Mejores Prácticas de DataWarehouse con SQL Server
Transcripción
Mejores Prácticas de DataWarehouse con SQL Server
Mejores Prácticas de DataWarehouse con SQL Server Casos de referencia Ing. Eduardo Castro, PhD Speaker Bio PASS Board of Directors – LATAM Advisor PASS Regional Mentor for LATAM Microsoft SQL Server MVP Picture Here ecastrom edocastro eduardocastrom 2 Derechos de autor Este presentación contiene información parcial de las siguientes fuentes • Prácticas reales: la escala del rendimiento MICROSOFT SQL Server 2008 Analysis SERVICIOS EN MICROSOFT ADCENTER • DBI407 Mejor Prácticas para la construcción 1 empresas soluciones de inteligencia empresarial de nivel con el análisis de Microsoft SQL Server Servicios, Adán Jorgensen • El diseño escalable y complejo Cubos servicio de análisis, Denny Lee, Thomas Kejser • http://msdn.microsoft.com/en-us/library/dd758814 (v = SQL.100).aspx • http://technet.microsoft.com/en-us/library/cc966414.aspx • Almacenamiento de datos moderno, Minería y Visualización: Core Conceptos por George M. Marakas • Data Warehousing Diez Común Los errores de Jon C. Choe 3 Data Warehouse: Una arquitectura de varios niveles Otras fuentes Operacional DBs Metadatos Extraer Transformar Cargar Refrescar Controlar Y Integrador OLAP Server Servir Datos Almacén Análisis Pregunta Informes La minería de datos Data Marts Fuentes de datos Almacenamiento de Datos OLAP Engine 4 Herramientas de aplicaciones para usuario Arquitecturas OLAP Server OLAP relacional (ROLAP) Utilice relacional o relacional ampliada DBMS para almacenar y gestionar datos de almacenes y OLAP media de consumo Incluya optimización de DBMS backend, la implementación de la lógica de navegación agregación y herramientas y servicios adicionales Mayor escalabilidad OLAP multidimensional (MOLAP) Escaso motor de almacenamiento multidimensional basada en arreglos Indexación rápida a los datos resumidos previamente calculados OLAP híbrido (HOLAP) (Por ejemplo, Microsoft SQL Server) La flexibilidad, por ejemplo, el bajo nivel: relacional de alto nivel: array 5 Uso de almacenamiento de datos Tres tipos de aplicaciones de almacenamiento de datos Tratamiento de la información apoya la consulta, el análisis estadístico básico, y la presentación de informes con tablas de referencias cruzadas, tablas, cuadros y gráficos Procesamiento analítico análisis multidimensional de datos de almacenamiento de datos apoya las operaciones básicas de OLAP, rebanada-dados, perforación, pivotantes La minería de datos descubrimiento de conocimiento a partir de patrones ocultos apoya las asociaciones, la construcción de modelos analíticos, realizar la clasificación y predicción, y la presentación de los resultados de minería de datos utilizando herramientas de visualización 6 DW Arquitectura Áreas Componente Clave Arquitectura de datos - cada área en un negocio se basa en diferentes dimensiones. Donde se cruzan es necesario definir el mismo (el cliente que compra es el mismo proyecto). Arquitectura Infraestructura - cuestiones de tamaño, la escalabilidad y la capacidad deben ser diseñados y dimensionados. Arquitectura técnica - Este es impulsado por el catálogo de metadatos. Los servicios deben elaborar los parámetros de las tablas. http://courseware.finntrack.eu/it/data/marakas_dw_ch6.ppt 7 Variedad de datos Archivos de Hadoop (almacenamiento no relacional) 8 El almacén de datos tradicional 2 1 Volumenes de datos creciente Las fuentes de datos 9 3 Datos en tiempo real Nuevo datos fuentes y tipos Inclusión de datos no tradicionales 2 3 1 Volumenes de datos creciente Las fuentes de datos 10 Datos en tiempo real Nuevo datos fuentes y tipos Los datos no relacionales El almacén de datos moderna Los datos no relacionales Las fuentes de datos 11 Big Data + BI tradicional = Nuevo Enfoque de Análisis 010101010101010101 1010101010101010 01010101010101 101010101010 Hadoop NoSQL Tabular OLAP SQL grandes cantidades de datos Polibase 12 Visualización Best Practice # 1 Usar un modelo de datos que se ha optimizado para la recuperación de la información Modelo tridimensional