Enviar búsqueda
Cargar
[241] Storm과 Elasticsearch를 활용한 로깅 플랫폼의 실시간 알람 시스템 구현
•
58 recomendaciones
•
9,760 vistas
NAVER D2
Seguir
DEVIEW2015 DAY2. Storm과 Elasticsearch를 활용한 로깅 플랫폼의 실시간 알람 시스템 구현
Leer menos
Leer más
Tecnología
Denunciar
Compartir
Denunciar
Compartir
1 de 61
Descargar ahora
Descargar para leer sin conexión
Recomendados
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
NAVER D2
[232] 성능어디까지쥐어짜봤니 송태웅
[232] 성능어디까지쥐어짜봤니 송태웅
NAVER D2
인공지능추천시스템 airs개발기_모델링과시스템
인공지능추천시스템 airs개발기_모델링과시스템
NAVER D2
what is_tabs_share
what is_tabs_share
NAVER D2
[244]네트워크 모니터링 시스템(nms)을 지탱하는 기술
[244]네트워크 모니터링 시스템(nms)을 지탱하는 기술
NAVER D2
[232] 수퍼컴퓨팅과 데이터 어낼리틱스
[232] 수퍼컴퓨팅과 데이터 어낼리틱스
NAVER D2
분산저장시스템 개발에 대한 12가지 이야기
분산저장시스템 개발에 대한 12가지 이야기
NAVER D2
[231]운영체제 수준에서의 데이터베이스 성능 분석과 최적화
[231]운영체제 수준에서의 데이터베이스 성능 분석과 최적화
NAVER D2
Recomendados
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
NAVER D2
[232] 성능어디까지쥐어짜봤니 송태웅
[232] 성능어디까지쥐어짜봤니 송태웅
NAVER D2
인공지능추천시스템 airs개발기_모델링과시스템
인공지능추천시스템 airs개발기_모델링과시스템
NAVER D2
what is_tabs_share
what is_tabs_share
NAVER D2
[244]네트워크 모니터링 시스템(nms)을 지탱하는 기술
[244]네트워크 모니터링 시스템(nms)을 지탱하는 기술
NAVER D2
[232] 수퍼컴퓨팅과 데이터 어낼리틱스
[232] 수퍼컴퓨팅과 데이터 어낼리틱스
NAVER D2
분산저장시스템 개발에 대한 12가지 이야기
분산저장시스템 개발에 대한 12가지 이야기
NAVER D2
[231]운영체제 수준에서의 데이터베이스 성능 분석과 최적화
[231]운영체제 수준에서의 데이터베이스 성능 분석과 최적화
NAVER D2
[135] 오픈소스 데이터베이스, 은행 서비스에 첫발을 내밀다.
[135] 오픈소스 데이터베이스, 은행 서비스에 첫발을 내밀다.
NAVER D2
[2A1]Line은 어떻게 글로벌 메신저 플랫폼이 되었는가
[2A1]Line은 어떻게 글로벌 메신저 플랫폼이 되었는가
NAVER D2
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
NAVER D2
[D2]thread dump 분석기법과 사례
[D2]thread dump 분석기법과 사례
NAVER D2
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
NAVER D2
[233]멀티테넌트하둡클러스터 남경완
[233]멀티테넌트하둡클러스터 남경완
NAVER D2
[122]네이버의모던웹라이브러리 박재성
[122]네이버의모던웹라이브러리 박재성
NAVER D2
검색로그시스템 with Python
검색로그시스템 with Python
itproman35
지금 핫한 Real-time In-memory Stream Processing 이야기
지금 핫한 Real-time In-memory Stream Processing 이야기
Ted Won
[215]네이버콘텐츠통계서비스소개 김기영
[215]네이버콘텐츠통계서비스소개 김기영
NAVER D2
[214] data science with apache zeppelin
[214] data science with apache zeppelin
NAVER D2
[264] large scale deep-learning_on_spark
[264] large scale deep-learning_on_spark
NAVER D2
[244] 분산 환경에서 스트림과 배치 처리 통합 모델
[244] 분산 환경에서 스트림과 배치 처리 통합 모델
NAVER D2
[234]멀티테넌트 하둡 클러스터 운영 경험기
[234]멀티테넌트 하둡 클러스터 운영 경험기
NAVER D2
[2D4]Python에서의 동시성_병렬성
[2D4]Python에서의 동시성_병렬성
NAVER D2
[D2] java 애플리케이션 트러블 슈팅 사례 & pinpoint
[D2] java 애플리케이션 트러블 슈팅 사례 & pinpoint
NAVER D2
Theano 와 Caffe 실습
Theano 와 Caffe 실습
정주 김
클라우드 환경에서 알아야할 성능 이야기
클라우드 환경에서 알아야할 성능 이야기
YoungSu Son
주키퍼
주키퍼
Junkwang Lee
딥러닝(Deep Learing) using DeepDetect
딥러닝(Deep Learing) using DeepDetect
Junyi Song
[233] level 2 network programming using packet ngin rtos
[233] level 2 network programming using packet ngin rtos
NAVER D2
[253] apache ni fi
[253] apache ni fi
NAVER D2
Más contenido relacionado
La actualidad más candente
[135] 오픈소스 데이터베이스, 은행 서비스에 첫발을 내밀다.
