Docs
Record
AWS Certified Data Analytics 자격증 이론 정리

AWS Certified Data Analytics 자격증 이론 정리

1. Base

아래의 정리된 내용을 바탕으로 부족한 내용 정리

2. Collection

  • RealTime : 실시간 Data 수집

    • Kinesis data Streams (KDS)
    • Simple Queue Service (SQS)
    • Internet of Things (IoT)

  • Near-real Time : 준실시간 Data 수집

    • Kinesis Data Firehose (KDF)
    • Database Migration Service (DMS)

  • Batch : 일괄 Data 수집

    • Snowball
    • Data Pipeline

2.1. Kinesis Data Streams

  • 다수의 Shard로 구성
  • Retention : 1 ~ 365 Days
  • 저장된 Data는 지울수 없음
  • Producer
  • Record
    • Producer가 전송하는 Data
    • Partition Key : Record가 어느 Shard로 전달될지 결정
    • Data Blob : Data 저장소
  • Consumer
  • Capacity Mode
    • Provisioned Mode
      • 사용자가 Shard의 개수를 지정
      • Shard 개수당 비용 발생
    • On-demand Mode
      • Traffic 양에 따라서 자동으로 Scaling 수행
      • 기본 성능 : 4 MB/sec, 4000 msg/sec
      • Shard 개수 및 Traffic 양에 따라서 비용 발생
  • Security
    • IAM 기반 인증/인가
    • 전송 Data 암호화는 HTTPS 이용
    • 저장된 Data 암호환느 KMS 이용
    • VPC 내부에서 VPC Endpoint를 통해서 접근 가능
    • CloudTrail을 통한 추적

2.1.1. Kinesis Producer

  • Ex) Application, SDK KPL, Kinesis Agent, CloudWatch Logs, AWS IoT, Kinesis Data Analytics
  • 성능
    • Shard당 1 MB/sec, 1000 msg/sec 제한
    • 초과시 ProvisionedThroughputExceeded Exception 발생
      • 더 많은 Data를 보내고 있는건지, Hot Shard가 발생하고 있는건지 확인 필요
      • Backoff 기반 재시도, Shard 증가, Partition Key 점검을 통해서 문제 해결
  • API
    • 단일 : PutRecord
    • 복수 : PutRecords
  • Kinesis Producer Library (KPL)
    • C++/Java 지원
    • Retry 로직 지원
      • 최대 30분 동안의 Data를 가지고 있으며, Retry 수행
    • Sync, Async API 지원
    • CloudWatch로 Metric 전송
    • Batching 수행
      • Throuput 증가, 비용 감소
      • RecordMaxBufferedTime의 시간 만큼 대기후 한번에 전송 (Default 100ms)
      • Write API를 직접 이용하는것 대비 Latency가 발생하기 때문에, Latency가 중요한 Application이라면 KPL 이용을 권장하지 않음
    • 압축은 제공하지 않으며 App에서 직접 구현 필요
    • KPL로 Encoding된 Record는 반드시 KPL 또는 Helper Library를 통해서 Decoding 필요
  • Kinesis Agent
    • Log 파일을 Kinesis Data Streams로 전송
    • KPL 기반
    • Data 전처리 지원

2.1.2. Kinesis Consumer

  • Ex) Application, AWS Lambda, Kinesis Data Firehose, Kinesis Data Analytics
  • 성능
    • Default : 2 MB/sec all Consumer
    • Enhanced Fan Out 이용시 : 2 MB/sec per Consumear
  • API
    • GetRecords
      • 다수의 Record를 가져옴
      • Client의 Polling 필요
      • 한번의 호출로 각 Shard당 최대 2 MB Data 수신 가능
      • 한번의 호출로 최대 10 MB Data, 10000개의 Record 수신 가능
        • 10 MB 수신 시 성능 제한에 따라서 5초 동안 Throttled
      • 각 Shard당 초당 5번 접근 가능
  • Kinesis Client Library (KCL)
    • Golang, Python, Ruby, NodeJs
    • Group 기능을 통해서 다수의 Consumer가 다수 Shard를 분배하여 처리 가능
    • Checkpointing 기능을 통해서 Data 처리 Resume 가능
    • KPL을 통해서 Aggregation된 Data를 De-aggregation 수행
  • Kinesis Connector Library
    • Data를 다른 AWS Servce로 전달
    • EC2 Instance에서 구동 필요
    • Deprecated : Kinesis Firehorse로 대체
  • Lambda
    • De-aggreagte되어 Lamba 함수에게 전달
    • Batch 사이즈 지정 가능

2.1.3. Kinesis Scailing

  • Shard 추가
    • Shard 추가시 기존의 Parent Shard를 대체하는 다수의 Child Shard가 생성
    • Parent Shard에 존재하는 Data를 모두 처리한 이후에, Child Shard의 Data 처리를 권장
      • KCL에서는 내부적으로 구현이 되어 있음
  • Shard 통합
    • Chart 통합시 기존 다수의 Parent Shard를 대체하는 하나의 Child Shard 생성

2.1.4. Deplicated Records

  • Producer
    • 일시적 Network 장애로 인해서 동일한 Record가 중복되어 Stream에 저장될 수 있음
    • 중복된 저장을 회피할 수 없으며, Consumer에서 중복 처리 필요
  • Consumer
    • Data에 Unique ID를 집어 넣어, 동일한 Data를 수신하여도 중복 처리되지 않도록 App Logic 처리

2.2. Kinesis Data Firehose

  • AWS Service, 3rd Party Application에 Data 적재
  • Fully Managed Service : Auto-scaling 지원
  • Near Real Time : 최소 60초 지연 발생
  • 압축 지원 : GZIP, ZIP, SNAPPY
  • Producer
    • SDK KPL, Kinesis Agent, Kinesis Data Streams, Amazon CloudWatch, AWS IoT
    • 하나의 Record 당 최대 1MB
  • Consumer
    • Amazon S3, Amazon OpenSearch, Datadog, splunk, New Relic, MongoDB, HTTP Endpoints
    • Batch Write 수행
  • Transformation
    • Lambda를 활용하여 Data 변환 가능

3. Processing

3.1. Glue

  • Serverless ETL 수행
  • S3, RDS, Redshift의 Data 처리 가능
  • Glue Crawler
    • S3의 Data로 부터 Schema 생성
    • 생성된 Schema는 Glue Data Catalog에 저장
  • Glue Data Catalog
    • Schema 정보 저장소
    • 사용자의 입력 또는 Glue Crawler를 통해서 생성 가능
    • EMR Hive의 Metastore를 Glue Data Catalog로 변환 가능
    • EMR Hive에서 Hive의 Metastore로 제공 가능
  • Glue Studio : Glue Job을 Visual Interface를 통해서 처리
  • Glue Data Quality
    • Data의 품질 평가 및 검사 서비스
    • DQDL (Data Quality Definition Language) 이용하여 규칙 정의
    • Glue Studio에서 이용 가능

3.2. Glue DataBrew

3.3. Lake Formation

  • Data Lake (S3)의 Data 접근 권한 관리
  • Data Monitoring 기능 제공
  • Data 변환 기능 제공
  • Glue 기반

3.4. Amazon Security Lake

  • Data 보안 중앙화
  • Multi Account, On-premise 환경포함 Data 정규화
  • Data Life-cycle 관리

3.5. EMR

  • EC2 기반 관리형 Hadoop Framework
    • Spark, HBase, Presto, Flink
    • EMR Notebooks

3.5.1. EMR Cluster

  • Master Node
    • Task 상태 추적, Cluster 상태 관리
  • Core Node
    • HDFS 제공, Task 수행
    • Multi Node Cluster의 경우에 반드시 하나 이상의 Core Node가 존재
      • 일부 Hadoop Echo System에서 여전히 HDFS가 이용되기 때문
    • Scale Up&Down이 가능하지만 Data Loss Risk 가능성 존재
  • Task Node
    • Task 수행
    • HDFS와 같이 Data를 저장하고 있지 않기 때문에 제거시에도 Data Loss Risk가 존재하지 않음
    • Spot Instance 이용에 적합
  • Transient vs Long-Running Cluster
    • Transient Cluster
      • Task 수행 완료후 Cluster 제거
      • Batch Job에 적합
    • Long-running Cluster
      • RI Instance를 이용하여 Stream Task 수행
      • Spot Instnace를 이용하여 Batch Task 수행
  • Task 제출
    • Master Node에 직접 접근하여 Task 제출
    • AWS Console을 통해서 Task 제출

