[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,93 +2,166 @@
|
||||
id: wiki-2026-0508-big-data
|
||||
title: Big Data
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-BIGD-001]
|
||||
aliases: [Big Data, Large-Scale Data Processing]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, big-data, data-science, analytics, scalable-systems, infrastructure]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [data, distributed-systems, analytics, lakehouse]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: spark,duckdb,iceberg,polars
|
||||
---
|
||||
|
||||
# [[Big-Data|Big-Data]]
|
||||
# Big Data
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 바다, 지능의 양분: 기존의 방식으로는 처리할 수 없을 만큼 거대하고 빠른 데이터 뭉치로부터, 인공지능이 복잡한 패턴을 학습하여 정교한 예측과 자동화를 가능케 한 현대 문명의 원유."
|
||||
## 매 한 줄
|
||||
> **"매 single-machine 의 fit 의 X · single-pass 의 fit 의 X — 매 distributed compute · columnar storage 의 require"**. 2003 Google MapReduce 논문 의 origin, Hadoop → Spark → Lakehouse (Iceberg+Delta+Hudi) 의 evolve, 2026 의 single-node DuckDB/Polars 의 "Big Data is dead" 의 movement 의 mainstream.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
빅데이터(Big-Data)는 수신, 저장, 관리, 분석 역량을 넘어서는 대규모 데이터셋을 의미하며, 보통 5V로 정의됩니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **5V Characteristics**:
|
||||
* **Volume**: 압도적인 데이터의 양.
|
||||
* **Velocity**: 실시간으로 생성되고 소멸되는 속도.
|
||||
* **Variety**: 텍스트, 이미지, 로그 등 비정형 데이터의 다양성.
|
||||
* **Veracity**: 데이터의 정확성과 신뢰도 확보의 어려움.
|
||||
* **Value**: 가공을 통해 얻어낼 수 있는 실질적인 가치.
|
||||
2. **분석의 차원**:
|
||||
* **Correlation over Causation**: "왜 발생하는가"보다 "무엇과 무엇이 같이 발생하는가"라는 상관 관계 분석에 우선 집중하여 빠른 비즈니스 의사결정 지원.
|
||||
### 매 5 V
|
||||
- **Volume**: TB-PB scale.
|
||||
- **Velocity**: streaming · near-real-time.
|
||||
- **Variety**: structured + semi + unstructured.
|
||||
- **Veracity**: data quality · trust.
|
||||
- **Value**: ROI of analytics.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 무조건 많이 모으는 '데이터 댐' 정책이 유행이었으나, 현대 정책은 쓰레기 데이터 입력 시 쓰레기 결과가 나온다는(GIGO) 교훈 하에 '데이터 품질(Data-centric AI) 관리 정책'으로 전환함(RL Update).
|
||||
- **정책 변화(RL Update)**: 개인 정보 보호 정책(GDPR 등) 강화로 인해, 데이터를 한 곳으로 모으지 않고 기기단에서 학습하는 '연합 학습(Federated Learning) 정책'이 빅데이터 활용의 새로운 표준이 됨.
|
||||
### 매 stack 2026
|
||||
- **Storage**: object store (S3/GCS) + open table format (Iceberg · Delta · Hudi).
|
||||
- **Compute**: Spark · Trino · DuckDB · Polars · Snowflake · BigQuery.
|
||||
- **Orchestration**: Airflow · Dagster · Prefect.
|
||||
- **Stream**: Kafka · Flink · Kinesis.
|
||||
- **Catalog**: Unity · Polaris · Nessie · Glue.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Artificial Intelligence (AI)|Artificial Intelligence (AI)]], Foundational Models, [[Statistics & Data Analysis|Statistics & Data Analysis]], [[Backups|Backups]], [[Technical-Architecture|Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: Hadoop, Spark, NoSQL (MongoDB, Cassandra), Data Lake (Snowflake).
|
||||
---
|
||||
### 매 응용
|
||||
1. 매 BI 의 dashboard.
