redshift数据分析的历程

从大数据概念首次提出，到全球经济迈入数智化时代，AmazonRedshift云数仓支撑企业应用走向现代化数据架构，已有十年历史。回顾过去，Redshift围绕数据分析、高可靠、高可用等方向，经历了哪些重要迭代?2022re:Invent最新推出的Zero-ETL“简化数据管道”理念，背后包含哪些技术逻辑？

接下来，让我们站在新十年的起点，一起去感受以Redshift为核心的数据技术带来的变革！

十年跃迁

“这10年，我们一直从客户需求出发，不断完善产品功能，提升应用性能。比如：客户希望融合湖仓的能力，在仓中能够直接查询S3数据湖中的数据。”亚马逊云科技数据分析专家潘超，具体介绍了Redshift的演进历程。

早在2017年，Redshift就推出了RedshiftSpect，提供了湖仓融合能力。2019年，Redshift推出RA3类型的节点，存储和计算完全分离各自独立扩展，帮助客户节省成本的同时；也给Redshift的架构带来极大的扩展性和灵活性。之后，RedshiftDataSharing应运而生，用户可以实现数据的生产和消费分离，可以在不移动数据的情况下实现跨集群、跨账号、跨Region数据的共享。

2021年，RedshiftServerless的发布，带来了云原生数仓的极致体验，客户不用再关注底层计算资源的扩展，可按需付费，简单易用。RedshiftServerless将计算资源抽象为RPU，会根据集群负载弹性伸缩，只在有查询的时候，按照RPU的使用时长计费，不查询不收费。使用起来非常方便，给到用户的就是一个Endpoint，直接链接使用即可。可适用于负载有高有底有波峰、波谷的应用场景等。

2022年的re:invent，Redshift再次成为焦点。AmazonRedshiftMulti-AZ（高可用性与高可靠性）、AmazonGlueDataQuality（更好地管理数据湖质量）、CentralizedAccessControlsforRedshiftDataSharing（简易且安全的数据访问权限管理）、AmazonRedshiftauto-copyfromS3（简化数据分析与移动）等，与AmazonRedshift相关的新功能，多到数不过来。

那么，这些新功能将为用户带来哪些实际价值呢？

以DataSharing举例，通过DataSharing客户能够做到跨账号跨Region的数据共享，做到读写分离，比如客户想要把RDS数据实时同步到Redshift，做完加工处理后对外提供高并发的实时数据查询，我们可以将RDS数据实时摄入到Redshift的ProvisionCluster，之后将元数据Share给RedshiftServerless集群提供BI查询，整个过程只需要在控制台上点击几个按钮就可以实现。

同样，Auto-copy对于客户来说，也是一个令人兴奋的新功能。Auto-Copy简化了从S3数据湖中加载到Redshift的过程，它可以自动监控S3的数据目录的变化，将新增的数据文件自动加载到Redshift中,无需依赖任何组件，只需要一个SQL语句就可以完成。

Redshift所有功能创新，均源于用户的业务场景。Redshift的应用场景包括四大块：1.常规业务运营与BI分析；2.实时数仓分析；3.查询、报表与数据分析，就是OLAP的一些应用查询；4.机器学习与分析预测。目前，全球有数万用户在使用Redshift进行数据分析，这些用户来自游戏、金融、医疗、互联网等各个行业。

ETL自由

2022年re:invent大会上，Redshift能够C位出道，还有一个重要原因，那就是首次推出了Zero-ETL独特的技术方法。

“通过Zero-ETL，直接实现了从Aurora存储层到Redshift存储层的数据转换，并且无需依赖任何组件，性能和实时性都有更好的保证，这是两个云原生产品的融合。”潘超进一步解释了Zero-ETL诞生初衷。

对于大多数企业而言，要想让关系数据库的数据实时进入数仓中做AP查询，通常会使用CDC工具实时解析数据，再用计算引擎将数据写入到仓中，同时要更新对数据进行Merge操作，整个过程比较复杂，还要依赖多个组件才能完成，给开发和运维带来了极大挑战。采用云原生产品融合的方式，则可以各自完成自己专业的事情，让数据在分析服务之间无缝流转。

