AWS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
  • Redshift 2016
  • Redshift Update & Spectrum 2017
  • Redshiftテーブル設計ガイド
  • Redshift Update 2019
• ドキュメント
  • Redshiftとは?
  • Redshiftのベストプラクティス
• よくある質問
• AWSブログ
  • Amazon Redshiftを使用した高性能ETL処理のベストプラクティス Top 8
  • Amazon Redshift Spectrum 10 のベストプラクティス

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
• 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
  • 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

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

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