|
||||
2. ML training pipeline (feature store).
|
||||
3. Operational analytics (real-time fraud, ad bidding).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### Iceberg table 의 Spark 에서 의 write
|
||||
```python
|
||||
from pyspark.sql import SparkSession
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
spark = SparkSession.builder \
|
||||
.config("spark.sql.catalog.local", "org.apache.iceberg.spark.SparkCatalog") \
|
||||
.config("spark.sql.catalog.local.type", "hadoop") \
|
||||
.config("spark.sql.catalog.local.warehouse", "s3a://lake/warehouse") \
|
||||
.getOrCreate()
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
df = spark.read.json("s3a://raw/events/*.json")
|
||||
df.writeTo("local.events.daily").partitionedBy("date").createOrReplace()
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### DuckDB: 매 single-node "big data" (laptop 의 100GB)
|
||||
```python
|
||||
import duckdb
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
con = duckdb.connect()
|
||||
con.sql("""
|
||||
SELECT user_id, COUNT(*) AS events, SUM(amount) AS revenue
|
||||
FROM read_parquet('s3://lake/events/2026/*.parquet')
|
||||
WHERE event_type = 'purchase'
|
||||
GROUP BY user_id
|
||||
ORDER BY revenue DESC
|
||||
LIMIT 100
|
||||
""").show()
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Polars: out-of-core lazy
|
||||
```python
|
||||
import polars as pl
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
df = (
|
||||
pl.scan_parquet("s3://lake/events/*.parquet")
|
||||
.filter(pl.col("event_type") == "purchase")
|
||||
.group_by("user_id")
|
||||
.agg(pl.len().alias("events"), pl.col("amount").sum().alias("revenue"))
|
||||
.sort("revenue", descending=True)
|
||||
.limit(100)
|
||||
)
|
||||
print(df.collect(streaming=True))
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Flink: streaming aggregation
|
||||
```java
|
||||
DataStream<Event> events = env.fromSource(kafkaSource, ...);
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
events.keyBy(Event::userId)
|
||||
.window(TumblingEventTimeWindows.of(Time.minutes(5)))
|
||||
.aggregate(new RevenueAggregator())
|
||||
.sinkTo(icebergSink);
|
||||
```
|
||||
|
||||
### Iceberg time-travel + schema evolution
|
||||
```sql
|
||||
-- snapshot 의 query
|
||||
SELECT * FROM events FOR VERSION AS OF 8723649283746;
|
||||
SELECT * FROM events FOR TIMESTAMP AS OF '2026-05-09 00:00:00';
|
||||
|
||||
-- column add (no rewrite)
|
||||
ALTER TABLE events ADD COLUMN device_id STRING;
|
||||
|
||||
-- partition evolution
|
||||
ALTER TABLE events ADD PARTITION FIELD bucket(16, user_id);
|
||||
```
|
||||
|
||||
### Spark: dynamic partition pruning + AQE
|
||||
```python
|
||||
spark.conf.set("spark.sql.adaptive.enabled", "true")
|
||||
spark.conf.set("spark.sql.adaptive.coalescePartitions.enabled", "true")
|
||||
spark.conf.set("spark.sql.adaptive.skewJoin.enabled", "true")
|
||||
|
||||
# AQE 의 plan 의 runtime 의 reoptimize
|
||||
df = spark.sql("""
|
||||
SELECT u.name, e.event_type, COUNT(*)
|
||||
FROM events e JOIN users u ON e.user_id = u.id
|
||||
WHERE e.date >= '2026-05-01'
|
||||
GROUP BY u.name, e.event_type
|
||||
""")
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Stack |
|
||||
|---|---|
|
||||
| < 100 GB · single node | DuckDB · Polars |
|
||||
| 100GB - 10TB batch | Spark + Iceberg |
|
||||
| > 10 TB / day | Spark/Trino + Iceberg + Snowflake |
|
||||
| Streaming < 1s latency | Flink + Kafka |
|
||||
| Ad-hoc SQL | Trino · DuckDB |
|
||||
| ML training | Spark + Petastorm 또는 Ray Data |
|
||||
|
||||
**기본값**: Iceberg-on-S3 + Spark/DuckDB 의 hybrid — 매 modern lakehouse 의 standard.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Distributed Systems]] · [[Data Engineering]]
|
||||
- 변형: [[Lakehouse]] · [[Data Warehouse]] · [[Data Lake]]
|
||||
- 응용: [[Apache Ignite]] · [[BI]] · [[ML Pipeline]]
|
||||
- Adjacent: [[Append-only log]] · [[Stream Processing]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: SQL 의 generate, partitioning strategy 의 advise, schema evolution diff 의 explain, Iceberg 의 table maintenance 의 query 의 draft.
|
||||
**언제 X**: 매 production tuning (shuffle partition · executor sizing) — metric-driven 의 require, LLM hint 의 starting point 만.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Premature distribution**: 매 < 50GB 의 case 의 Spark — DuckDB 의 100x faster.
|
||||
- **Small file problem**: Spark 의 1KB parquet 의 millions — compaction 의 require.
|
||||
- **Hive-style partition explosion**: 매 high-cardinality column 의 partition (e.g. user_id) — Iceberg bucket transform 의 use.
|
||||
- **Schema-on-read 의 over-rely**: governance 의 erode — open table format 의 use.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Apache Iceberg/Spark/Flink docs, MotherDuck "Big Data is Dead" 2023, Databricks Lakehouse paper).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — 5V + 2026 lakehouse stack + DuckDB/Polars/Flink patterns |
|
||||
|
||||
Reference in New Issue
Block a user