[135] 오픈소스 데이터베이스, 은행 서비스에 첫발을 내밀다.
NAVER D2
[2A1]Line은 어떻게 글로벌 메신저 플랫폼이 되었는가
[2A1]Line은 어떻게 글로벌 메신저 플랫폼이 되었는가
NAVER D2
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
NAVER D2
[D2]thread dump 분석기법과 사례
[D2]thread dump 분석기법과 사례
NAVER D2
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
NAVER D2
[233]멀티테넌트하둡클러스터 남경완
[233]멀티테넌트하둡클러스터 남경완
NAVER D2
[122]네이버의모던웹라이브러리 박재성
[122]네이버의모던웹라이브러리 박재성
NAVER D2
검색로그시스템 with Python
검색로그시스템 with Python
itproman35
지금 핫한 Real-time In-memory Stream Processing 이야기
지금 핫한 Real-time In-memory Stream Processing 이야기
Ted Won
[215]네이버콘텐츠통계서비스소개 김기영
[215]네이버콘텐츠통계서비스소개 김기영
NAVER D2
[214] data science with apache zeppelin
[214] data science with apache zeppelin
NAVER D2
[264] large scale deep-learning_on_spark
[264] large scale deep-learning_on_spark
NAVER D2
[244] 분산 환경에서 스트림과 배치 처리 통합 모델
[244] 분산 환경에서 스트림과 배치 처리 통합 모델
NAVER D2
[234]멀티테넌트 하둡 클러스터 운영 경험기
[234]멀티테넌트 하둡 클러스터 운영 경험기
NAVER D2
[2D4]Python에서의 동시성_병렬성
[2D4]Python에서의 동시성_병렬성
NAVER D2
[D2] java 애플리케이션 트러블 슈팅 사례 & pinpoint
[D2] java 애플리케이션 트러블 슈팅 사례 & pinpoint
NAVER D2
Theano 와 Caffe 실습
Theano 와 Caffe 실습
정주 김
클라우드 환경에서 알아야할 성능 이야기
클라우드 환경에서 알아야할 성능 이야기
YoungSu Son
주키퍼
주키퍼
Junkwang Lee
딥러닝(Deep Learing) using DeepDetect
딥러닝(Deep Learing) using DeepDetect
Junyi Song
La actualidad más candente
(20)
[135] 오픈소스 데이터베이스, 은행 서비스에 첫발을 내밀다.
[135] 오픈소스 데이터베이스, 은행 서비스에 첫발을 내밀다.
[2A1]Line은 어떻게 글로벌 메신저 플랫폼이 되었는가
[2A1]Line은 어떻게 글로벌 메신저 플랫폼이 되었는가
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
[D2]thread dump 분석기법과 사례
[D2]thread dump 분석기법과 사례
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
[233]멀티테넌트하둡클러스터 남경완
[233]멀티테넌트하둡클러스터 남경완
[122]네이버의모던웹라이브러리 박재성
[122]네이버의모던웹라이브러리 박재성
검색로그시스템 with Python
검색로그시스템 with Python
지금 핫한 Real-time In-memory Stream Processing 이야기
지금 핫한 Real-time In-memory Stream Processing 이야기
[215]네이버콘텐츠통계서비스소개 김기영
[215]네이버콘텐츠통계서비스소개 김기영
[214] data science with apache zeppelin
[214] data science with apache zeppelin
[264] large scale deep-learning_on_spark
[264] large scale deep-learning_on_spark
[244] 분산 환경에서 스트림과 배치 처리 통합 모델
[244] 분산 환경에서 스트림과 배치 처리 통합 모델
[234]멀티테넌트 하둡 클러스터 운영 경험기
[234]멀티테넌트 하둡 클러스터 운영 경험기
[2D4]Python에서의 동시성_병렬성
[2D4]Python에서의 동시성_병렬성
[D2] java 애플리케이션 트러블 슈팅 사례 & pinpoint
[D2] java 애플리케이션 트러블 슈팅 사례 & pinpoint
Theano 와 Caffe 실습
Theano 와 Caffe 실습
클라우드 환경에서 알아야할 성능 이야기
클라우드 환경에서 알아야할 성능 이야기
주키퍼
주키퍼
딥러닝(Deep Learing) using DeepDetect
딥러닝(Deep Learing) using DeepDetect
Destacado
[233] level 2 network programming using packet ngin rtos
[233] level 2 network programming using packet ngin rtos
NAVER D2
[253] apache ni fi
[253] apache ni fi
NAVER D2
[212] large scale backend service develpment
[212] large scale backend service develpment
NAVER D2
[221] docker orchestration
[221] docker orchestration
NAVER D2
[261] 실시간 추천엔진 머신한대에 구겨넣기
[261] 실시간 추천엔진 머신한대에 구겨넣기
NAVER D2
[245] presto 내부구조 파헤치기
