806. 색인

807. 클러스터

808. 성능

809.
•

810. 테스트

811. 환경

812.
•

813. ElasticSearch

814. 서버

815. 5대

816.
•

817. 16GB,

818. Quad

819. Core

820. *1

821. ,

822. SATA

823. 2TB

824. *

825. 4

826.
•

827. 부하

828. 생성

829. 서버

830. 5대

831.
•

832. 테스트

833. 데이터:

834. 5.1억건,

835. 700GB(일일

836. 생성

837. 데이터)

838.
•

839. 인덱스

840. 성능

841.
•

842. 14시간

843. 소요(1,000건

844. 단위로

845. commit)

846.
•

847. 10,159

848. records/sec,

849. 14MB/sec

850.
•

851. 검색

852. 성능

853.
검색 조건
인덱스 실행 중
인덱스 실행 X
특정 ip 조회
1,483 ms
4,886 ms
특정 ip, URL 조회
2,112 ms
8,677 ms
특정 ip, URL, 기간 조회
1,946 ms
1,670 ms

854. 읽기

855. 전용

856. 클러스터

857. 성능

858.
•

859. 테스트

860. 환경

861.
•

862. DataNode

863. 5대에

864. ElasticSearch

865. 설치

866.
•

867. 대상

868. 데이터

869.
• 질의는

870. 검색

871. 결과

872. 처음

873. 500개만

874. 결과

875. 가져오는

876. 조건

877.
•

878. IP

879. 20개를

880. 랜덤하게

881. 선택해서

882. 질의(캐쉬

883. 효과

884. 없음)

885.
ms
data

886. 바이오인포매틱스

887.
(Hadoop

888. 기반

889. Genome

890. 데이터베이스)

892. 요구사항:

893. Genome

894. Browser용

895. DB

896.
http://www.ncbi.nlm.nih.gov/variation/tools/1000genomes

897. Challenges

898.
•

899. 도메인

900. 이해의

901. 어려움

902.
•

903. AATCTATA

904. AATCTATA

905. AATCTATA

906. …⋯

908.
•

909. 수

910. 많은

911. 알고리즘

912. 및

913. 수식

914.
•

915. Maxam-Gilbert

916. sequencing

917.
•

918. R-Tree

919.
•

920. 다양한

921. Data

922. format

923.
•

924. FASTA,

925. SAM,

926. BAM,

927. SNP,

928. CNV,

929. Inversion

932. Large

933. InDel,

934. Small

935. InDel

937.
•

938. 대용량

939. 레코드

940. 저장과

941. 검색

942. (Read

943. only)

945. 시스템

946. 구성

947.
Uploader
Application Server
ZooKeeper
Master Server
Server Cluster Membership
Genome Browser
Uploader
JDBC
Data Server Failover
Master Election
Client
Indexer
Genome Allocation
Cluster Configuration
Meta Management
Meta Infomation
Data Server #1
…
Genome Unit #1
Disk
Index
Memory
Index
Data
File
Index
File
Index
File
Index
File
Index
File
Data
File
Index
File
Data
File
Index
File
Data
File
Index
File
Data
File
Index
File
Data
File
Index
File
Data
File
Index
File
Data
File
Index
File
Data
File
Hadoop DataNode
Hadoop DataNode
…
Index
File
Data
File
Index
File
Data
File
Index
File
Data
File
Index
File
Data
File
Hadoop DataNode

948. 결론

949.
•

950. Hadoop을

951. 이용하여

952.
•

953. 대용량

954. 데이터를

955. 저장하면서도

956.
•

957. 저장된

958. 데이터를

959. 1

960. ~

961. 2

962. ms

963. 이내에

964. 조회할

965. 수

966. 있는

970. 시스템을

971. 구성할

972. 수

973. 있다.

975. 온라인

976. 컨텐츠

977. 서비스

978.
(빅데이터

979. 도입

980. 환경)

982. 가장

983. 성공한

984. 사례

985.
•

986. 서비스

987. 기획의

988. 패러다임

989. 변화

990.
•

991. 프로세스

992. 변화

993.
•

994. 기획자와

995. 개발자

996. 모두가

997. 서비스

998. 발굴

999.
•

1000. 데이터를

1001. 가지고

1002. 놀

1003. 수

1004. 있는

1005. 체계

1006. 마련

1007.
•

1008. 수집

1009. 데이터

1010. 소스

1011. 확대

1012.
•

1013. 오픈

1014. 소스

1015. 기술

1016. 내재화

1019. 구축

1020. 아키텍처

1021.
HDFS
WAS
Flume
DBMS
sqoop
DW
Active
NameNode
sqoop
배치분석
StandBy
NameNode
Hive only
MRv1
JournalNode
DataNode
DataNode
DataNode
분석 룰 관리 시스템
데이터 관리자
분석 결과 저장소
Active Cluster
Table
Table
Batch Processing
StandBy Cluster
Table
Table
HBase
Table
Table
HBase
RealTime
• HDFS: hadoop-2.0.0-cdh4.3.0
• MRv1: hadoop-2.0.0-mr1-cdh.4.3.0
• HBase: hbase-0.94.6-cdh4.3.0
• Hive: hive-0.10.0-cdh4.3.0
API 서버
엔드 유저

