Workload-Management

In diesem Abschnitt wird das Workload-Management (WLM) beschrieben, das Ihnen hilft zu verstehen, wie Amazon Redshift Abfragen vorbereitet und ausführt.

Mit dem Workload-Management (WLM) in Amazon Redshift können Benutzer Prioritäten innerhalb von Workloads flexibel verwalten, so dass kurze, schnelle Abfragen nicht hinter lange dauernden Abfragen in Warteschlangen hängen bleiben. Amazon Redshift erstellt Abfragewarteschlangen zur Laufzeit nach Service-Klassen, die die Konfigurationsparameter für verschiedene Arten von Warteschlangen definieren, einschließlich interner Systemwarteschlangen und für Benutzer zugänglicher Warteschlangen. Aus einer Benutzerperspektive sind eine für Benutzer zugängliche Service-Klasse und eine Warteschlange funktional vergleichbar. Aus Konsistenzgründen wird in dieser Dokumentation der Begriff Warteschlange sowohl für eine für Benutzer zugängliche Service-Klasse als auch für eine Warteschlange zur Laufzeit verwendet.

Redshift bietet automatisches Workload-Management, als automatisches WLM bezeichnet, das auf unterschiedliche Workloads abgestimmt und die empfohlene Standardeinstellung ist. Mit automatischem WLM bestimmt Redshift die Ressourcennutzung, sobald Anfragen eintreffen, und bestimmt dynamisch, ob sie auf dem Haupt-Cluster, auf einem Parallelitätsskalierungs-Cluster ausgeführt oder jeweils an eine Warteschlange gesendet werden sollen. (Wenn Abfragen in eine Warteschlange gestellt werden, priorisiert automatisches WLM Abfragen mit kürzerer Dauer.) Automatisches WLM maximiert den Gesamtdurchsatz und ermöglicht Ihnen, effiziente Data-Warehouse-Ressourcen aufrechtzuerhalten. Sie führen Workloads aus, ohne sich Gedanken über deren Größe oder deren Planung machen zu müssen. Automatisches WLM ist der Standard für bereitgestellte Cluster. Weitere Informationen finden Sie unter Implementierung von automatischem WLM.

Wenn viele oder ressourcenintensive Abfragen ausgeführt werden, kann das Workload-Management auf zusätzliche Rechenressourcen skaliert werden, wenn Workloads auf lokalen Ressourcen in eine Warteschlange gestellt werden. Mit Parallelitätsskalierung und automatischem WLM können Sie eine praktisch unbegrenzte Zahl gleichzeitiger Benutzer und Abfragen bei konsistent schneller Abfrageleistung unterstützen.

Von Redshift bereitgestellte Cluster bieten manuelles WLM, wenn Sie eine detaillierte manuelle Optimierung benötigen. Hier verwaltet der Kunde die Ressourcenzuweisung, die Parallelität von Abfragen und die Warteschlangen. Wenn eine Abfrage ausgeführt wird, weist WLM die Abfrage entweder entsprechend der Benutzergruppe des Benutzers einer Warteschlange zu oder gleicht eine Abfragegruppe ab, die in der Warteschlangenkonfiguration angegeben ist. Dies ist mit einer Abfragegruppenbezeichnung konfiguriert, die der Benutzer festlegt. Weitere Informationen finden Sie unter Implementieren von manuellem WLM.

Manuelles WLM kann zwar im Laufe der Zeit für Ihre Workload-Muster optimiert werden, wir raten jedoch in den meisten Fällen von seiner Verwendung ab, da es aufgrund seiner statischen Natur für Sie schwieriger sein kann, sich im Laufe eines Tages oder über einen längeren Zeitraum an wechselnde Workloads anzupassen. Dies erfordert mehr Überwachung und kontinuierliche Optimierung. Darüber hinaus nutzt manuelles WLM Rechenressourcen in vielen Fällen nicht so effizient wie automatisches WLM, z. B. wenn Warteschlangen manuell eingerichtet werden, um den ihnen zugewiesenen Speicher zu begrenzen.

Eine wichtige Kennzahl zur Messung des Erfolgs der Konfiguration des Workload-Managements ist der Systemdurchsatz, d. h., wie viele Abfragen erfolgreich abgeschlossen wurden. Der Systemdurchsatz wird als Abfragen pro Sekunde gemessen. Weitere Informationen zu Systemmetriken finden Sie unter Überwachen der Leistung von Amazon-Redshift-Clustern.

Die einfachste Möglichkeit zur Verwaltung der WLM-Konfiguration besteht in der Verwendung der Amazon-Redshift-Managementkonsole. Sie können auch die Amazon-Redshift-Befehlszeilenschnittstelle (CLI) oder die Amazon-Redshift-API verwenden. Weitere Informationen zur Implementierung und Verwendung des Workload-Managements finden Sie unter Implementierung des Workload-Managements.