[245] presto 내부구조 파헤치기
NAVER D2
[243] turning data into value
[243] turning data into value
NAVER D2
[242] wifi를 이용한 실내 장소 인식하기
[242] wifi를 이용한 실내 장소 인식하기
NAVER D2
[262] netflix 빅데이터 플랫폼
[262] netflix 빅데이터 플랫폼
NAVER D2
[231] the simplicity of cluster apps with circuit
[231] the simplicity of cluster apps with circuit
NAVER D2
[223] h base consistent secondary indexing
[223] h base consistent secondary indexing
NAVER D2
[234] 산업 현장을 위한 증강 현실 기기 daqri helmet 개발기
[234] 산업 현장을 위한 증강 현실 기기 daqri helmet 개발기
NAVER D2
[224] 번역 모델 기반_질의_교정_시스템
[224] 번역 모델 기반_질의_교정_시스템
NAVER D2
[252] 증분 처리 플랫폼 cana 개발기
[252] 증분 처리 플랫폼 cana 개발기
NAVER D2
[263] s2graph large-scale-graph-database-with-hbase-2
[263] s2graph large-scale-graph-database-with-hbase-2
NAVER D2
[211] 네이버 검색과 데이터마이닝
[211] 네이버 검색과 데이터마이닝
NAVER D2
[222]대화 시스템 서비스 동향 및 개발 방법
[222]대화 시스템 서비스 동향 및 개발 방법
NAVER D2
[213] ethereum
[213] ethereum
NAVER D2
[251] implementing deep learning using cu dnn
[251] implementing deep learning using cu dnn
NAVER D2
[113] lessons from realm
[113] lessons from realm
NAVER D2
Destacado
(20)
[233] level 2 network programming using packet ngin rtos
[233] level 2 network programming using packet ngin rtos
[253] apache ni fi
[253] apache ni fi
[212] large scale backend service develpment
[212] large scale backend service develpment
[221] docker orchestration
[221] docker orchestration
[261] 실시간 추천엔진 머신한대에 구겨넣기
[261] 실시간 추천엔진 머신한대에 구겨넣기
[245] presto 내부구조 파헤치기
[245] presto 내부구조 파헤치기
[243] turning data into value
[243] turning data into value
[242] wifi를 이용한 실내 장소 인식하기
[242] wifi를 이용한 실내 장소 인식하기
[262] netflix 빅데이터 플랫폼
[262] netflix 빅데이터 플랫폼
[231] the simplicity of cluster apps with circuit
[231] the simplicity of cluster apps with circuit
[223] h base consistent secondary indexing
[223] h base consistent secondary indexing
[234] 산업 현장을 위한 증강 현실 기기 daqri helmet 개발기
[234] 산업 현장을 위한 증강 현실 기기 daqri helmet 개발기
[224] 번역 모델 기반_질의_교정_시스템
[224] 번역 모델 기반_질의_교정_시스템
[252] 증분 처리 플랫폼 cana 개발기
[252] 증분 처리 플랫폼 cana 개발기
[263] s2graph large-scale-graph-database-with-hbase-2
[263] s2graph large-scale-graph-database-with-hbase-2
[211] 네이버 검색과 데이터마이닝
[211] 네이버 검색과 데이터마이닝
[222]대화 시스템 서비스 동향 및 개발 방법
[222]대화 시스템 서비스 동향 및 개발 방법
[213] ethereum
[213] ethereum
[251] implementing deep learning using cu dnn
[251] implementing deep learning using cu dnn
[113] lessons from realm
[113] lessons from realm
Similar a [241] Storm과 Elasticsearch를 활용한 로깅 플랫폼의 실시간 알람 시스템 구현
Private PaaS with Docker, spring cloud and mesos
Private PaaS with Docker, spring cloud and mesos
uEngine Solutions
효율적인 개발 프로세스를 위한 지속적 통합
효율적인 개발 프로세스를 위한 지속적 통합
홍렬 임
[MeetUp][3rd] Prometheus 와 함께하는 모니터링 및 시각화
[MeetUp][3rd] Prometheus 와 함께하는 모니터링 및 시각화
InfraEngineer
엘라스틱서치 클러스터로 수십억 건의 데이터 운영하기
엘라스틱서치 클러스터로 수십억 건의 데이터 운영하기
흥래 김
Final 07.컨테이너 환경에서 모니터링 이슈와 해결 방안
Final 07.컨테이너 환경에서 모니터링 이슈와 해결 방안
Opennaru, inc.
