Design e desempenho para migrações do Netezza

Este artigo é a primeira parte de uma série de sete partes que oferece diretrizes para fazer a migração do Netezza para o Azure Synapse Analytics. O foco deste artigo é fornecer práticas recomendadas de design e desempenho.

Visão geral

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

Embora o Netezza e o Azure Synapse sejam semelhantes por serem ambos bancos de dados SQL que usam técnicas de processamento paralelo massivo, a fim de obter alto desempenho de consulta em grandes volumes de dados, eles têm algumas diferenças básicas:

• Os sistemas herdados do Netezza geralmente são instalados localmente e usam hardware proprietário, enquanto Azure Synapse é baseado em nuvem e usa recursos de computação e armazenamento do Azure.

• Atualizar uma configuração do Netezza é uma tarefa importante envolvendo hardware físico extra e uma 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 recursos de escalonamento elásticos, eles podem ser dimensionados para mais ou para menos de forma independente.

• É possível 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 escalonável, altamente seguro e disponível globalmente que inclui o Azure Synapse em um ecossistema de ferramentas e recursos de suporte. O próximo diagrama resume o ecossistema do Azure Synapse.

O Azure Synapse fornece o melhor desempenho da categoria de bancos de dados relacionais com o uso de técnicas como MPP e vários níveis de cache automatizado para dados usados com frequência. Os resultados dessas técnicas podem ser vistos em parâmetros de comparação independentes, como aquele executado recentemente pela GigaOm, que compara o Azure Synapse com outras ofertas de data warehouse de nuvem populares. Os clientes que migram para o ambiente Azure Synapse observam muitos benefícios, inclusive:

• Desempenho e preço por desempenho aprimorados.

• Maior agilidade e menor tempo de retorno.

• Implantação de servidor e desenvolvimento de aplicativos mais rápidos.

• Escalabilidade elástica – pague apenas pelo uso real.

• Melhora da segurança/conformidade.

• Custos reduzidos de armazenamento e recuperação de desastre.

• TCO geral mais baixo, melhor controle de custo e OPEX (despesas operacionais simplificadas).

Para maximizar esses benefícios, migre dados e aplicativos novos ou existentes para a plataforma do Azure Synapse. Em muitas organizações, a migração inclui mover um data warehouse existente de uma plataforma local herdada, como o Netezza, para o Azure Synapse. Em 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. A meta de otimização de desempenho é alcançar o desempenho igual ou melhor do data warehouse no Azure Synapse após a migração do esquema.

Considerações sobre o design

Escopo da migração

Ao se preparar para migrar de um ambiente Netezza, considere as seguintes opções de migração.

Escolha a carga de trabalho para a migração inicial

Os ambientes Netezza herdados geralmente evoluem ao longo do tempo para abranger várias áreas de assunto e cargas de trabalho mistas. Ao decidir onde iniciar um projeto de migração, escolha uma área em que você possa:

• Comprove a viabilidade da migração para o Azure Synapse por meio da entrega rápida de benefícios do novo ambiente.

• Permitir que sua equipe técnica interna ganhe experiência relevante com os processos e as ferramentas que eles usarão ao migrar outras áreas.

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

Um bom candidato à migração inicial de um ambiente Netezza oferece suporte aos itens anteriores e:

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

• Tem um modelo de dados que possa ser migrado com modificações mínimas, como um esquema em estrela ou snowflake.

O volume de dados migrados em uma migração inicial deve ser grande o suficiente para demonstrar os recursos e benefícios do ambiente Azure Synapse, porém sem excesso, para uma demonstração rápida do seu valor. Um tamanho entre 1 e 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 de migração em fases e lift-and-shift limitam o escopo da migração inicial apenas aos data marts e não abordam aspectos de migração mais amplos, como migração de ETL e de dados históricos. No entanto, você pode abordar esses aspectos em fases posteriores do projeto após a camada de data mart migrada ser novamente preenchida com os dados e processos de compilação necessários.

Migração lift-and-shift versus abordagem em Fases

Em geral, há dois tipos de migração, independentemente da finalidade e do escopo planejado: lift-and-shift sem alterações e uma abordagem em fases que incorpora alterações.

Lift-and-shift

Em uma migração do tipo lift-and-shift, 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 alcançar os benefícios da migração para o ambiente de nuvem do Azure. A migração lift-and-shift é uma boa opção para estes cenários:

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

Abordagem em fases que incorpora alterações

Se um data warehouse herdado estiver em evolução há um longo período, talvez seja necessário refazer sua engenharia para manter os níveis de desempenho necessários. Talvez você também precise refazer a engenharia para oferecer suporte a novos dados, como fluxos de IoT (Internet das Coisas). Como parte do processo de reengenharia, migre para o Azure Synapse para obter os benefícios de um ambiente de nuvem escalonável. A migração pode incluir uma alteração no modelo de dados subjacente, como a mudança de um modelo Inmon para um cofre de dados.

A Microsoft recomenda mover o modelo de dados existente sem alterações para o Azure e usar o desempenho e a flexibilidade do ambiente do Azure para aplicar as alterações geradas pelo trabalho 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 controlada por metadados

Automatize e orquestre o processo de migração usando os recursos do ambiente do Azure. Essa abordagem minimiza o impacto no ambiente Netezza existente, que talvez já esteja funcionando próximo da capacidade total.

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

Quando você planeja usar as instalações 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 do Netezza e do Azure Synapse Analytics, que são discutidas em seguida.

Diversos bancos de dados vs. um único banco de dados e esquemas

O ambiente Netezza geralmente contém vários bancos de dados separados. Por exemplo, pode haver bancos de dados separados para: ingestão de dados e tabelas de preparo, tabelas principais do warehouse e data marts (às vezes chamados de 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 Azure Synapse contém um único banco de dados e usa esquemas para separar tabelas em grupos separados logicamente. Recomendamos usar uma série de esquemas no banco de dados do Azure Synapse de destino para imitar os bancos de dados separados migrados do ambiente Netezza. Se o ambiente Netezza já usar esquemas, talvez seja necessário empregar uma nova convenção de nomenclatura a fim de mover as tabelas e exibições existentes do Netezza para o novo ambiente. Por exemplo, é possível concatenar o esquema existente do Netezza e os nomes de tabela no novo nome de tabela do Azure Synapse e, em seguida, usar nomes de esquema no novo ambiente para manter os nomes de banco de dados separados originais. Se a nomenclatura de consolidação de esquema tiver pontos, o Azure Synapse Spark poderá ter problemas. Você pode usar exibições SQL sobre as tabelas subjacentes para manter as estruturas lógicas, mas há algumas desvantagens potenciais nessa abordagem:

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

• Talvez já haja uma ou mais camadas de exibições, e a adição de uma camada extra pode afetar o desempenho e a capacidade de suporte, pois é difícil difíceis de solucionar problemas em exibições aninhadas.

Considerações sobre tabela

Ao migrar tabelas entre ambientes diferentes, normalmente só é possível migrar dados brutos e os metadados que os descrevem. 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.

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

Tipos de objeto de banco de dados Netezza sem suporte

Os recursos específicos do Netezza normalmente podem ser substituídos por recursos do Azure Synapse. No entanto, alguns objetos de banco de dados do Netezza não têm suporte direto 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 examinados:

  • Colunas INTEGER de 8 bytes ou menos.
  • Colunas temporais, como DATE, TIMEe TIMESTAMP.
  • Colunas CHAR, se elas fizerem parte de uma exibição materializada e forem mencionadas na cláusula ORDER BY.

  Descubra quais colunas têm mapas de zona usando o utilitário nz_zonemap, que faz parte do Kit de ferramentas NZ. O Azure Synapse não inclui mapas de zona, mas é possível obter resultados semelhantes usando outros tipos de índice definidos pelo usuário e/ou particionamento.

• CBT (tabelas base clusterizadas): no Netezza, as CBTs costumam ser usadas para tabelas de fatos, que podem ter bilhões de registros. Verificar uma tabela enorme exigirá um tempo de processamento considerável, já que poderá ser necessária uma verificação de tabela completa para obter os registros relevantes. A organização de registros nas CBTs restritivas permite que o Netezza agrupe registros nas mesmas extensões ou nas proximidades. O 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.

• Exibições materializadas: o Netezza dá suporte a exibições materializadas e recomenda o uso de uma ou mais exibições materializadas para tabelas grandes com muitas colunas se apenas poucas colunas forem usadas regularmente em consultas. Exibições materializadas serão atualizadas automaticamente pelo sistema quando os dados na tabela base forem atualizados.

  O Azure Synapse dá suporte a exibições materializadas, com as mesmas funcionalidades do Netezza.

Mapeamento do tipo de dados do Netezza

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

Fornecedores de terceiros 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 transformações de dados necessárias.

Diferenças de sintaxe de DML SQL

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

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

• AGE: o Netezza dá suporte ao operador AGE para fornecer 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(): o Netezza usa NOW() para representar CURRENT_TIMESTAMP no Azure Synapse.

Funções, procedimentos armazenados e sequências

Muitas vezes, ao migrar um data warehouse de um ambiente herdado maduro como o Netezza, provavelmente é preciso migrar elementos que não sejam tabelas e exibições simples. Verifique se as ferramentas do ambiente do Azure podem substituir a funcionalidade de funções, procedimentos armazenados e sequências, pois geralmente é mais eficaz 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 precisem ser migrados, defina um método para tratá-los e aloque os recursos corretos no seu plano de migração.

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 mais profundamente a migração de funções, procedimentos armazenados e sequências.

Funções

Como a maioria dos produtos de banco de dados, o Netezza oferece suporte a funções do sistema e definidas pelo usuário em 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 sintaxes um pouco diferentes, mas todas as alterações necessárias podem ser automatizadas.

No caso de funções do sistema Netezza ou arbitrárias definidas pelo usuário sem equivalente no Azure Synapse, recodifique-as usando uma linguagem de ambiente de destino. As funções definidas pelo usuário do Netezza são codificadas usando as 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 permite que os procedimentos sejam armazenados no banco de dados. O Netezza fornece a linguagem NZPLSQL, que tem base no Postgres PL/pgSQL para essa finalidade. Um procedimento armazenado normalmente contém instruções SQL e lógica de procedimento, retornando dados ou um status.

O Azure Synapse oferece suporte a procedimentos armazenados usando T-SQL, portanto, você precisa recodificar todos os procedimentos armazenados migrados nessa linguagem.

Sequências

No Netezza, uma sequência é um objeto de banco de dados nomeado criado usando CREATE SEQUENCE. Uma sequência fornece valores numéricos exclusivos por meio do método NEXT VALUE FOR. Você pode usar 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 o código SQL que gera o próximo número de sequência em uma série.

Extrair metadados e dados de um ambiente Netezza

Geração de DLL (linguagem de definição de dados)

O padrão ANSI SQL define a sintaxe básica para comandos DDL (Linguagem de Definição de Dados). Alguns comandos DDL, como CREATE TABLE e CREATE VIEW, são comuns no Netezza e no Azure Synapse, mas foram estendidos para fornecer recursos específicos de implementação.

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

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

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

Extração de dados do Netezza

Você pode extrair dados de brutos de tabelas do Netezza para arquivos delimitados simples, como arquivos CSV, usando utilitários padrão do Netezza como nzsql e nzunload, ou por 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 ferramentas de transporte de dados do AzCopy ou do Azure, como o Azure Data Box.

Extraia dados de tabela da forma mais eficaz possível. Use a abordagem de tabelas externas porque é o método de extração mais rápido. Faça várias extrações em paralelo para maximizar a taxa de transferência de extração de dados. A seguinte instrução SQL executa um extrato de tabela externa:

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

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

Os arquivos de dados extraídos devem conter texto delimitado no formato CSV, ORC (Optimized Row Columnar) ou Parquet.

