データ分析基盤のためにS3を深堀りする～アーキテクチャ設計の考え方のヒントに～

Slide 1

Slide 1 text

データ分析基盤のためにS3を深堀りする～アーキテクチャ設計の考え方のヒントに～ JAWS FESTA 2024 広島 2024年10月12日 NRIネットコム株式会社執行役員デジタルソリューション事業本部長クラウドテクニカルセンターセンター長佐々木拓郎

Slide 2

Slide 2 text

Slide 3

Slide 3 text

Slide 4

Slide 4 text

Slide 5

Slide 5 text

Slide 6

Slide 6 text

5 Copyright（C） NRI Netcom, Ltd. All rights reserved. データ分析処理の一例目的に合わせて加工したデータをデータウェアハウスに格納して分析するリアルの世界での活動履歴オフラインデータ用途に応じてデータを編集 ETL 構造化したデータを保存する場所データウェアハウス Web等のオンライン上の活動履歴オンラインデータ生データクエリー分析・可視化機械学習加工済データ構造化の過程で、不要な情報が切り捨てられる POINT 生データを構造化する段階で、不要な情報が切り捨てられる別の切り口で分析する際には、元データの再連携が必要そのためには、データレイクが必要データレイクできるだけ元のままのデータを格納本日の主テーマ

Slide 7

Slide 7 text

6 Copyright（C） NRI Netcom, Ltd. All rights reserved. AWSのサービスに当てはめてアーキテクチャを考えていくそれぞれの構成要素に対応した、複数のサービスがある。オフラインデータオンラインデータデータレイクデータウェアハウスデータマート分析・可視化機械学習 ETL データ分析基盤リアルの世界での活動履歴 Web等のオンライン上の活動履歴 Amazon S3 Amazon EMR AWS Glue Amazon Athena Amazon Redshift Amazon Aurora Amazon Kinesis Amazon SageMaker Amazon QuickSight POINT データレイクとしてはS3を利用する。それ以外は、規模・用途に応じて使い分ける蓄積系収集系処理・分析系データをそのまま保存構造化したデータを保存用途に適したデータを抽出用途に応じてデータを編集整形されたデータで分析転送取得 AWS Lambda

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

11 Copyright（C） NRI Netcom, Ltd. All rights reserved. S3 Express One Zoneのスペック S3 標準ストレージとカタログスペックを比較してみる S3 標準ストレージ S3 Express One Zone 主な用途アクセス頻度の高いデータ向けの汎用ストレージ最もアクセス頻度が高いデータ向けの高性能ストレージ SLA 99.9% 99.9% 可用性 99.99% 99.95% 料金体系（東京リージョン） PUT、COPY、POST、LIST リクエスト (1,000 リクエストあたり) USD 0.0047 USD 0.0024 GET、SELECT、他のすべてのリクエスト (1,000 リクエストあたり) USD 0.00037 USD 0.00019 データ保存料最初の 50 TB/月 USD 0.025/GB USD 0.18/GB 標準ストレージに比べ半値 Express One Zoneに比べて1桁安い可用性は、標準ストレージの方が高い

Slide 13

Slide 13 text

Slide 14

Slide 14 text

Slide 15

Slide 15 text

14 Copyright（C） NRI Netcom, Ltd. All rights reserved. データレイクを階層化して利用するとすると？ RAWデータレイク・中間データレイク・構造化データレイク RAWデータレイク DBデータなど構造化データアクセスログなど半構造化データデータレイク SNS投稿テキストなど非構造化データ ETL（整形処理）データの形式を統一フォーマット処理重複や欠損値の除去クレンジング処理個人情報などの除去マスク処理 DBデータなど構造化データアクセスログなど半構造化データ構造化されたテキスト半構造化データ ETL（ビジネス加工）データ置換などビジネスロジック処理不要なカラムの除去などフィルタ処理データソースの属性結合エンリッチメント処理構造化データレイク顧客ごとのSNS反応履歴構造化データ Eコマースの購買履歴構造化データ実店舗の購買履歴構造化データ ETL（用途別加工）アプリ向けのデータ集約アプリ用処理古い情報のアーカイブアーカイブ用処理集計などの加工分析用処理 DWH データのフォーマットはバラバラで OK！データの意味そのものを変えるような加工はしない目的に応じて意味の改変も含めて加工したデータ