Sin normalizar Enfoque híbrido 13 Best Practice # 2 Diseñar cuidadosamente la adquisición de datos y procesos de limpieza para su DW Asegurar que los datos se procesan de manera eficiente y precisa Considere la adquisición de ETL y herramientas de limpieza de datos Úsalos bien! 14 Best Practice # 3 Diseñar una arquitectura de metadatos que permite el intercambio de metadatos entre los componentes de su DW Considerar los estándares de metadatos como Metamodelo Cómun de Datos de OMG (CWM) 15 Diseñar el bus del Datawarehouse Determinar qué dimensiones serán compartidos a través de múltiples data marts Conformar las dimensiones compartidas Producir una suite principal de dimensiones compartidas Determinar qué hechos serán compartidos a través de mercados de datos Conformar los hechos Estandarizar las definiciones de los hechos Más información en http://www.slideshare.net/ecastrom/arquitecura-de-bodega-de-datos del 2013 16 Best Practice # 4 Adoptar un enfoque que consolida los datos en "una sola versión de la verdad" Data Warehouse Bus de Kimball Dimensiones y Hechos Más información en http://www.slideshare.net/ecastrom/arquitecura-de-bodega-de-datos del 2013 17 Best Practice # 5 Considere la posibilidad de la aplicación de un ODS sólo cuando los requisitos de recuperación de información están cerca de la parte inferior de la pirámide de la abstracción de datos y / o cuando hay múltiples fuentes operativas que necesitan ser consideradas Debe asegurarse que el modelo de datos está integrado, no sólo consolidada Se puede considerar modelo de datos 3NF Evite a toda costa un “volcado de datos” 18 Best Practice # 6 Crear un plan de capacidad para su aplicación BI y monitorear cuidadosamente Considere la posibilidad de futuras demandas adicionales de rendimiento Establecer consultas de referencia de rendimiento estándar y ejecutar regularmente tareas de comparación de rendimiento Implementar herramientas de control de capacidad Construir escalabilidad en su arquitectura Puede ser necesario para permitir escalar hacia arriba y hacia fuera! 19 El aumento Requisitos de hardware El uso de SSD Tamaño de bloque ROLAP 20 DBI407 Mejores prácticas para la construcción 1 empresas soluciones de inteligencia empresarial de nivel con Microsoft SQL Server Analysis Services, Adam Jorgensen Uso de particionamiento para DW 1 Partition per Day 31 Partitions, 1 Month of Data Facts Database Current Day Partition ALTER PARTITION FUNCTION PerDay () SPLIT RANGE(CAST(CONVERT(varchar, GETDATE()+1, 112) AS int)) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 8 Parallel Partition Processing Jobs Cube Current Day Partition Set ... WHERE [date] = CAST(CONVERT(varchar, GETDATE(), 112) AS int) AND [hour] IN (0, 11, 17) 0 11 17 1 14 18 2 5 22 3 12 21 4 13 19 6 15 23 7 9 20 8 10 16 8 Evenly Distributed Partitions per Day 3120 Partitions, 13 Months of Data 21 DBI407 Mejores prácticas para la construcción 1 empresas soluciones de inteligencia empresarial de nivel con Microsoft SQL Server Analysis Services, Adam Jorgensen Concurrencia mejorar desempeño multiusuario Escalar Analysis Services: Sólo Lectura Diseñar los cubos servicio de análisis escalables y complejas, Denny Lee, Thomas Kejser 22 Estudio de caso - AdCenter EMC DMX V-Max para manejar la E / S V-Max son dedicados a la aplicación Cientos de discos y ejes dedicados a este proceso Discos para asegurarse rápido de E / S Trabaja en estrecha colaboración con EMC directamente (presente en el EMC World regularmente) Pruebas con EMC EFDs (Enterprise Flash Drives) Equipo de Ingeniería de Sistemas dedicado al proceso de DW Trabajar en estrecha colaboración con varios proveedores (EMC, HDS, etc) Referencias Acelerar Microsoft adCenter con Microsoft SQL Server 2008 Analysis Services. PRÁCTICAS REALES: prestaciones de escalado de Microsoft adCenter con Microsoft SQL Server 2008 Analysis Services de EMC VMAX 23 Cubo adCenter PRÁCTICAS REALES: prestaciones de escalado de Microsoft SQL Server 2008 Analysis Services de AT MICROSOFT ADCENTER 24 EMC Symmetrix VMAX Cada servidor está conectado a una EMC