Para obter mais informações sobre a migração de dados e ETL de um ambiente Netezza, consulte Migração de dados, ETL e carregamento para migrações Netezza.

Recomendações de desempenho para migrações do Netezza

A meta de otimização de desempenho é um desempenho do data warehouse igual ou melhor após a migração para o Azure Synapse.

Semelhanças nos conceitos de abordagem de ajuste de desempenho

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

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

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

• Verifique se as colunas a serem ingressadas têm o mesmo tipo de dados para otimizar o processamento de ingresso e reduzir a necessidade de transformações de dados.

• Para ajudar o otimizador a produzir o melhor plano de execução, verifique se as estatísticas estão atualizadas.

• Monitore o desempenho usando recursos de banco de dados internos para verificar se os recursos estão sendo usados com eficiência.

Diferenças na abordagem de ajuste de desempenho

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

Opções de distribuição de dados

Em termos de 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 instruções CREATE TABLE usando DISTRIBUTION no Azure Synapse e DISTRIBUTE ON no Netezza.

Diferentemente do Netezza, o Azure Synapse oferece suporte a junções locais entre uma tabela pequena e uma tabela grande por meio de replicação de tabela pequena. Por exemplo, considere uma tabela de dimensões pequena e uma tabela de fatos grande em um modelo de esquema em estrela. O Azure Synapse pode replicar a tabela de dimensões menores em todos os nós para garantir que o valor de qualquer chave de junção para a tabela grande tenha uma linha de dimensão correspondente e disponível localmente. A sobrecarga da replicação da tabela de dimensões é relativamente baixa em uma tabela de pequenas dimensões. 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 Orientações sobre design para uso de tabelas replicadas e Orientações sobre a criação de tabelas distribuídas.

Indexação de dados

O Azure Synapse dá suporte a várias opções de indexação definíveis pelo usuário que têm uma operação e um 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 de SQL dedicadas.

A zona existente gerenciada pelo sistema é mapeada dentro de um ambiente de origem do Netezza para fornecer uma indicação útil do uso de dados e das colunas candidatas a indexação no ambiente do Azure Synapse.

Particionamento de dados

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

Só é possível usar um campo por tabela para particionamento. Frequentemente, esse é um campo de datas, pois muitas consultas são filtradas por data ou intervalo de datas. É possível alterar o particionamento de uma tabela após o carregamento inicial, usando a instrução CTAS (CREATE TABLE AS) para recriá-la com uma nova distribuição. Para obter uma descrição detalhada do particionamento no Azure Synapse, consulte Tabelas de particionamento em um pool de SQL dedicado.

Estatísticas da tabela de dados

Verifique se as estatísticas nas tabelas de dados estão atualizadas criando em uma etapa de estatísticas para trabalhos ETL/ELT.

PolyBase ou COPY INTO para carregamento de dados

O PolyBase oferece suporte ao carregamento eficiente de grandes volumes de dados para um data warehouse com o uso de fluxos de carregamento paralelos. Para obter mais informações, consulte a estratégia de carregamento de dados do PolyBase.

COPY INTO também oferece suporte à ingestão de dados de alta taxa de transferência e:

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

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

• ADLS (Azure Data Lake Storage) e Armazenamento de Blobs do Azure.

• Formatos de arquivo CSV, PARQUET e ORC.

Gerenciamento de carga 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 de recursos altamente eficiente e maximiza o ROI (retorno sobre o investimento). A classificação da carga de trabalho, a importância da carga de trabalho e o isolamento da carga de trabalho dão 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 para garantir que os recursos aplicáveis sejam utilizados com eficiência.

Próximas etapas

Para saber mais sobre ETL e carregamento para migração do Netezza, confira o próximo artigo nesta série: Migração de dados, ETL e carregamento para migrações do Netezza.