DEAデータオペレーションとサポート
あるデータエンジニアリングチームは、Amazon Redshiftに数百のテーブルを持つデータウェアハウスを運用しています。
データのロードパターンとクエリパターンが時間とともに変化するため、既存のソートキーや分散スタイルが最適でなくなりクエリパフォーマンスが低下しています。
チームは人手をかけずにテーブル設計を継続的に最適化したいと考えています。
最も適切なアプローチはどれですか？
AAmazon Redshiftの自動テーブル最適化（ATO: Automatic Table Optimization）を有効化し、クエリパターンに基づいてソートキーと分散スタイルをRedshiftが自動調整するようにする
✓ 正解
ATOはクエリパターンを機械学習で分析してソートキーと分散スタイルをバックグラウンドで自動適用する機能で、継続的な最適化を人手なしで実現します。
BAmazon Redshift Advisorの推奨事項を毎週確認し、ALTER TABLEコマンドを手動でメンテナンスウィンドウ中に実行する
Amazon Redshift Advisorも推奨事項を提供しますが手動適用が必要で、継続的な自動最適化ではありません。
CAmazon CloudWatchのRedshiftメトリクスでDiskSpaceUsedを監視し、80%超過時にVACUUMとANALYZEを手動実行する
Amazon CloudWatchメトリクス監視とVACUUM手動実行はディスク使用量の把握やデッド行削除には有効ですが、ソートキーや分散スタイルの最適化とは無関係です。
DAWS Glue ETLジョブを週次で実行し、パフォーマンスが低いテーブルのデータを一時テーブルにコピーしてから再ロードして最適化する
AWS Glue ETLジョブによるデータ再ロードは過剰に複雑でコストも高く、継続的最適化手段として不適切です。
解説
ATOはクエリパターンを機械学習で分析してソートキーと分散スタイルをバックグラウンドで自動適用する機能で、継続的な最適化を人手なしで実現します。
選択肢BのAmazon Redshift Advisorも推奨事項を提供しますが手動適用が必要で、継続的な自動最適化ではありません。
選択肢CのAmazon CloudWatchメトリクス監視とVACUUM手動実行はディスク使用量の把握やデッド行削除には有効ですが、ソートキーや分散スタイルの最適化とは無関係です。
選択肢DのAWS Glue ETLジョブによるデータ再ロードは過剰に複雑でコストも高く、継続的最適化手段として不適切です。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでDEAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →