[DW] SQL과 데이터 웨어하우스 소개

정기홍·2024년 4월 22일
datawarehouse

DW

목록 보기
1/5

1. SQL이란

SQL이란 Structured Query Language의 약자로 1970년대 초반에 IBM이 개발한 구조화된 데이터 질의 언어이자 데이터 처리에서 기본이 되고 관계형 데이터베이스에 있는 데이터(테이블)를 질의하거나 조작해주는 언어이다.

관계형 데이터베이스

관계형 데이터 베이스란?

  1. 구조화된 데이터를 저장하고 질의할 수 있도록 해주는 스토리지이다.
  • 엑셀 스프레드시트 형태의 테이블로 데이터를 정의하고 저장
    • 테이블에는 컬럼(열)과 레코드(행)이 존재
  1. 관계형 데이터베이스를 조작하는 프로그래밍 언어는 SQL이다.
  • 테이블 정의를 위한 DDL (Data Definition Language),
    테이블 데이터 조작/질의를 위한 DML (Data Manipulation Language)가 존재한다.

대표적 관계형 데이터베이스

  1. 프로덕션 데이터베이스: MySQL, PostgreSQL, Oracle, …
  • OLTP (OnLine Transaction Processing)
  • 빠른 속도에 집중. 서비스에 필요한 정보 저장
  1. 데이터 웨어하우스: Redshift, Snowflake, BigQuery, Hive, …
  • OLAP (OnLine Analytical Processing)
  • 처리 데이터 크기에 집중. 데이터 분석 혹은 모델 빌딩등을 위한 데이터 저장
    • 보통 프로덕션 데이터베이스를 복사해서 데이터 웨어하우스에 저장
  1. 관계형 데이터베이스의 구조
    1. 관계형 데이터베이스는 2 단계로 구성됨
    • 가장 밑단에는 테이블들이 존재 (테이블은 엑셀의 시트에 해당)
    • 테이블들은 데이터베이스(혹은 스키마)라는 폴더 밑으로 구성 (엑셀에서는 파일)
    1. 테이블의 구조 (종류에 따라 테이블 스키마라고 부르기도 함)
    • 테이블은 레코드들로 구성 (행)
    • 레코드는 하나 이상의 필드(컬럼)로 구성 (열)
    • 필드(컬럼)는 이름과 타입과 속성(primary key)으로 구성됨

SQL의 특징과 구조

  1. SQL은 두 종류의 언어로 구성되어있다.
  • DDL (Data Definition Language)
    • 테이블의 구조를 정의하는 언어
  • DML (Data Manipulation Language)
    • 테이블에서 원하는 레코드들을 읽어오는 질의 언어
    • 테이블에 레코드를 추가/삭제/갱신해주는데 사용하는 언어
  1. 특징
  • 구조화 된 데이터를 다루는 한 데이터 규모와 상관없이 쓰인다.
  • 모든 대용량 데이터 웨어하우스는 SQL기반이다.
    • Redshift, Snowflake, BigQuery, Hive 등등
  • Spark이나 Hadoop도 예외는 아님
    • SparkSQL과 Hive라는 SQL 언어가 지원된다.
  • 데이터 분야에서 일하고자 하면 반드시 익혀야할 언어이다.
  1. 단점
  • 구조화된 데이터를 다루는데 최적화가 되어있음
    • 정규표현식을 통해 비구조화된 데이터를 어느 정도 다루는 것은 가능하나 제약이 심함
    • 많은 관계형 데이터베이스들이 플랫한 구조만 지원함 (no nested like JSON)
      • 구글 빅쿼리는 nested structure를 지원함
    • 비구조화된 데이터를 다루는데 Spark, Hadoop과 같은 분산 컴퓨팅 환경이 필요해짐
      • 즉 SQL만으로는 비구조화 데이터를 처리하지 못함
  • 관계형 데이터베이스마다 SQL 문법이 조금씩 상이 (많이 차이나지는 않는다.)

Schema의 종류

Star schema

  • Production DB용 관계형 데이터베이스에서는 보통 스타 스키마를 사용해 데이터를 저장
  • 데이터를 논리적 단위로 나눠 저장하고 필요시 조인. 스토리지의 낭비가 덜하고 업데이트가 쉬움

Denormalized schema

  • 데이터 웨어하우스에서 사용하는 방식
    • 단위 테이블로 나눠 저장하지 않음으로 별도의 조인이 필요 없는 형태를 말함
  • 이는 스토리지를 더 사용하지만 조인이 필요 없기에 빠른 계산이 가능

2. 데이터 웨어하우스

데이터 웨어하우스란?