Symmetrix VMAX a través de bus con doble adaptadores El servidor utiliza un volumen de 3 TB organizado en 80 400 GB 10000 rpm Fibra Discos de canal en una configuración duplicada y rayas (RAID 1 + 0). Cada 24 horas el volumen replica los cambios en un volumen de informes 3 TB hecho por nueve EFDs 400 GB configurado en una configuración de paridad distribuida (RAID 5) PRÁCTICAS REALES: prestaciones de escalado de Microsoft SQL Server 2008 Analysis Services de AT MICROSOFT ADCENTER 25 Carga de datos diaria Cada trimestre una operación de ProcessUpdate se utiliza para actualizar dimensión datos PRÁCTICAS REALES: prestaciones de escalado de Microsoft SQL Server 2008 Analysis Services de AT MICROSOFT ADCENTER 26 Consulta de datos PRÁCTICAS REALES: prestaciones de escalado de Microsoft SQL Server 2008 Analysis Services de AT MICROSOFT ADCENTER 27 Administración La actualización de datos del cubo multidimensional del servidor de procesamiento soporta las tareas de carga de datos (carga de datos de los datos relacionales) y el procesamiento del cubo PRÁCTICAS REALES: prestaciones de escalado de Microsoft SQL Server 2008 Analysis Services de AT MICROSOFT ADCENTER 28 Actualización diaria de datos PRÁCTICAS REALES: prestaciones de escalado de Microsoft SQL Server 2008 Analysis Services de AT MICROSOFT ADCENTER 29 Montaje diario por medio de clonar cubos PRÁCTICAS REALES: prestaciones de escalado de Microsoft SQL Server 2008 Analysis Services de AT MICROSOFT ADCENTER 30 Centro de Producción adCenter adCenter Production Environment OLAP Standby Server Windows Server 2003 x64 SP2 SQL Server Analysis Services 64GB RAM, 8 Xeon procs (16 cores) HBA A HBA A HBA B HBA B OLAP Processing Server Staging Data Warehouse Windows Server 2003 x64 SP2 SQL Server Analysis Services 64GB RAM, 8 Xeon procs (16 cores) Windows Server 2003 x64 SP2 SQL Server Enterprise Edition 32 GB RAM, 8 Xeon procs (16 cores) HBA HBAAA HBA HBABB HBA HBAAA Data Feeds Windows Server 2003 x64 SP2 SQL Server Integration Services Network Load Balancing HBA HBABB Host Bus Adapters: 400 MB/sec each SAN Fabric B SAN Fabric A Standby OLAP LUN RAID 1 19200 Max Reads 9600 Max Writes 180 300GB 10K Drives Storage Area Network OLAP LUN RAID 1 DW LUN 19200 Max Reads 9600 Max Writes 180 300GB 10K Drives RAID 1 2560 Max Reads 2560 Max Writes 32 300GB 10K Drives 31 DBI407 Mejores prácticas para la construcción 1 empresas soluciones de inteligencia empresarial de nivel con Microsoft SQL Server Analysis Services, Adam Jorgensen ESTUDIO DE CASO: E & D Xbox Live Estrategia de Particiones Uniformemente distribuida, continuo y no se solapan Diseñar los cubos servicio de análisis escalables y complejas, Denny Lee, Thomas Kejser 33 Xbox Live - SSD Performance 3000 2500 Run Tme (seconds) 2000 1500 1000 500 0 Day Week Month Quarter 7 months Dev SSD 14 29 101 203 506 Dev HDD 14 29 104 610 1191 UAT SAN 9 73 445 1025 2800 V2 Cube, SSD 5 10 15 31 72 V2 Cube, HDD 5 7 30 244 540 Amount of Data DBI407 Mejores prácticas parade la análisis construcción 1 empresas soluciones Denny de inteligencia empresarial de nivel con Microsoft SQL Server Analysis Services, Adam Jorgensen Diseñar los cubos servicio escalables y complejas, Lee, Thomas Kejser Concurrencia de consultas Utilizar SSD para que cada servidor para manejar más consultas simultáneas Diseñar los cubos servicio de análisis escalables y complejas, Denny Lee, Thomas Kejser 35 ESTUDIO DE CASO: YAHOO! Cubo de 12 TB Yahoo - Datos Masivos a gran escala Oracle 10g CDF Archivo1 SSAS Cube Constructor Partición 1 Partición 1 Partición 2 Partición 2 Partición N Partición N 1.2TB/day Archivo2 Filen 12 TB cubo NAS 50 GB /hr Servidores de consultas SSAS HW NLB DBI407 Mejores prácticas para la construcción 1 empresas soluciones de inteligencia empresarial de nivel con Microsoft SQL Server Analysis Services, Adam Jorgensen MOLAP conmutación En Acción Idea básica: Utilizar MOLAP para los datos históricos Procesar últimas particiones MOLAP más a menudo Latencias típicas en minutos Preocupaciones: Tiempo de procesamiento de las particiones actualizadas