Design e desempenho para migrações Netezza

Este artigo faz parte de uma série de sete partes que fornece orientação sobre como migrar do Netezza para o Azure Synapse Analytics. O foco deste artigo são as práticas recomendadas para design e desempenho.

Descrição geral

Devido ao fim do suporte da IBM, muitos usuários existentes dos sistemas de data warehouse Netezza querem aproveitar as inovações fornecidas pelos modernos ambientes de nuvem. Os ambientes de nuvem de infraestrutura como serviço (IaaS) e plataforma como serviço (PaaS) permitem delegar tarefas como manutenção de infraestrutura e desenvolvimento de plataforma ao provedor de nuvem.

Embora o Netezza e o Azure Synapse Analytics sejam bancos de dados SQL que usam técnicas de processamento paralelo maciço (MPP) para obter alto desempenho de consulta em volumes de dados excepcionalmente grandes, há algumas diferenças básicas na abordagem:

• Os sistemas Netezza herdados geralmente são instalados no local e usam hardware proprietário, enquanto o Azure Synapse é baseado em nuvem e usa recursos de computação e armazenamento do Azure.

• Atualizar uma configuração do Netezza é uma tarefa importante que envolve hardware físico extra e reconfiguração de banco de dados potencialmente demorada, ou despejo e recarga. Como os recursos de armazenamento e computação são separados no ambiente do Azure e têm capacidade de dimensionamento elástico, esses recursos podem ser dimensionados para cima ou para baixo de forma independente.

• Você pode pausar ou redimensionar o Azure Synapse conforme necessário para reduzir a utilização de recursos e o custo.

O Microsoft Azure é um ambiente de nuvem globalmente disponível, altamente seguro e escalável que inclui o Azure Synapse e um ecossistema de ferramentas e recursos de suporte. O diagrama seguinte resume o ecossistema do Azure Synapse.

O Azure Synapse fornece o melhor desempenho de banco de dados relacional usando técnicas como MPP e vários níveis de cache automatizado para dados usados com freqüência. Você pode ver os resultados dessas técnicas em benchmarks independentes, como o executado recentemente pela GigaOm, que compara o Azure Synapse a outras ofertas populares de data warehouse na nuvem. Os clientes que migram para o ambiente do Azure Synapse veem muitos benefícios, incluindo:

• Melhor desempenho e preço/desempenho.

• Maior agilidade e menor tempo de valorização.

• Implantação de servidor e desenvolvimento de aplicativos mais rápidos.

• Escalabilidade elástica — pague apenas pelo uso real.

• Maior segurança/conformidade.

• Custos reduzidos de armazenamento e recuperação de desastres.

• Menor TCO geral, melhor controle de custos e despesas operacionais simplificadas (OPEX).

Para maximizar esses benefícios, migre dados e aplicativos novos ou existentes para a plataforma Azure Synapse. Em muitas organizações, a migração inclui a movimentação de um data warehouse existente de uma plataforma local herdada, como o Netezza, para o Azure Synapse. Em um alto nível, o processo de migração inclui estas etapas:

Este artigo fornece informações gerais e diretrizes para otimização de desempenho ao migrar um data warehouse de um ambiente Netezza existente para o Azure Synapse. O objetivo da otimização de desempenho é obter o mesmo ou melhor desempenho de data warehouse no Azure Synapse após a migração do esquema.

Considerações de design

Âmbito da migração

Quando estiver se preparando para migrar de um ambiente Netezza, considere as seguintes opções de migração.

Escolha a carga de trabalho para a migração inicial

Normalmente, os ambientes Netezza herdados evoluíram ao longo do tempo para abranger várias áreas temáticas e cargas de trabalho mistas. Ao decidir por onde começar em um projeto de migração, escolha uma área na qual você poderá:

• Comprove a viabilidade da migração para o Azure Synapse oferecendo rapidamente os benefícios do novo ambiente.

• Permita que sua equipe técnica interna ganhe experiência relevante com os processos e ferramentas que eles usarão quando migrarem outras áreas.

• Crie um modelo para migrações adicionais que seja específico para o ambiente Netezza de origem e as ferramentas e processos atuais que já estão em vigor.

Um bom candidato para uma migração inicial de um ambiente Netezza suporta os itens anteriores e:

• Implementa uma carga de trabalho de BI/Analytics em vez de uma carga de trabalho OLTP (processamento de transações online).