1022. 프로젝트

1023. 조직

1024. 구성

1025.
•

1026. 기획자

1027.
•

1028. 분석

1029. 룰

1030. 구성

1031. 및

1032. 데이터

1033. 검증

1034.
•

1035. 결과

1036. 데이터

1037. 이용

1038. 서비스

1039. 기획

1040. 반영

1041.
•

1042. 아키텍처

1043.
•

1044. 대부분의

1045. 시스템

1046. 구성

1047. 및

1048. 데이터

1049. 관리

1050. 체계를

1051. 알고

1052. 있음

1053.
•

1054. 직접

1055. 개발에

1056. 참여,

1057. 개발도

1058. 잘함

1059.
•

1060. 개발자

1061.
•

1062. 대부분의

1063. 분석

1064. 룰

1065. 개발

1066. 업무를

1067. 수행

1068.
•

1069. 시스템

1070. 운영자

1071.
•

1072. Hadoop

1073. 클러스터

1074. 설치

1075. 및

1076. 운영

1077.
•

1078. 관리자

1079.
•

1080. 데이터

1081. 검증에

1082. 적극

1083. 참여

1085. Hive

1086.
•

1087. MapReduce에

1088. 익숙치

1089. 않은

1090. 개발자

1091. 접근

1092. 용이

1093.
•

1094. Sqoop으로

1095. 이관된

1096. 데이터

1097. 가공

1098. 적합

1099.
•

1100. 분석

1101. 룰

1102. 개발

1103. 기간

1104. 단축

1106. 분석

1107. 룰

1108. 관리

1109. 시스템

1110. #1

1111.
너무

1112. 많은

1113. 구현

1114. 대상

1115. Hive

1116. 질의

1117.
à

1118. 그

1119. 많은

1120. 질의를

1121. 다

1122. 만들

1123. 것인가?

1125.
질의

1126. 내

1127. 반복되는

1128. 패턴

1129. 분석

1130.
상속

1131. 관계가

1132. 형성되는

1133. 질의

1134.
파라미터만

1135. 변경되는

1136. 질의

1137.
à

1138. 질의를

1139. 쉽게

1140. 만들고,

1141. 재사용할

1142. 수

1143. 있는

1144. 방법은?

1147. 분석

1148. 룰

1149. 관리

1150. 시스템

1151. #2

1152.
새로운 분석 대상
데이터 추가
Hive 테이블
메타 정보
시스템 담당자
기획자
파라미터 튜닝
룰 생성
분석 대상
오브젝트 등록
시스템 담당자
분석 룰 디자인
Ad-hoc
질의 실행
분석 룰 관리
/실행
시스템 담당자
자동/배치
오브젝트
메타 정보
오브젝트
메타 정보
실행 결과
파라미터 튜닝
결과 조회
기획자
결과 제공
API

1153. 분석

1154. 결과

1155. 서비스

1156.
•

1157. 해결해야

1158. 될

1159. 문제

1160.
•

1161. 분석

1162. 결과

1163. 데이터가

1164. 너무

1165. 크다.

1166.
•

1167. 사용자

1168. *

1169. 제품

1170. 수

1171. *

1172. 일자

1173. *

1174. 분석

1175. 룰

1176. 개수

1177.
•

1178. 분석

1179. 결과

1180. 입력은

1181. 어떻게?

1182.
•

1183. 일반

1184. 사용자

1185. 대상

1186. 서비스이기

1187. 때문에

1188. 안정적

1189. 운영

1190.
•

1191. 조회

1192. 성능도

1193. 좋아야

1194. 함

1196. 분석

1197. 결과

1198. 서비스

1199. 시스템

1200. 구성

1201.
•

1202. HBase

1203. 기반

1204. 이중화

1205. 시스템

1206. 구성

1207.
분석 결과
(HDFS)
HFileUploader
분석 결과 저장소
Active Cluster
Table
Table
Table
HBase
WAS
StandBy Cluster
Table
Table
Table
HBase
(분석용 클러스터 활용)
WAS
Active Cluster 관리
ZooKeeper

1208. 추진과정

1209. #1

1210.
•

1211. Stage1

1212.
•

1213. DW

1214. 학습에

1215. 의한

1216. 기대

1217. 심리

1218.
•

1219. 빅데이터

1220. 특성을

1221. 고려하지

1222. 않은

1223. 요구사항

1224.
•

1225. Agile

1226. 방식으로

1227. 분석

1228. 수행

1229.
•

1230. 개발팀/운영팀

1231. 교육

1232. 및

1233. 실습

1235.
•

1236. Stage2

1237.
•

1238. 빅데이터

1239. 특성을

1240. 고려한

1241. 요구사항

1242.
•

1243. 데이터

1244. 분석

1245. 기간에

1246. 대한

1247. 현업의

1248. 이해

1249.
•

1250. Stage1

1251. 결과

1252. 공유에

1253. 따른

1254. 현업

1255. 관심

1256. 증가

1258. 추진과정

1259. #2

1260.
•

1261. Stage3

1262.
•

1263. 엔드

1264. 유저용

1265. 라이브

1266. 서비스

1267. 오픈

1268.
•

1269. 빅데이터를

1270. 이용한

1271. 서비스

1272. 기획

1273. 요건

1274. 급증

1275.
•

1276. 개발팀/운영팀

1277. 기술

1278. 성숙도

1279. 증가

1281. 1년

1282. 협업해서

1284.
이제

1285. 기본

1286. 구성

1287.
http://si.wsj.net/public/resources/images/OB-UA904_0805bo_G_20120805170407.jpg
http://runtokorea.com/wp-content/uploads/2013/02/1218_boston-marathon-2.jpg