Manejo el bloqueo del proceso cuando necesite actualizar los datos Diseñar los cubos servicio de análisis escalables y complejas, Denny Lee, Thomas Kejser 38 Particiones del cubo Particiones tanto por el tiempo y región Procesamiento completo se puede hacer en Particiones "activas" Diseñar los cubos servicio de análisis escalables y complejas, Denny Lee, Thomas Kejser 39 Cube Flipping Recall: Bloqueo nivel de servidor necesaria para realizar el proceso Solución alternativa: Dos copias del cubo, por turnos “Intercambiar"entre ellos Dos maneras de mover Utilice ASLB de CodePlex Excel Plug-in 40 Diseñar los cubos servicio de análisis escalables y complejas, Denny Lee, Thomas Kejser 41 Diseñar los cubos servicio de análisis escalables y complejas, Denny Lee, Thomas Kejser 42 Diseñar los cubos servicio de análisis escalables y complejas, Denny Lee, Thomas Kejser 43 Resumiendo Usted tiene que conseguir el diseño correcto si desea escalar El particionamiento es absolutamente fundamental • Partición de velocidad de procesamiento • Partición de latencia de los datos (en tiempo real frente a históricos) • Partición de archivos de datos antiguos Hardware realmente importa para grandes cubos • Dispositivos SSD. • Las pruebas muestran dos CPU core con frecuencia puede soportar cientos de usuarios • Con cuidado equilibrio IOPS frente memoria, considere parte más utilizada del cubo 44 DBI407 Mejores prácticas para la construcción 1 empresas soluciones de inteligencia empresarial de nivel con Microsoft SQL Server Analysis Services, Adam Jorgensen DW Appliance Aparatos DW, que consisten en paquetes de soluciones que proporcionan todo el software y hardware necesario, están empezando a ofrecer el precio / rendimiento muy prometedor 45 SQL Server Fast Track Reference Architecture Fuente: http://www.emc.com/collateral/technical-documentation/h13566-data-warehouse-fast-track-ms-sql-2014.pdf 46 SQL Server Fast Track Reference Architecture Fuente: http://www.emc.com/collateral/technical-documentation/h13566-data-warehouse-fast-track-ms-sql-2014.pdf 47 SQL Server Fast Track Reference Architecture Fuente: http://www.emc.com/collateral/technicaldocumentation/h13566-data-warehouse-fast-trackms-sql-2014.pdf 48 Obstáculos para un almacén de datos moderna Mantener la inversión legado Escalabilidad limitada y capacidad de gestionar nuevos tipos de datos Adquirir Big Data solución Comprar nuevo nivel uno dispositivo de hardware Alta adquisición y costos de migración Entrenamiento 49 Adquirir la inteligencia de negocios Complejidad y adopción Introducción al sistema Microsoft Analytics Platform Un moderno dispositivo de almacenamiento de datos llave en mano • De datos relacionales y no relacionales en un único dispositivo • Hadoop lista para la empresa • Consultas integradas a través de Hadoop y PDW utilizando T-SQL • La integración directa con las herramientas de BI de Microsoft, como Microsoft Excel • Cerca de rendimiento en tiempo real con In-Memory Columnstore • Precio de appliance de datos más bajo por terabyte • Capacidad de escalabilidad para incluir cada vez mayor de datos • Valor a través de una única solución • La eliminación del almacén de datos cuellos de botella con MPP SQL Server • Valor con opciones de hardware flexibles utilizando hardware comercial • Concurrencia que ayuda rápida adopción APS listo para la empresa Hadoop con HDInsight Manejable, asegurado, y de alta disponibilidad Hadoop integrado dentro del aparato SQL Server Parallel Data warehouse Alto rendimiento y sintonizado en el hardware Autenticación del usuario final con Active Directory 100-por ciento de Apache Hadoop Administrado y monitoreado utilizando System Center Polibase Microsoft HDInsight Accesible ideas para todo el mundo con las herramientas de Microsoft BI Resumen hardware APS Carga en paralelo de depósito de datos Cada carga de trabajo contiene los siguientes límites: Fabric • Seguridad • Medida • Prestación de servicios Aparato Una región es un contenedor lógico dentro de un appliance Hardware HDInsight carga de trabajo Conexión de islas de datos