• Tem um modelo de dados, como um esquema de estrela ou floco de neve, que pode ser migrado com modificações mínimas.

O volume de dados migrados em uma migração inicial deve ser grande o suficiente para demonstrar os recursos e benefícios do ambiente do Azure Synapse, mas não muito grande para demonstrar valor rapidamente. Um tamanho na faixa de 1-10 terabytes é típico.

Para seu projeto de migração inicial, minimize o risco, o esforço e o tempo de migração para que você possa ver rapidamente os benefícios do ambiente de nuvem do Azure. As abordagens lift-and-shift e phased migration limitam o escopo da migração inicial apenas aos data marts e não abordam aspetos mais amplos da migração, como migração ETL e migração de dados históricos. No entanto, você pode abordar esses aspetos em fases posteriores do projeto, uma vez que a camada de data mart migrada é preenchida com dados e os processos de compilação necessários.

Migração de elevação e deslocamento versus abordagem faseada

Em geral, existem dois tipos de migração, independentemente da finalidade e do âmbito da migração planeada: o lift and shift no estado em que se encontra e uma abordagem faseada que incorpora alterações.

Migração lift-and-shift

Em uma migração de elevação e deslocamento, um modelo de dados existente, como um esquema em estrela, é migrado inalterado para a nova plataforma Azure Synapse. Essa abordagem minimiza o risco e o tempo de migração, reduzindo o trabalho necessário para obter os benefícios da mudança para o ambiente de nuvem do Azure. A migração de elevação e deslocamento é uma boa opção para estes cenários:

• Você tem um ambiente Netezza existente com um único data mart para migrar, ou
• Você tem um ambiente Netezza existente com dados que já estão em um esquema de estrela ou floco de neve bem projetado, ou
• Você está sob pressão de tempo e custo para migrar para um ambiente de nuvem moderno.

Abordagem faseada que incorpora alterações

Se um data warehouse herdado tiver evoluído durante um longo período de tempo, talvez seja necessário reprojetá-lo para manter os níveis de desempenho necessários. Você também pode ter que fazer uma nova engenharia para dar suporte a novos dados, como fluxos de Internet das Coisas (IoT). Como parte do processo de reengenharia, migre para o Azure Synapse para obter os benefícios de um ambiente de nuvem escalável. A migração também pode incluir uma alteração no modelo de dados subjacente, como uma mudança de um modelo Inmon para um cofre de dados.

A Microsoft recomenda mover seu modelo de dados existente no estado em que se encontra para o Azure e usar o desempenho e a flexibilidade do ambiente do Azure para aplicar as alterações de reengenharia. Dessa forma, você pode usar os recursos do Azure para fazer as alterações sem afetar o sistema de origem existente.

Usar o Azure Data Factory para implementar uma migração orientada por metadados

Você pode automatizar e orquestrar o processo de migração usando os recursos do ambiente do Azure. Essa abordagem minimiza o impacto no desempenho no ambiente Netezza existente, que pode já estar sendo executado perto da capacidade.

O Azure Data Factory é um serviço de integração de dados baseado na nuvem que suporta a criação de fluxos de trabalho orientados por dados na nuvem que orquestram e automatizam a movimentação e a transformação de dados. Você pode usar o Data Factory para criar e agendar fluxos de trabalho controlados por dados (pipelines) que ingerem dados de armazenamentos de dados diferentes. O Data Factory pode processar e transformar dados usando serviços de computação como Azure HDInsight Hadoop, Spark, Azure Data Lake Analytics e Azure Machine Learning.

Quando você estiver planejando usar os recursos do Data Factory para gerenciar o processo de migração, crie metadados que listem todas as tabelas de dados a serem migradas e sua localização.

Diferenças de design entre Netezza e Azure Synapse

Como mencionado anteriormente, há algumas diferenças básicas na abordagem entre os bancos de dados Netezza e Azure Synapse Analytics e essas diferenças são discutidas a seguir.

Vários bancos de dados versus um único banco de dados e esquemas

O ambiente Netezza geralmente contém vários bancos de dados separados. Por exemplo, poderia haver bancos de dados separados para: tabelas de ingestão e preparo de dados, tabelas de armazém principais e data marts (às vezes referidos como camada semântica). Os processos de pipeline ETL ou ELT podem implementar junções entre bancos de dados e mover dados entre os bancos de dados separados.