Zero-ETL其实秉承的是亚马逊云科技一直以来的产品理念，那就是化繁为简，实现从0到1的技术突破后，再努力消除从1到0的琐碎。而从云原生数仓层面看，Zero-ETL的本质是，让数据在仓、湖、数据库之间无缝流转，而无需关注复杂的数据管道建设问题，让客户全心投入到业务中去。

深度集成

当数据进入到Redshift，数据分析与交互工作才正式开始，对于有着复杂业务数据逻辑的企业来说，更希望通过Redshift去简化业务流程，同时可以无缝构建和运行ApacheSpark应用程序。

“在2022re:Invent大会上，Adam宣布AmazonRedshift与ApacheSpark深度集成，以帮助数据工程师构建和运行Spark应用程序，这些应用程序可以从AmazonRedShift集群消费和写入数据。”潘超强调，聚焦数据战略，亚马逊云科技的产品虽自成一体，但也会拥抱开放，与开源生态深度集成。

首先，Redshift会和自己的托管服务无缝集成，比如：GlueCatalog做统一的元数据管理；LakeFormation做统一的权限管控；Zero-ETL做TP到AP的实时分析。

同时，Redshift也会跟开源、第三方合作伙伴的工具无缝集成。比如：加强了Redshift和Spark的融合，Glue和EMR都集成了最新研发的高性能SparkRedshiftConnector，更有效地提供谓词下推、临时文件列存等特性，相比开源Connector有10倍以上的性能提升。

过去，如果你在EMR工作，可以使用Spark对数据进行分析，但如果你想对Redshift中的数据运行Spark查询，你必须将数据迁移到S3，或者配置使用开源的SparkRedshift连接器,整个过程比较繁琐。最好的方法是，只在Redshift上就能对数据运行Spark查询。

AmazonRedshift和ApacheSpark的集成后，能最大限度地减少设Spark和Redshift开源连接器的繁琐过程（且通常是手动过程），并减少了执行分析和ML任务所需的准备时间。比如：你正在使用亚马逊云科技的分析和机器学习(ML)服务（AmazonEMR、AmazonGlue和AmazonSagemaker），那么现在可以构建ApacheSpark应用程序，从AmazonRedshift数据仓库中读写数据，而不会影响应用程序的性能或数据的事务一致性。

而在流式数据接入与处理方面，Redshift是通过AmazonManagedStreamingforApacheKafka(AmazonMSK)Serverless支持快速扩展资源，简化实时数据摄取和流式传输。问题是，这种方式的优势是什么？和Flink技术路线是怎样一种关系？

答案是，二者并不矛盾！很多客户需要更加实时的数据摄入，比如：风险监控及风控指标管理、游戏用户行为分析等等，StreamingIngestion解决的是通过在Redshift执行一个SQL，即可完成MSK和KDS的数据实时摄入到Redshift，将数据摄入延迟降低到秒级别，减少额外组件维护，减低成本。如果客户需要实时计算，依然可以选择Flink或者无服务器的托管Flink（AmazonKinesisDataAnalytics）。但如果客户是要做实时分析，那么StreamingIngestion是一个很好的选择。

借助Redshift提供的StreamingIngestion，用户可以非常方便地可以将消息中心的数据接入到Redshift，中间无需依赖任何组件，执行Redshift标准SQL即可，整个过程自动摄取，降低数据入仓摄入延迟和维护成本。

对于实时查询能力，Redshift有AutoTuning的功能，比如排序键，分布键，每列的压缩算法，自动物化视图等。Redshift依靠自己内部的机器学习算法，会自动去做一系列的动作，用户不再需要特别关注数仓性能的调优，只关注业务逻辑即可。

Redshift也提供了联邦查询能力，用户可以直接通过Redshift直接查询RDS和Aurora中的数据，获取实时数据，而不需要数据加载过程。

换言之，Redshift具备了实时数仓所需要的数据的实时摄入和实时查询能力，这种简化数据管道以及深度集成的方式，可有效支撑各个业务场景需求，让企业在特定的实时场景下不再需要移动数据，也不再需要构建和管理任何连接器。

总之，在亚马逊云科技整体的数据战略部署中，Redshift占有重要地位。在简单、易用、高性价比优势背后，其实体现的是Redshift一路创新与持续迭代带来的成果。