扫描外部表（S3 数据）时 Redshift Spectrum 中的成本控制

Posted 2023-03-30

【中文标题】扫描外部表（S3 数据）时 Redshift Spectrum 中的成本控制

【英文标题】：Cost control in Redshift Spectrum when scanning external tables (S3 data)

【发布时间】：2018-08-05 19:28:21

【问题描述】：

Athena 有一些默认的service limits，可以帮助~限制对 S3 中大型数据湖的意外“失控”查询的成本。它们不是很好（基于~时间，而不是扫描的数据量），但它仍然很有帮助。

Redshift Spectrum 怎么样？ 它提供的哪些机制可以轻松用于限制成本或降低在针对 S3 的单个失控查询中“意外”扫描过多数据的风险？解决这个问题的好方法是什么？

【问题讨论】：

因此，如果 Athena 中的查询超时，您根本不会被收费吗？这很有趣！

【参考方案1】：

Amazon Redshift 允许您使用 WLM Query Monitoring Rules 对 Spectrum 查询执行应用精细控制。

有 2 个 Spectrum 指标可用：Spectrum scan size（查询扫描的 mb 数）和Spectrum scan row count（查询扫描的行数）。

您也可以使用 Query execution time 来强制设置最长持续时间，但这将适用于所有查询类型，而不仅仅是 Spectrum。

请注意，这些是抽样指标。查询不会恰好在超出规则时中止，而是在下一个采样间隔中止。

如果您已经在集群上运行 Spectrum 查询，您可以开始使用 QMR，方法是使用我们的脚本 wlm_qmr_rule_candidates 生成候选规则。生成的规则基于每个指标的第 99 个百分位。

【讨论】：

谢谢@joe。这很有帮助。查询的执行率（例如 #/hour）怎么样？或者它同时运行的查询总数？我没有在指标/规则列表中看到它们。有什么想法吗？

Redshift 上的并发查询由集群的 WLM 配置管理。每个 WLM 队列都允许特定数量的并发查询。这适用于与“普通”查询相同的 Spectrum 查询，因为 Spectrum 查询执行在 Redshift 集群和 Spectrum 层之间共享。

每小时查询次数需要在外部计算。