Mirantis open stack deployment automation
Mirantis open stack deployment automation
WooKyun Jeon
[21]변화의 시대 : 안드로이드 앱 어떻게 개발할 것인가?
[21]변화의 시대 : 안드로이드 앱 어떻게 개발할 것인가?
NAVER Engineering
Cloud-Barista 제1차 오픈세미나 : CB-Dragonfly-멀티 클라우드 통합 모니터링 프레임워크(1st Open Seminar...
Cloud-Barista 제1차 오픈세미나 : CB-Dragonfly-멀티 클라우드 통합 모니터링 프레임워크(1st Open Seminar...
Cloud-Barista Community
Fault Tolerance 소프트웨어 패턴
Fault Tolerance 소프트웨어 패턴
IMQA
Mcollective orchestration tool 소개
Mcollective orchestration tool 소개
태준 문
Monasca 를 이용한 cloud 모니터링 final
Monasca 를 이용한 cloud 모니터링 final
SangWook Byun
[OpenStack Days Korea 2016] Track1 - Monasca를 이용한 Cloud 모니터링
[OpenStack Days Korea 2016] Track1 - Monasca를 이용한 Cloud 모니터링
OpenStack Korea Community
Image Deep Learning 실무적용
Image Deep Learning 실무적용
Youngjae Kim
Fault Tolerance 패턴
Fault Tolerance 패턴
YoungSu Son
Java 어플리케이션 성능튜닝 Part2
Java 어플리케이션 성능튜닝 Part2
상욱 송
[테크데이즈2015] 개발하기 바쁜데 푸시와 메시지큐는 있는거 쓸래요
[테크데이즈2015] 개발하기 바쁜데 푸시와 메시지큐는 있는거 쓸래요
Youngjae Kim
Concurrent programming
Concurrent programming
Byeongsu Kang
Cloud migration pattern using microservices
Cloud migration pattern using microservices
Seong-Bok Lee
[Td 2015]개발하기 바쁜데 푸시서버와 메시지큐는 있는거 쓸래요(김영재)
[Td 2015]개발하기 바쁜데 푸시서버와 메시지큐는 있는거 쓸래요(김영재)
Sang Don Kim
처음 시작하는 라라벨
처음 시작하는 라라벨
KwangSeob Jeong
Similar a [241] Storm과 Elasticsearch를 활용한 로깅 플랫폼의 실시간 알람 시스템 구현
(20)
Private PaaS with Docker, spring cloud and mesos
Private PaaS with Docker, spring cloud and mesos
효율적인 개발 프로세스를 위한 지속적 통합
효율적인 개발 프로세스를 위한 지속적 통합
[MeetUp][3rd] Prometheus 와 함께하는 모니터링 및 시각화
[MeetUp][3rd] Prometheus 와 함께하는 모니터링 및 시각화
엘라스틱서치 클러스터로 수십억 건의 데이터 운영하기
엘라스틱서치 클러스터로 수십억 건의 데이터 운영하기
Final 07.컨테이너 환경에서 모니터링 이슈와 해결 방안
Final 07.컨테이너 환경에서 모니터링 이슈와 해결 방안
Mirantis open stack deployment automation
Mirantis open stack deployment automation
[21]변화의 시대 : 안드로이드 앱 어떻게 개발할 것인가?
[21]변화의 시대 : 안드로이드 앱 어떻게 개발할 것인가?
Cloud-Barista 제1차 오픈세미나 : CB-Dragonfly-멀티 클라우드 통합 모니터링 프레임워크(1st Open Seminar...
Cloud-Barista 제1차 오픈세미나 : CB-Dragonfly-멀티 클라우드 통합 모니터링 프레임워크(1st Open Seminar...
Fault Tolerance 소프트웨어 패턴
Fault Tolerance 소프트웨어 패턴
Mcollective orchestration tool 소개
Mcollective orchestration tool 소개
Monasca 를 이용한 cloud 모니터링 final
Monasca 를 이용한 cloud 모니터링 final
[OpenStack Days Korea 2016] Track1 - Monasca를 이용한 Cloud 모니터링
[OpenStack Days Korea 2016] Track1 - Monasca를 이용한 Cloud 모니터링
Image Deep Learning 실무적용
Image Deep Learning 실무적용
Fault Tolerance 패턴
Fault Tolerance 패턴
Java 어플리케이션 성능튜닝 Part2
Java 어플리케이션 성능튜닝 Part2
[테크데이즈2015] 개발하기 바쁜데 푸시와 메시지큐는 있는거 쓸래요
[테크데이즈2015] 개발하기 바쁜데 푸시와 메시지큐는 있는거 쓸래요
Concurrent programming
Concurrent programming
Cloud migration pattern using microservices
Cloud migration pattern using microservices
[Td 2015]개발하기 바쁜데 푸시서버와 메시지큐는 있는거 쓸래요(김영재)
[Td 2015]개발하기 바쁜데 푸시서버와 메시지큐는 있는거 쓸래요(김영재)
처음 시작하는 라라벨
처음 시작하는 라라벨
Más de NAVER D2
[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다
NAVER D2
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
NAVER D2
[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기
NAVER D2
[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발
NAVER D2
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
NAVER D2
[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A
NAVER D2
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기
NAVER D2
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning
NAVER D2
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications
NAVER D2
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
NAVER D2
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
NAVER D2
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
NAVER D2
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화
NAVER D2
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
NAVER D2
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
NAVER D2
[213] Fashion Visual Search
[213] Fashion Visual Search
NAVER D2
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화
NAVER D2
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
NAVER D2
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
NAVER D2
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?
