468-AWS SAP AWS 「理論・実践・一問道場」Apache Parquet パーケット

type

status

date

slug

summary

理論

Athenaのパフォーマンス最適化とデータ形式

Amazon Athenaは、Amazon S3に保存されたデータに対してSQLクエリを実行できるサービスです。パフォーマンスを向上させ、コストを削減するためのベストプラクティスを以下にまとめます。

1. 適切なデータ形式の選択

Apache Parquetは、Athenaでのクエリパフォーマンスを大幅に向上させるために最適なデータ形式です。Parquetは列指向のフォーマットで、クエリ時に必要な列だけを読み込むため、スキャンするデータ量が減り、クエリが高速化します。また、Parquetは圧縮効率が高く、ストレージコストの削減にも寄与します。

JSONやCSVは一般的にテキストベースのフォーマットですが、クエリのパフォーマンスはParquetほど高くありません。Athenaでのクエリを効率的にするためには、データ形式をParquetに変換することを推奨します。

2. パーティションの活用

Athenaではパーティションを使用することで、クエリが対象とするデータの範囲を絞り、パフォーマンスを大幅に向上させることができます。例えば、ログデータを時間単位（年、月、日）でパーティション分けすることで、クエリ時に特定の期間のデータのみをスキャンでき、検索時間が短縮されます。

パーティションの設計はデータの使用パターンに基づいて行う必要があり、過剰なパーティション化は逆にパフォーマンスを悪化させることもあります。

3. 圧縮

圧縮はストレージの効率化とクエリパフォーマンスの向上に重要です。Athenaは圧縮されたファイルを直接クエリできるため、適切な圧縮方式を使用することが推奨されます。

Parquet形式自体は圧縮されているため、追加の圧縮は不要ですが、テキストファイル（CSVやJSON）を圧縮して保存する場合は、GzipやSnappyなどの効率的な圧縮形式を使用することが良いです。

4. Athenaの設定と最適化

Athenaエンジンバージョン: Athenaは新しいエンジンバージョン（例：Athenaエンジンバージョン2）を提供しており、これにはクエリパフォーマンスの改善やコスト削減が含まれています。最新のエンジンバージョンを使用することで、より効率的にデータを処理できます。

メモリや並列処理の最適化: Athenaの設定を最適化することで、より効率的にクエリを処理することが可能です。特に、大規模なデータセットを扱う場合は、適切なワークグループ設定を行い、リソースの最適化を図ることが重要です。

まとめ

Athenaでのクエリパフォーマンスを最適化するためには、Parquet形式を使用し、パーティションや圧縮を活用することが基本です。また、Athenaエンジンバージョンの更新や適切なワークグループ設定を行うことで、より効率的なデータ分析が可能になります。

実践

略

一問道場

質問 #468

ある企業は、複数のAWSアカウントにワークロードをデプロイしています。各アカウントにはVPCがあり、VPCフローログはテキストログ形式で中央のAmazon S3バケットに発行されています。各ログファイルはgzip圧縮されています。企業はログファイルを無期限に保持する必要があります。

セキュリティエンジニアは、Amazon Athenaを使用してVPCフローログを分析していますが、ログが増えるにつれてクエリのパフォーマンスが低下しています。ソリューションアーキテクトは、ログ分析のパフォーマンスを改善し、VPCフローログの使用するストレージスペースを削減する必要があります。

どのソリューションが最も大きなパフォーマンス改善をもたらしますか？

A. AWS Lambda関数を作成して、gzipファイルを解凍し、bzip2圧縮でファイルを圧縮します。Lambda関数をS3バケットのs3:ObjectCreated:Put S3イベント通知にサブスクライブします。

B. S3バケットでS3転送加速を有効にし、ファイルがアップロードされるとすぐにファイルをS3インテリジェントティアリングストレージクラスに移動するS3ライフサイクル設定を作成します。

C. VPCフローログの設定を更新して、ファイルをApache Parquet形式で保存します。ログファイルのために時間単位のパーティションを指定します。

D. 新しいAthenaワークグループを作成し、データ使用制限を設定しないようにします。Athenaエンジンバージョン2を使用します。

解説

この問題は、VPCフローログの分析パフォーマンスを改善し、ストレージスペースを削減するための最適なソリューションを選択する問題です。解説は以下の通りです。

各選択肢の解説:

A. AWS Lambda関数を作成して、gzipファイルを解凍し、bzip2圧縮でファイルを圧縮します。Lambda関数をS3バケットの`s3:ObjectCreated:Put` S3イベント通知にサブスクライブします。

問題点: GzipからBzip2に圧縮方法を変更することは、ストレージの使用効率を改善できるかもしれませんが、Athenaでのクエリパフォーマンスを劇的に向上させることはありません。また、Lambdaで圧縮を変更することはオーバーヘッドが高く、ファイルの取り扱いが複雑になる可能性があります。

結論: パフォーマンス改善には効果が少なく、ストレージ効率も大きな改善にはつながりません。

B. S3転送加速を有効にし、S3インテリジェントティアリングストレージクラスに移動するS3ライフサイクル設定を作成します。

問題点: S3転送加速はデータのアップロード速度を向上させるものであり、ストレージの効率やAthenaのクエリパフォーマンスには直接的な影響を与えません。また、インテリジェントティアリングはコストの最適化には役立つかもしれませんが、パフォーマンスの改善には繋がりません。

結論: パフォーマンス向上にはほとんど寄与しません。

C. VPCフローログの設定を更新して、ファイルをApache Parquet形式で保存します。ログファイルのために時間単位のパーティションを指定します。

ベストプラクティス: Apache Parquet形式は列指向のフォーマットで、Athenaのクエリパフォーマンスを大幅に改善します。AthenaはParquet形式でデータを効率的に処理でき、圧縮率も高いためストレージコストも削減されます。また、時間単位のパーティションを指定することで、クエリが必要な部分のみをスキャンするため、パフォーマンスがさらに向上します。

結論: この方法は、パフォーマンスの大幅な改善とストレージの削減に最も効果的です。

D. 新しいAthenaワークグループを作成し、データ使用制限を設定しないようにします。Athenaエンジンバージョン2を使用します。

問題点: Athenaエンジンバージョン2はパフォーマンスが向上する可能性がありますが、根本的にデータ形式（例えばParquet形式）やストレージの効率を改善するものではありません。また、データ使用制限を設定しないことでコストの管理が難しくなる可能性があります。

結論: パフォーマンス向上の効果はありますが、データフォーマットの最適化に比べると改善幅は限定的です。

結論:

C. VPCフローログの設定を更新して、ファイルをApache Parquet形式で保存します。ログファイルのために時間単位のパーティションを指定します。 が最も効果的な解決策です。Parquet形式とパーティションを使用することで、Athenaのクエリパフォーマンスが大幅に改善され、ストレージの効率化も実現できます。