[論文レビュー] An introduction to Docker for reproducible research, with examples from the R environment

Carl Boettiger|arXiv (Cornell University)|Oct 2, 2014

Scientific Computing and Data Management参考文献 12被引用数 369

ひとこと要約

この論文は、特にR環境における科学的研究における計算再現性の課題に対して、Dockerを解決策として導入している。OSレベルの仮想化、コンテナのポータビリティ、バージョン管理されたイメージを活用することで、Dockerは研究者が完全な計算環境をカプセル化でき、プラットフォーム間で一貫した実行を可能にし、再現性のある研究ワークフローにおける依存関係関連の障害を顕著に低減する。

ABSTRACT

As computational work becomes more and more integral to many aspects of scientific research, computational reproducibility has become an issue of increasing importance to computer systems researchers and domain scientists alike. Though computational reproducibility seems more straight forward than replicating physical experiments, the complex and rapidly changing nature of computer environments makes being able to reproduce and extend such work a serious challenge. In this paper, I explore common reasons that code developed for one research project cannot be successfully executed or extended by subsequent researchers. I review current approaches to these issues, including virtual machines and workflow systems, and their limitations. I then examine how the popular emerging technology Docker combines several areas from systems research - such as operating system virtualization, cross-platform portability, modular re-usable elements, versioning, and a `DevOps' philosophy, to address these challenges. I illustrate this with several examples of Docker use with a focus on the R statistical environment.

研究の動機と目的

• 複雑で進化を続けるソフトウェア環境のため、科学的研究における計算再現性の課題が増大していることに対処する。
• ドメイン科学者にとって再現性を支援する上で、従来の仮想マシンやワークフロー管理システムの限界を強調する。
• 軽量なコンテナ化、ポータビリティ、バージョニングの仕組みを活用したDockerの技術的利点が、コード再利用や再現の障壁をどのように克服できるかを示す。
• R統計計算環境におけるDockerの実用的応用を提示し、再現可能で共有可能で拡張可能な研究を支援する。
• 技術的障壁を低減することで、コード共有を促進し、オープンで再現可能な科学への文化の変化を支援するツールとしてDockerの採用を促進する。

提案手法

• Linuxコンテナを用いたOSレベルの仮想化により、システムライブラリやRの依存関係を含む完全な計算環境をカプセル化する。
• R、Rパッケージ、分析コードを1つのデプロイ可能なユニットにバンドルしたモジュラーや再利用可能なコンテナイメージを実装する。
• コンテナイメージの変更履歴を追跡し、特定の再現可能な状態にロールバックできるDockerのバージョニングシステムを活用する。
• 動的文書（例：R Markdown）や依存関係マネージャ（例：Rのpackrat）といった既存の再現性のある研究ツールとDockerを統合する。
• 完全なコンテナイメージをtarボールとしてアーカイブし、発表済みの結果で使用された計算環境のビット単位で同一のスナップショットを保存する。
• 異なるオペレーティングシステム間で、Dockerコンテナを用いてRベースの分析をクロスプラットフォームでデプロイする。

実験結果

リサーチクエスチョン

• RQ1 Dockerは、特にRベースの研究において、計算科学における「依存関係の混乱（dependency hell）」問題をどのように軽減できるか。
• RQ2 Dockerは、異なるコンピューティング環境間でRベースのデータ分析のポータビリティと再現性をどの程度向上できるか。
• RQ3 Dockerを科学的分野における再現性のある研究に使用する際の技術的および実用的限界は何か。
• RQ4 伝統的な方法（仮想マシンやワークフロー管理システムなど）と比較して、Dockerのアプローチは再現性をどの程度支援できるか。
• RQ5 Dockerは、コード再利用の障壁を低減し、科学的研究における共有の文化の変化に影響を与えることができるか。

主な発見

• Dockerは、必要なすべてのシステムおよびソフトウェア依存関係を1つのポータブルコンテナイメージにパッケージ化することで、依存関係の混乱を効果的に解消する。
• コンテナ化されたR環境は、異なるプラットフォーム間で一貫した実行を保証し、再現性のある研究における環境関連の障害を顕著に低減する。
• Dockerのバージョニングシステムにより、コンテナイメージの過去の状態へのロールバックが可能であるが、個々のレイヤーを元に戻すことはできない。ビット単位の再現性を確保するには、明示的なtarボールアーカイブが不可欠である。
• Rのツール（例：R Markdown や packrat）と組み合わせたDockerの使用により、動的文書生成を含む分析の完全な再現性が実現できる。
• Dockerの利点にもかかわらず、Linuxカーネルに依存しているため、非Linuxシステムでは完全仮想化（例：boot2dockerを介して）が必要となり、パフォーマンスと使いやすさに影響を与える。
• 本論文は、Dockerが科学分野における再現性の向上に強く潜在能力を秘めていると結論づけるが、研究コミュニティにおける広範な採用は不確かであり、文化的・技術的要因に依存する。