  1. 회사에 필요한 모든 데이터를 저장하고 SQL 기반의 관계형 데이터베이스이다.
  • 프로덕션 데이터베이스와는 별도이어야 함
    • OLAP (OnLine Analytical Processing) vs. OLTP (OnLine Transaction Processing)
  • AWS의 Redshift, Google Cloud의 Big Query, Snowflake 등이 대표적
    • 고정비용 옵션 vs. 가변비용 옵션
  1. 데이터 웨어하우스는 고객이 아닌 내부 직원을 위한 데이터베이스
  • 처리속도가 아닌 처리 데이터의 크기가 더 중요해짐
  1. ETL 혹은 데이터 파이프라인
  • 외부에 존재하는 데이터를 읽어다가 데이터 웨어하우스로 저장해주는 코드들이 필요해지는데 이를 ETL 혹은 데이터 파이프라인이라고 부릅니다.

데이터 인프라란?

  1. 데이터 엔지니어가 관리함
  • 여기서 한 단계 더 발전하면 Spark과 같은 대용량 분산처리 시스템이 일부로 추가됨

데이터 순환 구조

3. Cloud

클라우드의 정의

  1. 컴퓨팅 자원(하드웨어, 소프트웨어 등등)을 네트웍을 통해 서비스 형태로 사용하는 것.
  2. 대표 키워드
  • “No Provisioning”
  • “Pay As You Go”
  1. 자원(예를 들면 서버)을 필요한만큼 (거의) 실시간으로 할당하여 사용한큼 지불
  • 탄력적으로 필요한만큼의 자원을 유지하는 것이 중요

클라우드의 장점

  1. 초기 투자 비용이 크게 줄어듬
  • 서버/네트웍/스토리지 구매와 설정등을 직접 수행할 필요가 없다.
  • 데이터센터 공간을 직접 확보할 필요가 없다. (No-Co-location)
  • 클라우드를 사용하지 않을시 확장이 필요한 경우 공간을 먼저 더 확보해야함
  • 공간에 서버를 구매하여 설치하고 네트웍 설정할 필요가 없다.
  1. 리소스 준비를 위한 대기시간 대폭 감소
  • 보통 서버를 구매해서 설치하는데 적어도 두세달은 걸림
  1. 노는 리소스 제거로 비용 감소
  • 클라우드를 사용하지 않을시 Peak time을 기준으로 Capacity planning을 해야하는데 필요시에만 사용가능
  • 놀고 있는 자원들이 높게 되는 현상 억제
  1. 직접 운영비용 vs. 클라우드 비용
  • 기회비용에서의 큰 차이가 발생한다.
  1. 글로벌 확장 용이
  2. 소프트웨어 개발 시간 단축
  • Managed Service (SaaS) 이용

클라우드의 예시

다양한 클라우드의 예시들이 있지만 그 중 AMAZON에서 제공하는 AWS(Amazon Web Service)를 알아보겠습니다.

AWS 소개

  1. 가장 큰 클라우드 컴퓨팅 서비스 업체.
  2. 2002년 아마존의 상품데이터를 API로 제공하면서 시작
  • 현재 100여개의 서비스를 전세계 15개의 지역에서 제공.
  • 대부분의 서비스들이 오픈소스 프로젝트들을 기반으로 함.
  • 최근 들어 ML/AI 관련 서비스들도 내놓기 시작
  1. 사용고객
  • Netflix, Zynga등의 상장업체들도 사용.
  • 많은 국내 업체들도 사용시작 (서울 리전)
  1. 다양한 종류의 소프트웨어/플랫폼 서비스를 제공.
  • AWS의 서비스만으로 쉽게 온라인서비스 생성.

AWS의 서비스


다양한 서비스들이 존재하지만 그 중 EC2, S3, 주요하게 배워 볼 Database Services인 Redshift를 알아보겠습니다.

EC2(Elastic Compute Cloud)

  1. AWS의 서버 호스팅 서비스.
    – 리눅스 혹은 윈도우 서버를 론치하고 어카운트를 생성하여 로그인 가능 (구글앱엔진과의 가장 큰 차이점).
    – 가상 서버들이라 전용서버에 비해 성능이 떨어짐.
    – Bare-metal 서버도 제공하기 시작
  2. 다양한 종류의 서버 타입 제공
    – 예를 들어 미국 동부에서 스몰타입(t2.small)의 무료 리눅스 서버를 하나 할당시
  • 시간당 2.3 센트의 비용지불.
  • 2GB 메모리, 1 가상코어, 160GB 하드디스크
  • Incoming network bandwidth는 공짜이지만 outgoing은 유료.
  1. AWS의 다양한 종류의 구매 옵션
온디맨드 인스턴스(On-Demand Instances) – 시작하는 인스턴스에 대한 비용을 초 단위로 지불합니다.

