比較対象

ADLA (Azure)
BigQuery (GCP)
Athena (AWS)
RedShift (AWS)
Hive (オンプレOpenStack)

ストレージ料金

Azure Data Lake Storeについて、トランザクション料金が別になっていますが。

項目	Storage料金	転送料金
ADLS	$0.039/GB	$0.087/GB
S3	$0.025 / GB	$0.14 / GB
GCS	$0.023 / GB	$0.14 / GB

トランザクション料金

以下のように観点が異なるので、直接は比較しずらいところです。

ADLA $2/時間 (AU単位) -> $ 0.033/分AU 0.00055/秒AU
Athena， BigQuery: $5 / TB (スキャン量)
RedShift: dc2.large 1台辺り $0.314 / hour -> $ 0.0052/分 , $0.000087/秒

データフォーマット

ADLSにHDInsightからアクセスできたり、ADLAからAzure SQLなどへのアクセスがありますが、ADLAが直接アクセスできるファイルはCSV/TSVがメインになるようです。サードパーティーが提供するアセンブリを追加すると、OutputterやExtractorを拡張できるので一応できなくは無いという程度です。

項目	CSV	TSV	JSON	Parquet	ORC	Arvo
ADLA	In/Out	In/Out	(In)	(In/Out)	(In)	(In)
BigQuery	In/Out	-	In/Out	-	-	In/Out
Athena	In/Out	In/Out	In	-	-	In
RedShift	In/Out	In/Out	In	-	-	In
Hive	In/Out	In/Out	In	In/Out	-	In/Out

Schemaの検出

U-SQLでは、Extractorに型を記述する必要がありますが、スキーマ定義が必要ではありません。

項目	Schema検出
ADLA	Ok
BigQuery	Ok
Athena	-
RedShift	-
Hive	-

パフォーマンス

手元にあった34GBのデータを使いましたので、少々条件が違います。カラム数や条件に合う行数も異なるので、まったく違うかもしれませんが、ざっくりと比較するにはよいかと思います。

クエリー１

@count = SELECT COUNT( * ) AS count
    FROM @input
    WHERE column1.Length != 0;

OUTPUT @count
    TO @outputFile
    USING Outputters.Csv(outputHeader:true);

リードは20.11 GBとなりました。

クエリー2

@randsamp = SELECT * 
    FROM @input
    WHERE (column1.Length == 0) AND (new Random().Next() < 17000000 / 352824342);

@nonnull = SELECT * 
    FROM @input
    WHERE (column1.Length != 0);

@out =
    SELECT *
    FROM @randsamp
    UNION ALL
    SELECT *
    FROM @nonnull;

リードは45.40 GBとなりました。

結果

結果は以下のようになります。このサイズだと並列化をこれ以上やってもスピードは上がらないので、やはり他のエンジンほどは速くならないようです。

コストは時間とスキャンサイズでそれぞれ試算しましたが、コスト面で見た場合はそれほどドラスティックには違わないので、恐る恐る使う感覚にはならないように思います。

項目	クエリー1	クエリー2	クエリー1 コスト	クエリー2 コスト
ADLA 5AU	192 sec	720 sec	$ 0.528	$ 1.98
ADLA 20AU	72 sec	228 sec	$ 0.792	$ 2.50
BigQuery	2 sec	26 sec	$ 0.000012	$ 0.265
Athena	7 sec	115 sec	$ 0.21	$ 0.42
RedShift(large 1台)	7 sec	355 sec	$ 0.0006	$ 0.03

結論

クエリーのインタラクティブ性を求めるならBigQueryやAthena、ある一定量のクエリーが見込めて、固定的に何度も使いたいならRedShift、凝った前処理や、データ変換を気軽にやりたいならADLAという感じでしょうか？Hadoop環境まではいらないが、SQLクエリーだけだと対応できない処理が多い場合は、ADLAも悪くないという感じに思っていればよさそう。