認定Big Data勉強記 - 6: Amazon Redshift
こんにちは、えいりんぐーです。
今回はRedshiftについてまとめます。
Q: Amazon Redshift とは何ですか?
Amazon Redshift は高速で完全マネージド型のデータウェアハウスです。標準 SQL および既存のビジネスインテリジェンス (BI) ツールを使用して、すべてのデータをシンプルかつコスト効率よく分析できます。洗練されたクエリ最適化、列指向ストレージ、高パフォーマンスのローカルディスク、および超並列クエリ実行を使用して、ペタバイト単位の構造化データに対して複雑な分析クエリを実行できます。
参考資料
基本的に以下の資料をもとにしています。
- Black Belt資料
- ドキュメント
- よくある質問
- AWSブログ
仕組み
- クラスター
- リーダーノード
- コンピュートノードの管理
- クライアントとのやりとり
- クエリの最適化
- コンピュートノード
- データの保存
- クエリの実行
- リーダーノード
- 超並列処理: Massive Parallel Processing
- 1つのタスクを複数のノードで分散して実行する
- ノードの追加でスケールアウト
- シェアードナッシング
- ディスクをノードで共有しない
- ノードの増加に対して、ディスクがボトルネックにならない
- 列指向型のデータ保管
- データの圧縮
- 圧縮アルゴリズムは列ごとに指定できる
- ゾーンマップ
- ブロック単位でデータを格納
- ブロック内の最小値と最大値をメモリに保存
ノードタイプ
Dense Compute (dc2): 費用対効果が良い
Dense Storage (ds2): ストレージあたりの費用が低い
タイプ | CPU | メモリ | ストレージ | スライス | ノード数 | 価格 | リサイズ幅 |
---|---|---|---|---|---|---|---|
dc2.large | 2 | 15 | 0.16TB SSD | 2 | 1~32 | $0.314/h | 1/2倍と2倍のみ |
dc2.8xlarge | 32 | 244 | 2.56TB SSD | 16 | 2~128 | $6.095/h | 同上 |
ds2.xlarge | 4 | 31 | 2TB HDD | 2 | 1~32 | $1.190/h | 1/2倍から2倍の間で任意の値 |
ds2.8xlarge | 36 | 244 | 16TB HDD | 16 | 2~128 | $9.520/h | 同上 |
- 価格に関しては2019年1月時点
データ保護
- クライアントとRedshiftの通信をSSLで暗号化可能
- 保管中もAES-256で暗号化する
- Redshift管理の鍵だけでなく、顧客管理のHSMや、AWS KMSの利用も可能
- データウェアハウスの自動バックアップがデフォルトで有効
- 保存は1日。35日まで変更できる
- AZが機能停止したら、クラスターも使用不可能になる
- スナップショットから他のAZに復元は可能
- Redshift自体のマルチAZは現在非対応
パフォーマンスの最適化
- ディスクIOの削減
- 適切なデータ型
- データ圧縮
- LZOが多くのケースで有効
-
ANALYZE COMPRESSION
コマンドで推奨を確認できる
- アクセス範囲の制限
- SORTKEYによってデータが順に格納される
- 頻繁に範囲・等式検索される列に有効
- Interleaved Sort Key
- 複数の列をソートキーに指定できる
- 複数のキーがAND条件で検索される時などに有効
- SORTKEYによってデータが順に格納される
- データの平準化
- ノードのデータサイズを均一にする
- データ転送の最小化
- データ分布の選択
- EVEN: 均一に分散。基本はこれ
- KEY: 同じキーを同じ場所に。カーディナリティが高いと有効
- ALL: 全ノードにデータをコピー
- コロケーション
- ジョインされやすい列をDISTKEYに設定する
- ALLでテーブルを作成する
- データ分布の選択
運用
- S3にデータを置く
- COPYコマンドでロードする
- エンコーディングが定義されていなければ自動で圧縮
- IAMロールの利用が可能
- gzip, bzip2, lzo, zstdで圧縮すると効率化
- ファイル分割で効率化
- Analyze & Vacuumで効率化
- テーブルの統計情報はクエリプランの決定に使われる
-
ANALYZE
コマンドで統計情報を最新に保つ- PREDICATE COLUMNSオプションを使うことで、WHERE句に使われた列だけを対象とすることができる