절감형 플랜(Savings Plans) – 1년 또는 3년 기간 동안 시간당 USD로 일관된 사용량을 약정하여 Amazon EC2 비용을 절감할 수 있습니다.

예약 인스턴스(Reserved Instances) – 1년 또는 3년 기간 동안 인스턴스 유형 및 리전을 포함하여 일관된 인스턴스 구성을 약정하여 Amazon EC2 비용을 절감할 수 있습니다.

스팟 인스턴스(Spot Instances) – 미사용 EC2 인스턴스를 요청하여 Amazon EC2 비용을 대폭 줄일 수 있습니다.

전용 호스트(Dedicated Hosts) – 인스턴스 실행을 전담하는 실제 호스트 비용을 지불하며, 기존의 소켓, 코어 또는 VM 소프트웨어별 라이선스를 가져와 비용을 절감합니다.

전용 인스턴스(Dedicated Instances) – 단일 테넌트 하드웨어에서 실행되는 인스턴스 비용을 시간 단위로 지불합니다.

용량 예약(Capacity Reservations) – 특정 가용 영역의 EC2 인스턴스에 대해 용량을 예약합니다.

S3(Simple Storage Service)

  1. 아마존이 제공하는 대용량 클라우드 스토리지 서비스
  2. S3는 데이터 저장관리를 위해 계층적 구조를 제공
  3. 글로벌 내임스페이스를 제공하기 때문에 톱레벨 디렉토리 이름 선정에 주의.
  4. S3에서는 디렉토리를 버킷(Bucket)이라고 부름
  5. 버킷이나 파일별로 액세스 컨트롤 가능

기타 중요서비스

  1. Database Services
  • RDS (Relational Database Service)– MySQL, PostgreSQL, Aurora – Oracle, MS SQL Server
  • DynamoDB
  • Redshift
  • ElastiCache
  • Neptune (Graph database)
  • ElasticSearch
  • MongoDB
  1. AI & ML Services
  • SageMaker
    • Deep Learning and Machine Learning end-to-end framework
  • Lex
    • Conversational Interface (Chatbot service)
  • Polly
    • Text to Speech Engine
  • Rekognition
    • Image Recognition Service
  1. etc.
  • Amazon Alexa
    • Amazon’s voice bot platform
  • Amazon Connect
    • Amazon’s Contact Center Solution– 콜센터 구현이 아주 쉬워짐
  • Lambda
    • Event-driven, serverless computing engine
    • 서비스 구현을 위해서 EC2를 론치할 필요가 없음
    • Google Cloud에는 Cloud Function이란 이름으로 존재– Azure에는 Azure Function이란 이름으로 존재

Redshift

Redshift란

Scalable SQL 엔진로써 2 PB까지 지원하고 OLAP 형식이며, Columnar storage이다.

  • 응답속도가 빠르지 않기 때문에 프로덕션 데이터베이스로 사용불가
  • 컬럼별 압축이 가능하다.
  • 컬럼을 추가하거나 삭제하는 것이 아주 빠름
  1. 벌크 업데이트 지원
  • 레코드가 들어있는 파일을 S3로 복사 후 COPY 커맨드로 Redshift로 일괄
    복사
  1. 고정 용량/비용 SQL 엔진
  • Snowflake와 Google의 BigQuery는 다르게 고정 용량/비용이다.
  1. 다른 데이터 웨어하우스처럼 primary key uniqueness를 보장하지 않음
  • 프로덕션 데이터베이스들은 보장함

Redshift는 Postgresql 8.x와 SQL이 호환됨

  1. 하지만 Postgresql 8.x의 모든 기능을 지원하지는 않음
  • 예를 들어 text 타입이 존재하지 않음
  1. Postgresql 8.x를 지원하는 툴이나 라이브러리로 액세스 가능
  • JDBC/ODBC
  1. 다시 한번 SQL이 메인 언어라는 점 명심
  • 그러기에 테이블 디자인이 아주 중요

Redshift Schema (폴더) 구성

profile
정기홍
늘 새로운걸 도전하는 의지
다음 포스트

[DW] Redshift 활용

0개의 댓글