3.5.2. EMR with AWS Services

  • S3에 Input Data, Output Data 저장 수행
  • CloudWatch를 통해서 Performance Monitoring 수행
  • IAM을 통해서 인가 관리 수행
  • CloudTrail을 통해서 Audit 수행
  • AWS Data Pipeline, AWS Step Function을 통해서 Task Scheduling, Workflow 구성

3.5.3. EMR Stroage

  • HDFS
    • Core Node의 Cluster로 구성
    • EMR Cluster의 Life-cycle과 동일, EMR Cluster 제거시 HDFS의 데이터도 삭제됨
    • EMRFS보다 빠른 성능을 보이기 때문에 임시 Data를 저장하는 Caching 용도의 사용 권장
  • EMRFS
    • S3 기반 Filesystem
    • EMR Cluster와 별개의 Life-cycle를 갖음, EMR Cluster 제거시에도 Data 보존
    • S3에서 Strong Consisteny 보장
  • Local Filesystem
    • 임시 Cache 용도로 이용

3.5.4. EMR Managed Scailing

  • EMR Automatic Scailing
    • CloudWatch Metric 기반
    • Instance Group만 지원
  • EMR Managed Scailing
    • Instance Group, Instance Fleet 지원
    • Spark, Hive, YARN Workload 지원

3.5.5. EMR Serverless

  • Spark, Hive, Presto 지원
  • Cluster 크기를 자동으로 관리
  • 사용자가 크기 지정 가능
  • 하나의 Region 내부에서만 Task 처리

3.5.6. EMR Spark

  • Kinesis와 Spark Streaming 연동 가능
  • Spark를 통해서 처리한 Data를 Redshift에 저장 가능
  • Athena Console에서 Spark 실행을 통해서 Data 분석 가능

3.5.7. EMR Hive

  • SQL(HiveQL)을 이용하여 HDFS, EMRFS에 저장된 Data 조회 가능
  • MapReduce, Tez를 기반으로 SQL을 분산 처리 수행
  • OLAP에 적합
  • User Defined Function, Thrift, JDBC/ODBC Driver 지원
  • Metastore
    • Data Structure 정보
    • Column 이름, Type 정보
    • 기본적으로 Master Node의 MySQL에 Metastore를 저장
    • AWS 환경에서는 Glue Data Catalog, Amazon RDS에 저장하는 방안을 권고
  • AWS Service와 연동
    • S3로 부터 Load Data, Write Data 수행 가능
    • S3로 부터 Script Load 가능

3.5.8. EMR Apache Pig

  • Mapper, Reducer 작성을 빠르게 도와주는 Script 환경 제공
  • SQL-like Syntax를 이용하여 Map, Reduce 단계 수행
  • User Define 함수 제공 (UDF’s)
  • MapReduce, Tez를 기반으로 분산 처리 수행
  • AWS Service와 연동
    • S3 Data Query 수행 가능
    • S3로 부터 JAR, Script Load 가능

3.5.9. EMR Hbase

  • Non-relational, Petabyte-scale Database
  • HDFS 및 Google BigTable 기반
  • Memory에서 연산 처리 수행
  • AWS Service와 연동
    • EMRFS을 통한 S3 데이터 저장 지원
    • S3로 Backup 가능

3.5.10. EMR Presto

  • 다양한 Big Data Database에 연결 가능
  • HDFS, S3, Cassandra, MongoDB, HBase, SQL, Redshift, Teradata
  • OLAP Task에 적합

3.5.11. EMR Hue, Splunk, Flume

  • Hue
    • EMR Cluster 관리를 위한 Web Interface 제공
    • IAM과 통합 기능 제공
    • HDFS과 S3 사이의 Data 이동 기능 제공
  • Splunk
  • Flume
    • Log Aggregation Platform
    • HDFS, Hbase 기반
  • MXNet
    • Neural Network 구성 Platform
    • EMR에 포함

3.5.12. EMR Security

  • 다양한 인증/인가 방법 이용 가능
    • AM Policy, IAM Role, Kerberos, SSH
  • Block Public Access
    • Public Access 접근 차단