- Redshiftのデータは追記型
- 削除がマークされるだけでディスク上はデータが残る
-
VACUUM
コマンドで不要領域を削除(コンパクション)する -
ANALYZE
とVACUUM
はバックグラウンドスケジュール実行できる
-
ALTER TABLE APPEND
- ソース表をターゲット表に移動する
-
CREATE TABLE AS
やINSERT INTO
よりも高速-
CREATE TEMP TABLE
ではDIST KEYやSORT KEYを指定できるので、ロードを速くできる
-
- バックアップ
- ディスクイメージをS3へバックアップする
- 他リージョンへの作成可能
- KMS暗号化済みのスナップショット転送にも対応
- データの抽出
- 大量のデータをファイル抽出したい時は
UNLOAD
を使用する -
ENCRYPTED
オプションで抽出データを暗号化できる
- 大量のデータをファイル抽出したい時は
データのロード
S3以外のデータソースからもデータをインポートできる。
- DynamoDB
- EMR
- Glue
- Data Pipeline
ポイント
Elastic Resize
クラスターをオンデマンドで迅速に伸縮する。
Workload Management (WLM)
実行時間の長いクエリはクラスタ全体のボトルネックになるので、WLM毎にクエリ並列度の上限を設けたキューを定義する。キューで並列度を保証する。リソース競合の可能性は残る。concurrency や memory to use のように Redshift を再起動せずに変更できるパラメータと、 user groups や query groups のように再起動が必要なパラメータがある。
Data Migration Service
ターゲットとして Redshift が対応可能。
Query Monitoring Rules (QMR)
WLMの拡張で、クエリに関するルールを作成して、違反したクエリに対してアクションを実行する。ルール: CPU使用率・ジョイン対象行数など。アクション: LOG/ABORTなど。
CTASにおける自動圧縮
2017年のアップデートで、CTASで作成される表の列は全てLZOで圧縮される(例外あり)。
UDF User Logging
RedshiftはPythonでUDFを作成できる。loggerに出力したエラーログを自動的にRedshiftに蓄積できる。
Enhanced VPC Routing
VPC-S3間のCOPY/UNLOADの通信ルートを調整するための機能。メリット: S3への通信を特定のVPCエンドポイントまたはゲートウェイ経由に強制できる。
ショートクエリアクセラレーション (SQA)
機械学習によってクエリの実行時間を予測。ショートクエリと判断されたクエリは専用のキューにルーティング。リソースを動的に確保。
リザルトキャッシュ
リーダーノード内のキャッシュにクエリ結果が含まれている場合、コンピュートノードで処理をせずに返却。
その他
向き
- データウェアハウス
- 数百GB ~ PB
- OLAP
- 複雑だが同時実行数の少ないSQL
- 頻繁でないデータ更新
- 構造データ
不向き
- 同時実行数の多いSQL
- RDSが良い
- 低レイテンシー
- RDSかElastiCache
- ランダム・パラレルなアクセス
- RDSかDynamoDB
- データを格納するが集計はしない
- RDSやDynamoDB
EMRとの使い分け
RedshiftもHadoopもクラスター上に作成されるが、その使い分けとは
- EMR
- データが非構造な時
- Hive, Spark, Prestoなどが使いたい時
- 機械学習・データ変換・ストリーミング処理をしたい時
- Redshift
- 構造的な大規模データを扱う時
- SQLだけが使えればいい時
Author And Source
この問題について(認定Big Data勉強記 - 6: Amazon Redshift), 我々は、より多くの情報をここで見つけました https://qiita.com/ieiringoo/items/dd501cc3039422cf0d94著者帰属:元の著者の情報は、元のURLに含まれています。著作権は原作者に属する。
Content is automatically searched and collected through network algorithms . If there is a violation . Please contact us . We will adjust (correct author information ,or delete content ) as soon as possible .