Slide 16

Slide 16 text

Slide 17

Slide 17 text

16 Copyright（C） NRI Netcom, Ltd. All rights reserved. Express One Zoneの活用 RAWデータレイク・中間データレイク・構造化データレイク RAWデータレイク DBデータなど構造化データアクセスログなど半構造化データデータレイク SNS投稿テキストなど非構造化データ ETL（整形処理）データの形式を統一フォーマット処理重複や欠損値の除去クレンジング処理個人情報などの除去マスク処理中間データレイク DBデータなど構造化データアクセスログなど半構造化データ構造化されたテキスト半構造化データ ETL（ビジネス加工）データ置換などビジネスロジック処理不要なカラムの除去などフィルタ処理データソースの属性結合エンリッチメント処理構造化データレイク顧客ごとのSNS反応履歴構造化データ Eコマースの購買履歴構造化データ実店舗の購買履歴構造化データ ETL（用途別加工）アプリ向けのデータ集約アプリ用処理古い情報のアーカイブアーカイブ用処理集計などの加工分析用処理 DWH データのフォーマットはバラバラで OK！データの意味そのものを変えるような加工はしない目的に応じて意味の改変も含めて加工したデータ大量のデータを保存する場合は、標準ストレージが適している中間処理で一時保存のみであれば、 Express One Zoneが適している運用設計次第。少量かつ高頻度の利用であれば、Express One Zoneが適している

Slide 18

Slide 18 text

Slide 19

Slide 19 text

Slide 20

Slide 20 text

19 Copyright（C） NRI Netcom, Ltd. All rights reserved. 性能測定① 小サイズの大量データでの測定結果 ⚫ EC2からデータアップロードとダウンロードの速さ ⚫ Athenaからクエリー実行した際のレスポンス時間 ⚫ APIリクエストのコスト比較（机上評価） ⚫ データは、10KBのファイルを70万個標準ストレージ Express One Zone 標準との比較アップロード時間 849.47秒 197.89秒 429% ダウンロード時間 1411.23秒 382.24秒 369% クエリー時間 75.91秒 52.30秒 145% API料金 $13.79 $2.74 500%

Slide 21

Slide 21 text

Slide 22

Slide 22 text

21 Copyright（C） NRI Netcom, Ltd. All rights reserved. 性能測定② 通常サイズのデータでの測定結果 ⚫ EC2からデータアップロードとダウンロードの速さ ⚫ Athenaからクエリー実行した際のレスポンス時間 ⚫ APIリクエストのコスト比較（机上評価） ⚫ データは、100MBのファイルを100個標準ストレージ Express One Zone 標準との比較アップロード時間 84.88秒 67.89秒 125% ダウンロード時間 79.77秒 79.81秒 100% クエリー時間 2.59秒 2.24秒 116% API料金 $0.001 $0.0002 500%

Slide 23

Slide 23 text

22 Copyright（C） NRI Netcom, Ltd. All rights reserved. 考察ストレージクラスの性能差より、まずはS3の特性を知ることが大事 ⚫S3は、オンラインストレージという特性上、オブジェクト１つの取得ごとに通信が発生する ⚫小さなサイズの大量のデータがある場合は、通信のオーバーヘッドに占める割合が高い ⚫小さなサイズのデータは、ファイルをまとめて圧縮すると格段に効率がよくなる ⚫設計の優先度としては、扱うデータの特性 > ストレージクラスカタログスペックを理解した上で、実際の性能を測定すると理解が深まる

Slide 24

Slide 24 text

Slide 25

Slide 25 text

24 Copyright（C） NRI Netcom, Ltd. All rights reserved. 性能測定の参照データ（おまけ） S3の性能測定の詳細については、こちらを参照 NRIネットコムのクラウドソリューション：検証レポート.：Athenaにおけるファイルサイズ https://cloud.nri-net.com/reports/aws-athena-performance-analysis-2310/