Por outro lado, o ambiente do Azure Synapse contém um único banco de dados e usa esquemas para separar tabelas em grupos logicamente separados. Recomendamos que você use uma série de esquemas no banco de dados Synapse do Azure de destino para imitar os bancos de dados separados migrados do ambiente Netezza. Se o ambiente Netezza já usa esquemas, talvez seja necessário usar uma nova convenção de nomenclatura ao mover as tabelas e exibições Netezza existentes para o novo ambiente. Por exemplo, você pode concatenar o esquema Netezza existente e os nomes de tabela no novo nome de tabela do Azure Synapse e usar nomes de esquema no novo ambiente para manter os nomes de banco de dados separados originais. Se a nomenclatura da consolidação de esquema tiver pontos, o Azure Synapse Spark poderá ter problemas. Embora você possa usar exibições SQL sobre as tabelas subjacentes para manter as estruturas lógicas, há desvantagens potenciais nessa abordagem:

• As exibições no Azure Synapse são somente leitura, portanto, todas as atualizações dos dados devem ocorrer nas tabelas base subjacentes.

• Pode já existir uma ou mais camadas de vistas e adicionar uma camada extra de vistas pode afetar o desempenho e a capacidade de suporte porque as vistas aninhadas são difíceis de resolver.

Considerações sobre a tabela

Quando você migra tabelas entre ambientes diferentes, normalmente apenas os dados brutos e os metadados que os descrevem são migrados fisicamente. Outros elementos de banco de dados do sistema de origem, como índices, geralmente não são migrados porque podem ser desnecessários ou implementados de forma diferente no novo ambiente.

As otimizações de desempenho no ambiente de origem, como índices, indicam onde você pode adicionar otimização de desempenho no novo ambiente. Por exemplo, se as consultas no ambiente Netezza de origem usam frequentemente mapas de zona, isso sugere que um índice não clusterizado deve ser criado no Azure Synapse. Outras técnicas nativas de otimização de desempenho, como a replicação de tabelas, podem ser mais aplicáveis do que a criação direta de índices semelhantes.

Tipos de objeto de banco de dados Netezza não suportados

Os recursos específicos do Netezza geralmente podem ser substituídos pelos recursos do Azure Synapse. No entanto, alguns objetos de banco de dados Netezza não são diretamente suportados no Azure Synapse. A lista a seguir de objetos de banco de dados Netezza sem suporte descreve como você pode obter uma funcionalidade equivalente no Azure Synapse.

• Mapas de zona: no Netezza, os mapas de zona são criados e mantidos automaticamente para os seguintes tipos de coluna e são usados no momento da consulta para restringir a quantidade de dados a serem digitalizados:

  • INTEGER colunas de comprimento igual ou inferior a 8 bytes.
  • Colunas temporais, como DATE, TIMEe TIMESTAMP.
  • CHAR colunas se fizerem parte de uma visão materializada e mencionadas na ORDER BY cláusula.

  Você pode descobrir quais colunas têm mapas de zona usando o nz_zonemap utilitário, que faz parte do NZ Toolkit. O Azure Synapse não inclui mapas de zona, mas você pode obter resultados semelhantes usando outros tipos de índice definidos pelo usuário e/ou particionamento.

• Tabelas de base agrupadas (CBT): em Netezza, CBTs são comumente usados para tabelas de fatos, que podem ter bilhões de registros. A digitalização de uma tabela tão grande requer um tempo de processamento considerável, porque uma verificação completa da tabela pode ser necessária para obter os registros relevantes. A organização de registros em TCCs restritivos permite que Netezza agrupe registros em extensões iguais ou próximas. Esse processo também cria mapas de zona que melhoram o desempenho, reduzindo a quantidade de dados que precisam ser verificados.

  No Azure Synapse, você pode obter um efeito semelhante particionando e/ou usando outros índices.

• Visualizações materializadas: o Netezza suporta visualizações materializadas e recomenda o uso de uma ou mais visualizações materializadas para tabelas grandes com muitas colunas se apenas algumas colunas forem usadas regularmente em consultas. As visualizações materializadas são atualizadas automaticamente pelo sistema quando os dados na tabela base são atualizados.