NAVER D2
Más de NAVER D2
(20)
[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기
[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[213] Fashion Visual Search
[213] Fashion Visual Search
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?
[241] Storm과 Elasticsearch를 활용한 로깅 플랫폼의 실시간 알람 시스템 구현
1.
네이버 서비스플랫폼개발센터 이승진 Storm과
Elasticsearch를 활용한 로깅 플랫폼의 실시간 알람 시스템 구현
2.
Contents 1. Intro 2. 기존
알람 시스템의 문제점 3. Storm과 Elasticsearch Percolator 소개 및 활용 4. 새로 구현된 알람 시스템
3.
발표자 소개 운동을 즐기고 여행을
사랑하며 프로그래밍은 격하게!
4.
발표자 소개 • 네이버
5.
서비스
6.
플랫폼
7.
개발센터
8.
소속
9.
• 전사
10.
로깅
11.
플랫폼
12.
개발
13.
• 오픈소스
14.
컨트리뷰션
15.
• Storm-elasticsearch
16.
드라이버
17.
등
18.
1. Intro
19.
로깅 플랫폼이란 개발
20.
1팀 로깅
21.
플랫폼
22.
구축해야... 로깅
23.
플랫폼
24.
개발 개발
25.
2팀 로깅
26.
플랫폼
27.
개발 개발
28.
3팀 로깅
29.
플랫폼
30.
개발 중복되는
31.
삽질
32.
로깅 플랫폼이란 개발
33.
1팀 개발
34.
2팀 개발
35.
3팀 공용
36.
로깅
37.
플랫폼 효율적인
38.
운영
39.
알람의 필요성 A
40.
서비스 A
41.
서비스
42.
개발자
43.
B군
44.
알람의 필요성 A
45.
서비스 A
46.
서비스
47.
개발자
48.
B군
49.
A
50.
서비스 A
51.
서비스
52.
개발자
53.
B군 알람의 필요성
54.
A
55.
서비스 A
56.
서비스
57.
개발자
58.
B군 알람의 필요성
59.
A
60.
서비스 A
61.
서비스
62.
개발자
63.
B군 알람의 필요성
64.
1. 기존 알람
모듈의 문제점
65.
네이버 사내 로깅
플랫폼 • NELO2
66.
• Elasticsearch
67.
기반
68.
• 검색,
69.
대시보드,
70.
크래시
71.
분석,
72.
알람
73.
등의
74.
기능
75.
수집
76.
서버
77.
78.
79.
-
80.
룰
81.
매칭
82.
83.
84.
-
85.
5분
86.
주기
87.
규칙
88.
동기화 기존 알람 모듈의
문제점 구조적인 문제점 알람
89.
서버
90.
Node.js
91.
기반
92.
93.
94.
-
95.
알람
96.
집계
97.
98.
99.
-
100.
1분
101.
주기
102.
알람
103.
발송 유입
104.
로그 • 기존
105.
알람
106.
모듈
107.
아키텍쳐 확장성
108.
제약 주기적인
109.
동작
110.
방식 이원화
111.
된
112.
알람
113.
처리
114.
기존 알람 모듈의
문제점 구조적인 문제점 주기적인
115.
동작
116.
방식 • 알람
117.
발송의
118.
실시간성이
119.
보장되지
120.
않음
121.
• 사용자의
122.
갱신행위
123.
반영시점도
124.
명확하지
125.
않음
126.
기존 알람 모듈의
문제점 구조적인 문제점 확장성
127.
제약 • 수집서버
128.
-
129.
알람서버가
130.
직접
131.
메세지를
132.
주고
133.
받음
134.
• 알람서버
135.
노드
136.
추가시
137.
수집서버도
138.
재시작
139.
되어야
140.
하는
141.
문제
142.
143.
기존 알람 모듈의
문제점 구조적인 문제점 이원화
144.
된
145.
알람
146.
처리 • 하나의
147.
알람
148.
관련
149.