3.6. AWS Data Pipeline

  • S3, RDS, DynamoDB, Redshift, EMR을 Data 전송 목적지로 설정 가능
  • Task 의존성 관리
  • Task 재시도 및 실패 Notify
  • Cross-region Pipeline 지원
  • Precondition Check 지원
  • On-premise Data Source 지원
  • 고가용성 제공
  • 다양한 Activity 제공
    • EMR, Hive, Copy, SQL, Script

3.7. AWS Step Functions

  • Workflow 서비스
  • 쉬운 시각화 기능 제공
  • Error Handling, Retry 기능 제공
  • Audit 기능 제공
  • 임의의 기간 동안 Wait 기능 제공

4. Analytics

4.1. Kinesis Analytics

  • 실시간 Data 처리 Service
  • 구성 요소
    • Input Stream : Data가 인입되는 Stream
    • Reference Table : Data 처리시 참조하는 Table, S3의 Data Join 수행 가능
    • Output Stream : 처리된 Data를 내보내는 Stream
    • Error Stream : Data 처리시 발생한 Data를 내보내는 Stream
  • with Lambda
    • Lambda를 Data의 목적지로 지정 가능
    • Data를 변경하고 AWS Service에 전달
  • with Apache Flink
    • Apache Flink Framework 지원
    • SQL Query 대신 Flink Application 작성
    • Serverless
      • Auto-scailing 수행
      • KPU 단위로 비용 측정
      • 1 KPU = 1 vCPU, 4 Memory
    • 구성 요소
      • Flink Source : MSK, Kinesis Data Streams
      • Flink Datastream API
      • Flink Sink : S3, Kinesis Datastream, Kinesis Datafirehorse
    • RANDOM_CUT_FOREST
      • Abnormal Detection 수행 SQL 함수

4.2. OpenSearch

  • ElasticSearch 기반 검색 엔진
  • Scalable
  • Lucene 기반
  • 활용 방안
    • Full-text Search
    • Log Analytics
    • Application Monitoring
    • Security Analytics
    • Clickstream Analytics
  • Concept
    • Document : 검색할 대상, Full-Text 뿐만 아니라 JSON 구조도 지원
    • Types : Schema 정의, 현재는 잘 이용되고 있지 않음
    • Indices
      • Inverted Index로 구성
      • 다수의 Shard로 구성되며, 분산 처리 수행
      • Primary Shard : Read/Write 수행
      • Replica Shard : Read만 수행 가능하며 다수의 Replica 구성시 Load Balancing 수행
  • Fully-managed (Not Serverless)
  • 다운 타임없이 Scale in/out 수행
  • 다양한 AWS Service와 연동
    • S3 Bucket
    • Kinesis Data Streams
    • DynamoDB Streams
    • CloudWatch, CloudTrail
    • Zone Awareness
  • Options
    • Dedicated Master Node : Node의 개수 및 Spec
    • Domains : Cluster 구동을 위한 모든 정보들을 의미 (설정 정보)
    • S3 기반 Snapshot 기능 제공
    • Zone Awareness
  • Security
    • Resource-based Policy
    • Identity-based Policy
    • IP-based Policy
    • Request Sining
    • Private Cluster in VPC
    • Dashboard Secuirty
      • AWS Cognito
      • Outside VPC
        • SSH Tunnel
        • Reserve Proxy on EC2 Instance
        • VPC Direct Connect
        • VPN
  • OTLP Task에 적합하지 않음
    • Transaction 기능 미제공

