Apache Spark 3.x の高速化

NVIDIA GPU を活用した次世代の分析と AI の強化

GPU-accelerated libraries, DataFrame and APIs:

  • Layered on top of NVIDIA CUDA, RAPIDS is a suite of open-source software libraries and APIs that provide GPU parallelism and high-bandwidth memory speed through DataFrame and graph operations, achieving speedup factors of 50x or more on typical end-to-end data science workflows. For Spark 3.0, new RAPIDS APIs are used by Spark SQL and DataFrames for GPU accelerated memory efficient columnar data processing and query plans.
  • With Spark 3.0 the Catalyst query optimizer has been modified to identify operators within a query plan that can be accelerated with the RAPIDS API, and to schedule those operators on GPUs within the Spark cluster, when executing the query plan.
  • A new Spark shuffle implementation, built upon GPU accelerated communication libraries including Remote direct memory access (RDMA), dramatically reduces the data transfer among Spark processes. RDMA allows GPUs to communicate directly with each other, across nodes, at up to 100Gb/s, operating as if on one massive server.

GPU-aware Scheduling in Spark

  • Spark 3.0 adds integration with the cluster managers (YARN, Kubernetes, and Standalone) to request GPUs, and plugin points to allow it to be extended to run operations on the GPU. This makes GPUs easier to request and use for Spark application developers, allows for closer integration with deep learning and AI frameworks such as Horovod and TensorFlow on Spark, and allows for better utilization of GPUs.


Apache Spark は、マシンのクラスターで展開する大規模な並列データ処理のためのパワフルな実行エンジンです。迅速なアプリケーション開発とハイ パフォーマンスを可能にします。Spark 3.0 の大幅な機能強化で、大規模な GPU 並列アーキテクチャによって Spark のデータ処理をさらに高速化できます。


  • Hadoop から GPU、RAPIDS ライブラリに至るデータ処理の進化
  • Spark とは何か、何ができるのか、なぜそれが重要なのか
  • Spark における GPU アクセラレーション
  • DataFrames、および Spark SQL
  • Random Forest を使用した Spark Regression の例
  • XGBoost による GPU アクセラレーションが行われたエンドツーエンドの機械学習ワークフローの例


私は NVIDIA から最新の企業向けニュースやお知らせなどを受け取ることを希望します。登録はいつでも解除できます。