기능을
150.
두
151.
컴포넌트에서
152.
나눠서
153.
처리
154.
• 버그
155.
리포트
156.
시
157.
문제원인
158.
파악의
159.
어려움
160.
기존 알람 모듈의
문제점 UX측면에서의 문제점 검색 알람
161.
등록이상
162.
로그
163.
확인 Elasticsearch
164.
쿼리 자체
165.
정의
166.
쿼리
167.
규칙 • 사용자의
168.
알람
169.
기능
170.
활용
171.
패턴 검색
172.
/
173.
알람
174.
문법
175.
불일치
176.
확장성
177.
제약 주기적인
178.
동작
179.
방식 기존 알람 모듈의
문제점 검색
180.
/
181.
알람
182.
문법
183.
불일치 이원화
184.
된
185.
알람
186.
처리
187.
2. Storm과 Elasticsearch Percolator
소개 및 활용
188.
Storm Intro • 분산
189.
스트리밍
190.
처리
191.
프레임워크
192.
• Java
193.
/
194.
Clojure
195.
• 메세지
196.
전송
197.
보장
198.
• at
199.
least
200.
/
201.
at
202.
most
203.
/
204.
exactly
205.
once
206.
Storm 아키텍쳐 Supervisor Nimbus Zookeeper Worker Supervisor Supervisor Supervisor Worker Executor Task Task Worker 마스터노드 클러스터
207.
관리 워커
208.
209.
구동
210.
/
211.
관리 프로세스
212.
수행
213.
Storm Cluster • nimbus(마스터)와
214.
supervisor(슬레이브)로
215.
구성
216.
• supervisor는
217.
worker
218.
프로세스를
219.
관리
220.
• worker는
221.
실제
222.
topology를
223.
구동
224.
• 주키퍼를
225.
통한
226.
코디네이션
227.
• 데이터
228.
처리
229.
흐름을
230.
나타나내는
231.
DAG
232.
• Spout
233.
:
234.
데이터
235.
소스
236.
• Bolt
237.
:
238.
개별
239.
데이터
240.
처리
241.
로직
242.
• Tuple
243.
:
244.
단위
245.
데이터
246.
• 워커
247.
프로세스
248.
들에
249.
의해
250.
분산
251.
구동
252.
• Sub-second
253.
latency Storm Topology Spout Bolt Bolt Bolt Spout Bolt tuple
254.
Storm Rebalancing : executor
parallelism control Bolt
255.
A Bolt
256.
B Bolt
257.
C Spout Spout Storm
258.
Topology Input
259.
Storm Rebalancing : executor
parallelism control Bolt
260.
A Bolt
261.
B Bolt
262.
C Spout Spout Storm
263.
Topology Input storm
264.
rebalance
265.
myTopology
266.
-e
267.
BoltB=4
268.
269.
Storm Bolt
270.
A Bolt
271.
B Bolt
272.
C Spout Spout Storm
273.
Topology Input Rebalancing : intra
worker parallelism control
274.
Storm Input Spout Spout Bolt
275.
C Bolt
276.
C Bolt
277.
C Topology Rebalancing : worker
parallelism control storm
278.
rebalance
279.
myTopology
280.
-n
281.
3
282.
Storm Spout Spout Bolt
283.
C Bolt
284.
C Bolt
285.
C Topology Spout Spout Bolt
286.
C Bolt
287.
C Bolt
288.
C Topology Spout Spout Bolt
289.
C Bolt
290.
C Bolt
291.
C Topology Input Rebalancing : worker
parallelism control
292.
Storm High availability • Nimbus
293.
데몬이
294.
죽는
295.
경우
296.
• Worker
297.
프로세스
298.
자체에는
299.
영향이
300.
없음,
301.
• 이후
302.
리밸런싱은
303.
일어나지
304.
않음
305.
• 적절한
306.
관리
307.
프로세스가
308.
필요
309.
• SPOF(Single
310.
Point
311.
Of
312.
Failure)
313.
• Nimbus
314.
이중화
315.
논의/PR
316.
진행
317.
중
318.
Storm High availability • Supervisor
319.
데몬이
320.
죽는
321.
경우
322.
• Worker
323.
프로세스
324.
자체에는
325.
영향
326.
없음
327.
• 이후
328.
해당
329.
노드에서
330.
리밸런싱은
331.
일어나지
332.
않음
333.
• 적절한
334.
관리
335.
프로세스가
336.
필요
337.
Storm High availability • Worker
338.
프로세스가
339.
죽는
340.
경우
341.
• 수차례
342.
해당
343.
노드에서
344.
재시작
345.
시도
346.
• 실패할
347.
경우
348.
다른
349.
노드로
350.
리밸런싱
351.
• Storm
352.
UI
353.
/
354.
Storm
355.
rest
356.
API
357.
• 토폴로지
358.