4.2.1. Index Management

  • Storage Type
    • Hot Storage
      • Fastest Store, 하지만 높은 비용
      • EBS, Instance Store
      • Default Store
    • Ultra Warm Storage
      • S3 + Caching 기반
      • Dedicated Master Node 필요
      • Log, Immutable Data와 같이 Write가 적은 경우 이용에 유리
    • Cold Storage
      • S3 기반
      • 오래된 또는 주기적인 Data 저장시 이용에 유리
      • Dedicated Master Node 필요, UltraWarm 활성화 필요
      • T2, T3 Instance Type에서 이용 불가능
    • Storage Type 사이의 Data Migration 가능
  • Index State Management (ISM)
    • 오래된 Index의 경우 삭제
    • Index를 Read-only로 변환
    • Index를 Hot -> Ultrawarm -> Cold Storage로 이동
    • Replica 개수 감소
    • Index 자동 Snapshot
    • Rollup을 통해서 Index 요약
      • 비용 절감
    • 30 ~ 48분 간격을 실행
    • 실행 완료시 Notification 전송
  • Cross-cluster Replication 기능 제공
    • 고가용성 확보
    • Follower Index는 Leader Index로부터 Data를 가져와 동기화 수행
  • Stability
    • 3개의 Dedicated Master Node 이용 권장
    • Disk 용량 관리
    • 적잘한 Shard 개수 선택
      • ??

4.2.2. Performance

  • Memory Pressure 발생 시
    • Shard의 불균형 분배 되었을 경우
    • Shard가 너무 많을 경우
  • JVMMemoryPressure 발생시 오래되고 이용되지 않는 Index 삭제 수행

4.3. Athena

  • S3를 위한 SQL Query Service
  • Presto 기반
  • Serverless
  • 다양한 Format 지원
    • CSV, TSV, JSON, ORC (Columnar), Parquet (Columnar), Avro, Snappy, Zlib, LZO, Gzip
  • Glue Data Catalog를 통해서 Athena는 Metadata 수집
  • 다양한 활용 용도
    • App Log 분석을 위한 Ad-hoc Query
    • Redshift에 Data 적재 전, Data 분석을 위한 Query
    • CloudTrail, CloudFront, VPC, ELB Log 분석
    • QuickSight와 통합
  • Workgroups 기능 제공
    • Workgroups 단위로 Query 접근 권한, 비용 추적 가능
    • IAM, CloudWatch, SNS과의 통합 가능
    • Workgroup 마다 다음의 설정 가능
      • Query History, Data Limit, IAM Policy, 암호화 설정
  • 비용
    • TB당 5달러
    • 성공 또는 취소한 Query 당 비용 청구
    • 실패한 Query는 비용 청구 X
    • DDL 비용 청구 X
    • Columnar Format 이용시 비용 절감 및 성능 이점
    • Glue, S3는 별개의 비용 청구 이용
  • 성능
    • Columnar Format 이용시 성능 이점
    • 큰 용량의 적은 파일로 구성되어야 성능 이점
    • Partition 기능 활용
  • Transaction
    • Iceberg를 통해서 이용 가능
      • Table Type에 ICEBERG 지정
    • Lake Formation의 Governed Table을 통해서도 Transaction 기능 이용 가능