  O Azure Synapse suporta vistas materializadas, com a mesma funcionalidade do Netezza.

Mapeamento de tipo de dados Netezza

A maioria dos tipos de dados Netezza tem um equivalente direto no Azure Synapse. A tabela a seguir mostra a abordagem recomendada para mapear tipos de dados Netezza para o Azure Synapse.

Fornecedores terceirizados oferecem ferramentas e serviços para automatizar a migração, incluindo o mapeamento de tipos de dados. Se uma ferramenta ETL de terceiros já estiver em uso no ambiente Netezza, use essa ferramenta para implementar quaisquer transformações de dados necessárias.

Diferenças de sintaxe do SQL DML

Existem diferenças de sintaxe do SQL DML entre o Netezza SQL e o Azure Synapse T-SQL. Essas diferenças são discutidas em detalhes em Minimizar problemas SQL para migrações Netezza.

• STRPOS: em Netezza, a STRPOS função retorna a posição de uma substring dentro de uma string. A função equivalente no Azure Synapse está CHARINDEX com a ordem dos argumentos invertida. Por exemplo, SELECT STRPOS('abcdef','def')... no Netezza é equivalente ao SELECT CHARINDEX('def','abcdef')... Azure Synapse.

• AGE: Netezza suporta o AGE operador para dar o intervalo entre dois valores temporais, como carimbos de data/hora ou datas, por exemplo: SELECT AGE('23-03-1956','01-01-2019') FROM.... No Azure Synapse, use DATEDIFF para obter o intervalo, por exemplo: SELECT DATEDIFF(day, '1956-03-26','2019-01-01') FROM.... Observe a sequência de representação de data.

• NOW(): Netezza usa NOW() para representar CURRENT_TIMESTAMP no Azure Synapse.

Funções, procedimentos armazenados e sequências

Ao migrar um data warehouse de um ambiente maduro como o Netezza, você provavelmente precisará migrar elementos diferentes de tabelas e exibições simples. Verifique se as ferramentas no ambiente do Azure podem substituir a funcionalidade de funções, procedimentos armazenados e sequências, porque geralmente é mais eficiente usar ferramentas internas do Azure do que recodificar esses elementos para o Azure Synapse.

Como parte da fase de preparação, crie um inventário de objetos que precisam ser migrados, defina um método para manipulá-los e aloque recursos apropriados em seu plano de migração.

Os parceiros de integração de dados oferecem ferramentas e serviços que podem automatizar a migração de funções, procedimentos armazenados e sequências.

As seções a seguir discutem ainda mais a migração de funções, procedimentos armazenados e sequências.

Funções

Tal como acontece com a maioria dos produtos de banco de dados, Netezza suporta sistema e funções definidas pelo usuário dentro de uma implementação SQL. Quando você migra uma plataforma de banco de dados herdada para o Azure Synapse, as funções comuns do sistema geralmente podem ser migradas sem alterações. Algumas funções do sistema podem ter uma sintaxe ligeiramente diferente, mas quaisquer alterações necessárias podem ser automatizadas.

Para funções do sistema Netezza ou funções arbitrárias definidas pelo usuário que não têm equivalente no Azure Synapse, recodifice essas funções usando uma linguagem de ambiente de destino. As funções definidas pelo usuário Netezza são codificadas em linguagens nzlua ou C++. O Azure Synapse usa a linguagem Transact-SQL para implementar funções definidas pelo usuário.

Procedimentos armazenados

A maioria dos produtos de banco de dados modernos suporta procedimentos de armazenamento dentro do banco de dados. Netezza fornece a linguagem NZPLSQL, que é baseada em Postgres PL / pgSQL, para este fim. Um procedimento armazenado normalmente contém instruções SQL e lógica de procedimento e retorna dados ou um status.

O Azure Synapse dá suporte a procedimentos armazenados usando T-SQL, portanto, você precisa recodificar quaisquer procedimentos armazenados migrados nesse idioma.

Sequências

Em Netezza, uma sequência é um objeto de banco de dados nomeado criado usando CREATE SEQUENCE. Uma sequência fornece valores numéricos exclusivos através do NEXT VALUE FOR método. Você pode usar os números exclusivos gerados como valores de chave substituta para chaves primárias.