메트릭
359.
조회(throughput,
360.
latency
361.
등)
362.
• Custom
363.
metric
364.
• IMetricsConsumer
365.
인터페이스
366.
상속하여
367.
커스텀
368.
구현
369.
• Graphite를
370.
통한
371.
시계열
372.
메트릭
373.
시각화
374.
• Central
375.
logging
376.
platform Storm monitoring
377.
• 5
378.
Elasticsearch
379.
nodes,
380.
2
381.
Storm
382.
worker
383.
nodes
384.
• 2
385.
cpu
386.
cores,
387.
4gb
388.
mem
389.
• 평균
390.
1kb
391.
로그
392.
사이즈
393.
• 초당
394.
평균
395.
처리량
396.
30k,
397.
latency
398.
150ms
399.
이내 Storm 성능테스트
400.
Storm 기존 알람의 문제점
해결 주기적인
401.
동작
402.
방식 확장성
403.
제약 검색
404.
/
405.
알람
406.
문법
407.
불일치 이원화된
408.
알람
409.
처리 유연한
410.
확장성 실시간
411.
메세지
412.
처리
413.
Elasticsearch Intro • Lucene
414.
기반
415.
분산
416.
검색
417.
엔진
418.
• JSON
419.
형태로
420.
문서를
421.
저장
422.
:
423.
schema
424.
free
425.
• 기능
426.
• Search
427.
• Aggregation
428.
• Percolator
429.
•
430.
etc..
431.
Elasticsearch Elasticsearch RDBMS Index database Type
table Mapping schema Document row Field column Glossary
432.
Elasticsearch Glossary • Shard
433.
• 인덱스
434.
데이터의
435.
횡적
436.
분할
437.
• Primary
438.
/
439.
Replica로
440.
구분
441.
Elasticsearch Percolator API 검색 역검색vs
442.
• 검색 Elasticsearch Percolator message :
나는 신청 못함 ㅠ message : 커피가 부족해요 message : 데뷰 세션들 최고 Step
443.
1.
444.
문서를
445.
저장 데뷰 AND 최고
message : 데뷰 세션들 최고 Step
446.
2.
447.
질의어로
448.
문서를
449.
탐색
450.
Elasticsearch Percolator • Percolator
451.
API id
452.
:
453.
1
454.
query
455.
:
456.
데뷰
457.
AND
458.
최고 id
459.
:2
460.
query
461.
:
462.
커피 Step
463.
1.
464.
질의어를
465.
저장 message
466.
:
467.
커피
468.
부족해요 message
469.
:
470.
데뷰
471.
세션들
472.
최고 message
473.
:
474.
나는
475.
신청
476.
못함
477.
ㅠ [{id
478.
:
479.
1
480.
}] [{id
481.
:
482.
2
483.
}] [] Step
484.
2.
485.
문서와
486.
매치되는
487.
질의어를
488.
탐색
489.
Elasticsearch Percolator 적용 아이디어 로그유입 Percolator
490.
+
491.
Stream
492.
processing 실시간
493.
알람
494.
• Routing Elasticsearch Percolator 성능
최적화 Shard 1 Shard 2 Shard 2 Shard 3 Shard 3 Shard 1 percolate
495.
req
496.
• Routing Elasticsearch Percolator 성능
최적화 Shard 1 Shard 2 Shard 2 Shard 3 Shard 3 Shard 1 percolate
497.
req routing
498.
:
499.
s2 응답시간
500.
단축 리소스
501.
사용
502.
감소
503.
• Load
504.
balancing Elasticsearch Percolator 성능 최적화 Shard
1 Shard 2 Shard 2 Shard 3 Shard 3 Shard 1 percolate
505.
req
506.
1
507.
routing
508.
:
509.
s2 percolate
510.
req
511.
2
512.
routing
513.
:
514.
s2 부하
515.
분산
516.
• Filtering Elasticsearch Percolator 성능
최적화 Shard 1 Shard 2 percolate
517.
req
518.
project query deview2015 데뷰
519.
AND
520.
커피 deview2014 롯데
521.
호텔
522.
오는
523.
길 deview2014 데뷰
524.
날짜 deview2015 암표
525.
팔아요
526.
• Filtering Elasticsearch Percolator 성능
최적화 Shard 1 Shard 2 percolate
527.
req
528.
filter
529.
:
530.
{
531.
532.
533.
534.
535.
project
536.
:
537.
deview2015
538.
} project query deview2015 데뷰
539.
AND
540.
커피 deview2014 롯데
541.
호텔
542.
오는
543.
길 deview2014 데뷰
544.
날짜 deview2015 암표
545.
팔아요 타겟
546.
질의어
547.
범위
548.
축소
549.
Elasticsearch Percolator 도입에 따른
이점 • Elasticsearch
550.
쿼리를
551.
알람
552.
질의어로
553.