4.4. Redshift

  • OLAP을 위한 서비스
  • SQL, ODBC, JDBC 인터페이스 제공
  • Scale-up/down On-demand 방식
  • Built-int Replication
  • CloudWatch, CloudTrail 기반 Monitoring
  • Architecture
    • Leader Node
      • Client의 Query 수신 및 병렬처리 Plan 수립
      • 수립한 병렬처리 Plan에 따라서 Compute Node에게 Task 분배 및 처리 결과 수집
    • Compute Node
      • 최대 128개의 컴퓨트 노드 구성 가능
      • Type
        • Dense Storage : HDD와 저비용 큰 용량의 Storage를 갖고 있는 Type
        • Dense Compute : Compute 성능에 초점을 맞춘 Type
  • Spectrum
    • S3에 있는 Data 직접 접근
    • Concurrney 제한
    • 수평 확장 지원
    • Storage, Compute 분리
  • 성능
    • MPP (Massively Parallel Processing)
    • Columnar Data Storage
    • Column Compression
  • Durability
    • Cluster 내부에서 Data 복제 발생
    • S3로 Data 백업 수행
    • 장애가 발생한 Node 자동 복구 수행
    • RA3 Cluster의 경우만 Multi-AZ 지만 (DS2는 Single AZ)
  • Scaling
    • Vertical, Horizontal Scailing 수행
    • Scailing 수행시 새로운 클러스터가 생성되어 Data가 넘어가는 형태 (일시적 Downtime 발생)
  • Data Distribution Style
    • Data를 Compute Node에 어떻게 분배할지 결정
    • Auto : 자동으로 Data 크기에 따라서 Data 분배
    • Even : Round-robin에 따라서 자동으로 Data 분배
    • Key : Key, Hasing 기반으로 Data 분배
    • All : Data를 모든 Compute Node에 복제
  • Sort Key
    • Sort Key에 따라서 Disk에 정령되어 저장
    • Compound : 다수의 Column을 조합하여 Sort Key로 이용
    • Interleaved : ??
  • Data 복제
    • COPY
      • S3, EMR, DynamoDB 원격 Host에서 Data 복제 수행
      • 병렬로 데이터 복제 수행
    • UNLOAD : 처리된 결과를 S3에 복제 수행
    • S3 Auto-copy : S3에 Data 변경시 Redshift에 자동으로 복제 수행
    • Aurora zero-ETL Integration : Aurora에서 Redshift로 데이터 자동 복제
    • Redshift Injestion
    • DBLINK : RDS와 연결하여 Data 복제 수행
  • AWS Service와 통합
    • S3, DMS, EMR, EC2, Data Pipeline
  • WLM (Workload Management)
    • Query Queue
    • Query에 우선순위를 부여하여 관리
    • 기본 5개의 Queue 이용
    • 최대 8개의 Queue 구성 가능
    • 각 Queue는 Concurrency Level이 존재하며 50까지 설정 가능
    • Query 특징에 따라서 자동으로 Concurrency Level을 조정해주며, 수동으로도 설정 가능
  • Concurrency Scaling
    • Cluster를 추가하여 Query 처리
    • WLM에 쌓여 있는 Query를 추가된 Cluster에게 전송 및 처리
  • SQA (Short Query Acceleration)
    • WLM의 Short Query를 위한 Queue를 이용
    • Read-only Query, CREATE TALBE AS Query에 적용
    • Short 기준 시간 설정 가능
  • VACUUM
    • VACUUM FULL :
    • VACUUM DELETE ONLY :
    • VACUUM SORT ONLY :
    • VACUUM REINDEX :
  • Resize
    • Elastic Resize
      • 빠르게 Node 추가/제거 또는 Node Type 변경 (DS2 to RA3) 수행 가능
      • 변경 가능한 노드 대수 제한 존재 (2, 4, 6, 8…)
      • 몇 분동안 Cluster Down 발생, Connection Open 유지
    • Classic Resize
      • 기존의 Resize 방식
      • Node 추가/제거, Node Type 변경 가능
      • 자유롭게 노드 대수 설정 가능
      • 신규 Cluster를 생성하고 기존의 Cluster에서 Data를 복제하는 방식이기 때문에 몇시간 정도 Cluster가 Read-only Mode로 동작
    • Snapshot
      • Snapshot을 수행하고 새로운 Size의 Cluster 생성
  • Security
    • HSM (Hardware Security Module) 이용
    • User, Group에게 Privilige 권한 부여
  • Redshift Serverless
    • EC2 Instance 관리 불필요
    • Optimize Costs & Performance
    • 쉬운 개발 & Test 환경 구축 가능
    • 쉬운 Ad-hoc 환경 구성 가능
    • Snapshot 기능 활용 가능

5. Visualization

5.1. QuickSight

  • Data 시각화
  • Pagenation 기능 제공
  • Alert 기능 제공
  • Serverless
  • Data Source
    • Redshift, Aurora/RDS, Athena, OpenSearch, IoT Analytics, Files (Excel, CSV, TSV)
  • SPICE : QuickSight에서 이용하는 In-memory Engine
  • Ad-hoc Query에 특화
  • Security
    • Multi-factor Auth
    • VPC Connectivity
    • Row-level Security
    • Private VPC Access
    • Quicksight는 기본적으로 동일 Region의 Data Source에만 접근 가능
  • Pricing
    • 연간 구독, 매달 구독
    • Extra SPICE Capacity 이용시 추가 비용 청구
  • Dashboard
    • Read-only
    • 외부에 공유 가능
    • Embedding 가능
    • Active Directory, Cognito, SSO를 통한 인증
    • Javascript SDK, QuickSight API 제공
  • ML 기능
    • 이상 탐지 기능
    • 예측 기능
    • Insight 추천 기능
  • Quicksight Q
    • 자연어 기반 Query 수행

6. 참고

AWS Certified Database 자격증 이론 정리