こんにちは、羽柴です。
今週はre:inventに参加してまして、その中の1つのトラックであるDelivering Results with Amazon Redshift, One Petabyte at a Timeをレポートしたいと思います。
re:inventはセッションにもよりますが日本語トラックも用意されています。やはり日本語は何も考えなくても頭に入ってくるのでいいすね。とはいえ普段あまりRedshiftを触らない私にとってはなかなか濃い内容で楽しめました。

Amazon Data Warehouse Overview

Amazon Data Warehouse は Amazon の全てのデータを管理し、それを元に事業を行っている

ミッションはそのデータを使って最適な価値をお客様に提供することである

Web Logs on Amazon Redshift

・Web Logsはアマゾンのキーとなるものでオンラインでのユーザーの活動状況などのログのこと

・ユーザーの行動だけでなく、その後のバックエンドで行われているログも併せて取得している
　→いわゆるサプライチェーンマネジメントってやつですよね、たぶん
・前年対比67%で増加している

Web Logsのゴール

・デイリーデータを1時間以内に集計する
・1日で1ヶ月分のの正確なデータを集計する

・自動的に古いデータをドロップしデータを最適化する

・ゼロインパクトメンテナンスを実現する

Web Logs の現在の構成

・Oracle RAC
・EMR

ADW Web Log/ Amazon Redshift

・101-node 8XL クラスター
・1PBの容量
・3 clusters - 2つは本番、1つはテストおよび開発

Design considerations

・ラージストテーブルが400TBある

・Redshiftへのチャレンジ項目
　・削除に負荷がかかる

　　データ挿入でソートしないため、数千のクエリが毎日遅くなる

　　→バキュームが遅い、物理パーテションが存在しない
　・同じテーブルに対してパラレルなロードが許されない
　・15の同時クエリ

アーキテクチャレベルでのベストプラクティス

・250MBの圧縮チャンクにする
・テーブルレベルでベンチマークする必要はある
・ディストリビューションキーとしてセッションIDを使って分散した

・カラムコンプレッションは使うべき

　私達は ANALYZE COMPRESSIONを使っている

その他にもありますが、正確に書くのが難しそうなのでそのまま画像貼り付けますね

パフォーマンスーローディングデータ

15億レコードで10時間切るくらいですかね

パフォーマンスーロングクエリ

ロングクエリでは Amazon Redshift の方が86%速くなったとのこと

パフォーマンスーショートクエリ

逆にショートクエリではOracleの方が66%速いみたいですね

パフォーマンスメンテナンス

やはりリストアには時間がかかりますね

改善されたパフォーマンス

・Pig から redshift: 2日から1時間に短縮
・Hiveからredshift: 3日間から2時間に短縮
・Oracleから Redshift: 90時間から8時間に短縮

質疑応答

Q, どうやって最適化するのか
A, カーディナリティが重要、ローカルジョインは問題が出てくる

Q, どういうふうにロードするのか
A, S3で分割配置してロードしている

まとめ

規模がとんでもないので正直イメージが湧きづらいのですが、ペタバイトクラスのデータであっても工夫をすればRedshiftは高いパフォーマンスを発揮し、業務改善に大きく繋がることは理解できました。来年はうちのRedshiftマスターにぜひ行って欲しいですね。

このクラスの事例を日本でも早くほしいですね。実はもうあったりしてｗ

ではでは。