사용
554.
• projectName:deview
555.
AND
556.
(body:/.*securityfailexception|.*sessionfailexception/)
557.
• (project:deview-2014
558.
OR
559.
project:deview-2015)
560.
AND
561.
body:exception
562.
NOT
563.
source:session-request 검색
564.
/
565.
알람
566.
문법
567.
일치 다양한
568.
알람
569.
질의어
570.
지원
571.
Elasticsearch 기존 알람의 문제점
해결 주기적인
572.
동작
573.
방식 확장성
574.
제약 유연한
575.
확장성 실시간
576.
메세지
577.
처리 검색
578.
/
579.
알람
580.
문법
581.
불일치 이원화된
582.
알람
583.
처리 검색
584.
/
585.
알람
586.
문법
587.
일치
588.
4. 새로 구현된
알람 시스템
589.
새로 구현된 알람
시스템 • 하나의
590.
Storm
591.
topology
592.
• 한
593.
모듈에서
594.
알람
595.
관련
596.
모든
597.
기능을
598.
처리
599.
• 실시간
600.
알람
601.
발송
602.
및
603.
캐시
604.
동기화
605.
새로 구현된 알람
시스템 실시간 알람 발송 순서도 해당
606.
로그와
607.
매치되는
608.
알람
609.
규칙이
610.
있는가? 알람
611.
발생
612.
조건
613.
(임계값+시간간격)이
614.
충족되는가? Percolate
615.
Request 알람
616.
규칙
617.
집계 각각의
618.
유입
619.
로그에
620.
대하여 실시간
621.
알람
622.
발송 LogSpout PercolationBolt AggregationBolt NotificationBolt True True
623.
새로 구현된 알람
시스템 실시간 캐시 동기화 • 사용자
624.
정보
625.
및
626.
알람
627.
규칙
628.
갱신
629.
시
630.
Kafka에
631.
메세지
632.
전송
633.
• 알람
634.
서버는
635.
이를
636.
읽어
637.
관련된
638.
캐시를
639.
즉시
640.
동기화
641.
새로 구현된 알람
시스템 로그유입
642.
:
643.
4건 알람
644.
미발송 10:15:00.000 10:30:00.000 10:30:00.000 10:30:00.000 실시간 알람 롤링
윈도우 집계 title 이상한
645.
일이다!! threshold 5 interval 10분 query
데뷰
646.
AND
647.
최고 rule:87 alert:87
648.
로그유입
649.
:
650.
5건
651.
시간간격
652.
:
653.
16분 알람
654.
미발송 10:15:00.000 10:31:00.000 10:30:00.000 10:30:00.000 10:30:00.000 rule:87 alert:87 title 이상한
655.
일이다!! threshold 5 interval 10분 query
데뷰
656.
AND
657.
최고 실시간 알람 롤링
윈도우 집계 새로 구현된 알람 시스템
658.
10:30:00.000 10:31:00.000 10:32:00.000 로그유입
659.
:
660.
5건
661.
시간간격
662.
:
663.
2분 알람
664.
발송 10:30:00.000 10:30:00.000 rule:87 alert:87 title 이상한
665.
일이다!! threshold 5 interval 10분 query
데뷰
666.
AND
667.
최고 실시간 알람 롤링
윈도우 집계 새로 구현된 알람 시스템
668.
새로 구현된 알람
모듈 변화된 아키텍처 Elasticsearch Redis 수집 서버 API 서버 Kafka Log
669.
topic Update
670.
topic LogSpout Update Spout CacheUpdateBolt PercolationBolt AggregationBolt NotificationBolt 외부
671.
컴포넌트 메세징
672.
큐 Storm
673.
Topology 실시간
674.
알람
675.
발송
676.
및
677.
동기화
678.
새로 구현된 알람
모듈 기존 알람의 문제점 해결 주기적인
679.
동작
680.
방식 확장성
681.
제약 유연한
682.
확장성 실시간
683.
메세지
684.
처리 검색
685.
/
686.
알람
687.
문법
688.
불일치 이원화된
689.
알람
690.
처리 검색
691.
/
692.
알람
693.
문법
694.
일치 알람
695.
처리의
696.
일원화
697.
마치며 오늘 다룬 내용들 •
기존
698.
알람시스템의
699.
문제점
700.
• Storm을
701.
통한
702.
유연한
703.
확장성
704.
및
705.
실시간
706.
메세지
707.
처리
708.
• Elasticsearch
709.
Percolator를
710.
알람의
711.
룰
712.
매칭
713.
기능으로
714.
활용
715.
• 새로
716.
구현된
717.
알람시스템의
718.
동작
719.
방식,
720.
아키텍쳐
721.
소개
722.
• 실시간
723.
알람
724.
발송
725.
및
726.
캐시
727.
동기화
728.
전략
729.
감사합니다.
Descargar ahora