O Azure Synapse não implementa CREATE SEQUENCE, mas você pode implementar sequências usando colunas IDENTITY ou código SQL que gera o próximo número de sequência em uma série.

Extrair metadados e dados de um ambiente Netezza

Geração de linguagem de definição de dados (DDL)

O padrão ANSI SQL define a sintaxe básica para comandos DDL (Data Definition Language). Alguns comandos DDL, como CREATE TABLE e CREATE VIEW, são comuns ao Netezza e ao Azure Synapse, mas foram estendidos para fornecer recursos específicos de implementação.

Você pode editar Netezza CREATE TABLE e CREATE VIEW scripts existentes para obter definições equivalentes no Azure Synapse. Para fazer isso, talvez seja necessário usar tipos de dados modificados e remover ou modificar cláusulas específicas do Netezza, como ORGANIZE ON.

Dentro do ambiente Netezza, as tabelas de catálogo do sistema especificam a tabela atual e a definição de exibição. Ao contrário da documentação mantida pelo usuário, as informações do catálogo do sistema estão sempre completas e sincronizadas com as definições de tabela atuais. Usando utilitários como nz_ddl_table, você pode acessar informações do catálogo do sistema para gerar CREATE TABLE instruções DDL que criam tabelas equivalentes no Azure Synapse.

Você também pode usar ferramentas de migração e ETL de terceiros que processam informações do catálogo do sistema para obter resultados semelhantes.

Extração de dados de Netezza

Você pode extrair dados brutos de tabelas Netezza para arquivos delimitados simples, como arquivos CSV, usando utilitários Netezza padrão como nzsql e nzunload, ou através de tabelas externas. Em seguida, você pode compactar os arquivos delimitados simples usando gzip e carregar os arquivos compactados para o Armazenamento de Blobs do Azure usando AzCopy ou ferramentas de transporte de dados do Azure, como o Azure Data Box.

Extraia dados da tabela da forma mais eficiente possível. Use a abordagem de tabelas externas porque é o método de extração mais rápido. Execute várias extrações em paralelo para maximizar a taxa de transferência de extração de dados. A instrução SQL a seguir executa uma extração de tabela externa:

CREATE EXTERNAL TABLE '/tmp/export_tab1.csv' USING (DELIM ',') AS SELECT * from <TABLENAME>;

Se houver largura de banda de rede suficiente disponível, você poderá extrair dados de um sistema Netezza local diretamente para tabelas do Azure Synapse ou para o Armazenamento de Dados de Blob do Azure. Para fazer isso, use processos do Data Factory ou migração de dados de terceiros ou produtos ETL.

Os arquivos de dados extraídos devem conter texto delimitado em formato CSV, Optimized Row Columnar (ORC) ou Parquet.

Para obter mais informações sobre como migrar dados e ETL de um ambiente Netezza, consulte Migração de dados, ETL e carga para migrações Netezza.

Recomendações de desempenho para migrações Netezza

O objetivo da otimização de desempenho é o mesmo ou melhor desempenho do data warehouse após a migração para o Azure Synapse.

Semelhanças nos conceitos da abordagem de ajuste de desempenho

Muitos conceitos de ajuste de desempenho para bancos de dados Netezza são válidos para bancos de dados do Azure Synapse. Por exemplo:

• Use a distribuição de dados para colocar os dados a serem associados no mesmo nó de processamento.

• Use o menor tipo de dados para uma determinada coluna para economizar espaço de armazenamento e acelerar o processamento de consultas.

• Certifique-se de que as colunas a serem unidas tenham o mesmo tipo de dados para otimizar o processamento de junção e reduzir a necessidade de transformações de dados.

• Para ajudar o otimizador a produzir o melhor plano de execução, certifique-se de que as estatísticas estejam atualizadas.

• Monitore o desempenho usando recursos internos de banco de dados para garantir que os recursos estejam sendo usados de forma eficiente.

Diferenças na abordagem de ajuste de desempenho

Esta seção destaca as diferenças de implementação de ajuste de desempenho de baixo nível entre o Netezza e o Azure Synapse.

Opções de distribuição de dados

Para desempenho, o Azure Synapse foi projetado com arquitetura de vários nós e usa processamento paralelo. Para otimizar o desempenho da tabela, você pode definir uma opção de distribuição de dados em CREATE TABLE instruções usando DISTRIBUTION no Azure Synapse e DISTRIBUTE ON no Netezza.