con polybase Trayendo soluciones de punto de Hadoop y el almacén de datos junto a los usuarios y TI Seleccionar ... Microsoft Azure HDInsight Hortonworks para Windows y Linux Cloudera Conjunto de resultados SQL Server PDW Proporciona un único Modelo de consulta T-SQL para PDW y Hadoop con ricas características de TSQL, incluyendo joins sin ETL Utiliza el poder del MPP para mejorar el rendimiento de ejecución de consultas Polybase Microsoft HDInsight Compatible con Windows Azure HDInsight para permitir escenarios híbrido de la nube Ofrece la posibilidad de consultar las distribuciones no Microsoft Hadoop, como Hortonworks y Cloudera Automatic MapReduce pushdown Fuente sistemas Analytics / Ad-hoc / Visualización SQL Server Data Marts Hadoop / Data Lake (Cloudera, Hortonworks, HDInsight) MapReduce SQL Server Parallel Data Warehouse T-SQL SQL Server Reporting Services Polibase Microsoft HDInsight APS Actualizar Día / Hora / Minuto SQL Server Analysis Services Concurrencia de datos Gran rendimiento con cargas de trabajo mixtas Analytics Platform System ETL / ELT con SSIS, DQS, MDS ERP CRM LOB ETL / ELT con DWLoader Intra-Day CRTAS APPS SMP SQL Server Linked Table Casi en tiempo real PDW Real-Time Presentación de informes y cubos Almacén de columnas ROLAP / MOLAP DirectQuery Hadoop / Big Data Consultas ad hoc Polibase Polibase Fast ad hoc HDInsight SNAC Herramientas de BI Hardware y software de ingeniería junto Integrado apoyo con un solo contacto Microsoft Co-dirigido con HP, Dell, Quanta y mejores prácticas Pre-configurado, construido, y ajustado software y hardware Liderando el rendimiento con hardware comercial PDW Polybase HDInsight Rack #2 Rack #1 Hardware architecture InfiniBand InfiniBand InfiniBand InfiniBand Ethernet Ethernet Ethernet HDI extension base unit Failover node Networking Ethernet Control node Failover node PDW region HST-01 Master node HST-02 Failover node Compute nodes Economical disk storage Compute nodes HDI active scale unit Compute nodes Economical disk storage HSA-01 Economical disk storage Economical disk storage HDInsight region HST-02 Compute nodes HDI active scale unit Economical disk storage Active Unit Dos nodos adicionales Passive Unit HDInsight Failover Node Alta Disponibilidad Compute nodes Compute nodes Economical disk storage IB and Ethernet HDI extension base unit Economical disk storage PDW region SQL Data Warehouse Data warehouse como servicio Posee una arquitectura elástica con soporte a grandes cantidades de datos Capacidad elástica Soporte para grandes cargas de trabajo, ajustado para ciclo de procesamiento Se compra tiempo de procesamiento según las necesidades Portal de administración SQL DW: Basado en SQL DB SQL DW Elastic, Petabyte Scale DW Optimized 99.99% uptime SLA, Geo-restore Azure Compliance (ISO, HIPAA, EU, etc.) SQL DB Service Tiers True SQL Server Experience; Se utilizan las herramientas existentes Datos no estructurados a través de Polybase/T-SQL Cita: ************************ Consulta TSQL ********************** ********************* ********************** *********************** servidor SQL Nombre Jim Gray Fecha de Estad Nacimient o 11.13.58 Wash o Ann Smith 04.29.76 ingto YO n Hadoop $ 658.39 Unidad de almacenamiento de datos (TCU) Medida de Potencia Transparencia Bajo demanda Basta con comprar el rendimiento de las consultas que necesita, no sólo el hardware Cuantificado por objetivos de carga de trabajo: cómo se escanean filas rápidas, cargado, copian Servicio de primera DW para ofrecer potencia de computación bajo demanda, independiente de almacenamiento Scan 1B filas 100 DWU Velocidad de lectura xx Fila M / seg Cargando Tasa xx K fila / seg Tabla Copiar Rate xx Fila K / seg 100 DWU = 297 seg 400 DWU = 74 seg 800 DWU = 37 seg 1600 DWU = 19 seg Almacén de datos SQL Azure Almacenamiento por separado y de cómputo Capacidad elástica Integrado con Power BI, Azure Machine Learning, y Azure Data Factory Escala de salida relacional almacén de datos Preguntas? Thank You for Attending Follow @pass24hop Share your thoughts with hashtags #pass24hop & #sqlpass