Ao contrário do Netezza, o Azure Synapse dá suporte a junções locais entre uma tabela pequena e uma tabela grande por meio da replicação de tabela pequena. Por exemplo, considere uma tabela de dimensões pequenas e uma tabela de fatos grande dentro de um modelo de esquema em estrela. O Azure Synapse pode replicar a tabela de dimensão menor em todos os nós para garantir que o valor de qualquer chave de associação para a tabela grande tenha uma linha de dimensão correspondente disponível localmente. A sobrecarga de replicação de tabela de dimensão é relativamente baixa para uma tabela de dimensão pequena. Para tabelas de grandes dimensões, uma abordagem de distribuição de hash é mais apropriada. Para obter mais informações sobre opções de distribuição de dados, consulte Diretrizes de design para usar tabelas replicadas e Orientação para projetar tabelas distribuídas.

Indexação de dados

O Azure Synapse dá suporte a várias opções de indexação definidas pelo usuário que têm uma operação e uso diferentes em comparação com mapas de zona gerenciados pelo sistema no Netezza. Para obter mais informações sobre as diferentes opções de indexação no Azure Synapse, consulte Índices em tabelas de pool SQL dedicadas.

Os mapas de zona gerenciados pelo sistema existentes em um ambiente Netezza de origem fornecem uma indicação útil do uso de dados e as colunas candidatas para indexação no ambiente do Azure Synapse.

Criação de partições de dados

Em um data warehouse corporativo, as tabelas de fatos podem conter bilhões de linhas. O particionamento otimiza a manutenção e o desempenho de consulta dessas tabelas, dividindo-as em partes separadas para reduzir a quantidade de dados processados. No Azure Synapse, a CREATE TABLE instrução define a especificação de particionamento para uma tabela.

Você só pode usar um campo por tabela para particionamento. Esse campo geralmente é um campo de data porque muitas consultas são filtradas por data ou intervalo de datas. É possível alterar o particionamento de uma tabela após o carregamento inicial usando a CREATE TABLE AS instrução (CTAS) para recriar a tabela com uma nova distribuição. Para obter uma discussão detalhada sobre particionamento no Azure Synapse, consulte Particionamento de tabelas no pool SQL dedicado.

Estatísticas da tabela de dados

Você deve garantir que as estatísticas em tabelas de dados estejam atualizadas, criando uma etapa de estatísticas para trabalhos ETL/ELT.

PolyBase ou COPY INTO para carregamento de dados

O PolyBase suporta o carregamento eficiente de grandes quantidades de dados para um armazém de dados usando fluxos de carregamento paralelos. Para obter mais informações, consulte Estratégia de carregamento de dados do PolyBase.

COPY INTO também suporta ingestão de dados de alta taxa de transferência e:

• Recuperação de dados de todos os arquivos dentro de uma pasta e subpastas.

• Recuperação de dados de vários locais na mesma conta de armazenamento. Você pode especificar vários locais usando caminhos separados por vírgula.

• Azure Data Lake Storage (ADLS) e Azure Blob Storage.

• Formatos de arquivo CSV, PARAT e ORC.

Gestão de cargas de trabalho

A execução de cargas de trabalho mistas pode representar desafios de recursos em sistemas ocupados. Um esquema de gerenciamento de carga de trabalho bem-sucedido gerencia efetivamente os recursos, garante uma utilização altamente eficiente dos recursos e maximiza o retorno sobre o investimento (ROI). A classificação da carga de trabalho, a importância da carga de trabalho e o isolamento da carga de trabalho oferecem mais controle sobre como a carga de trabalho utiliza os recursos do sistema.

O guia de gerenciamento de carga de trabalho descreve as técnicas para analisar a carga de trabalho, gerenciar e monitorar a importância da carga de trabalho e as etapas para converter uma classe de recurso em um grupo de carga de trabalho. Use o portal do Azure e as consultas T-SQL em DMVs para monitorar a carga de trabalho e garantir que os recursos aplicáveis sejam utilizados de forma eficiente.

Próximos passos

Para saber mais sobre ETL e carga para migração Netezza, consulte o próximo artigo desta série: Migração de dados, ETL e carga para migrações Netezza.