DifícilSelección múltiple

Pregunta de práctica de DEA-C01

Una empresa utiliza Amazon Redshift para su almacén de datos (data warehouse). El equipo de ingeniería de datos necesita mejorar el rendimiento de las consultas para una tabla de hechos grande que se une (joins) frecuentemente con múltiples tablas de dimensiones. ¿Qué TRES estrategias se deben considerar?

Elige todas las respuestas correctas.

Respuestas correctas

  • ADefinir claves de ordenamiento en las columnas utilizadas en las cláusulas WHERE.
  • DElegir una clave de distribución adecuada basada en las columnas de unión.
  • EAplicar compresión columnar para reducir el almacenamiento y las E/S.

Explicación

La opción A es correcta porque definir claves de ordenamiento (sort keys) en columnas utilizadas frecuentemente en cláusulas WHERE permite a Redshift utilizar mapas de zonas (zone maps) y metadatos a nivel de bloque para omitir bloques irrelevantes, reduciendo drásticamente las E/S para consultas filtradas en la tabla de hechos grande. La opción D es correcta porque elegir una clave de distribución (distribution key) basada en las columnas de unión de la tabla de hechos co-ubica las filas coincidentes en la misma partición (slice) del nodo, lo que permite uniones co-ubicadas (collocated joins) que evitan la costosa redistribución de datos (difusión o mezcla) en todo el clúster. La opción E es correcta porque la compresión columnar reduce la cantidad de datos leídos del disco y mejora la eficiencia de E/S, lo cual es especialmente beneficioso para tablas de hechos grandes recorridas por consultas analíticas. La opción B no es ideal aquí porque DISTSTYLE EVEN distribuye las filas de manera uniforme pero no co-ubica las claves de unión, por lo que las uniones con tablas de dimensiones requieren redistribución en la red, perjudicando el rendimiento de las uniones frecuentes. La opción C no es una estrategia específica para el rendimiento de las uniones; agregar nodos aumenta la capacidad de cómputo y almacenamiento, pero por sí sola no aborda las claves de ordenamiento, las claves de distribución o la compresión, y puede no resolver los cuellos de botella relacionados con las uniones.

Por qué cada opción es correcta o incorrecta

A

Correcta

Definir claves de ordenamiento en las columnas utilizadas en las cláusulas WHERE.

Las claves de ordenamiento ordenan físicamente las filas en el disco según las columnas elegidas, por lo que los predicciones de rango e igualdad en las cláusulas WHERE omiten bloques irrelevantes mediante mapas de zonas. Esto reduce las filas escaneadas para la tabla de hechos grande, mejorando directamente las consultas filtradas que alimentan las uniones.

B

Incorrecta

Usar DISTSTYLE EVEN para distribuir los datos de manera uniforme.

DISTSTYLE EVEN reparte las filas de forma round-robin, por lo que las filas de las uniones caen en diferentes slices y requieren redistribución en la red; la distribución KEY en la columna de unión las co-ubica. Es tentador porque EVEN equilibra el almacenamiento y se adapta a tablas que nunca se unen en una columna común.

C

Incorrecta

Aumentar el número de nodos en el clúster.

Agregar nodos aumenta la capacidad de cómputo y almacenamiento, pero el objetivo principal es el rendimiento de las uniones en una tabla de hechos grande, lo cual la distribución y las claves de ordenamiento abordan directamente. Es tentador porque escalar horizontalmente (scale out) aumenta el rendimiento general (throughput), y sería correcto para un clúster que realmente tenga limitaciones de CPU o memoria.

D

Correcta

Elegir una clave de distribución adecuada basada en las columnas de unión.

Las claves de distribución controlan qué slice almacena cada fila; elegir una columna utilizada frecuentemente en uniones co-ubica las filas coincidentes en el mismo slice. Esto permite que Redshift realice uniones co-ubicadas sin transmitir o redistribuir la tabla de hechos grande entre los nodos, reduciendo el tiempo de red y de consulta.

E

Correcta

Aplicar compresión columnar para reducir el almacenamiento y las E/S.

La compresión columnar almacena los valores de cada columna de forma contigua y los codifica, por lo que Redshift lee muchos menos bloques al escanear las columnas unidas de la tabla de hechos. Esto reduce directamente el volumen de E/S, el costo dominante en los escaneos y uniones de tablas de hechos grandes descritos.

Para profundizar

Amazon Redshift distribuye las filas entre los nodos de cómputo de acuerdo con el estilo de distribución y, cuando dos tablas comparten la misma clave de distribución en una columna de unión, el planificador de consultas puede realizar una unión co-ubicada sin movimiento de datos a través de la red. Las claves de ordenamiento, particularmente las compuestas o intercaladas, permiten que el mapa de zonas omita bloques enteros de 1 MB durante predicciones WHERE con rangos restringidos, reduciendo drásticamente los datos escaneados. La compresión columnar codifica cada columna por separado, lo que reduce las E/S y el almacenamiento, ya que las consultas analíticas tocan pocas columnas. Un detalle sutil que vale la pena conocer es que DISTSTYLE EVEN es mejor para tablas que nunca se unen, por lo que no es la optimización adecuada aquí. Esto importa porque una clave de distribución mal elegida provoca pasos de difusión o mezcla (broadcast o shuffle) que dominan el tiempo de ejecución de las consultas en tablas de hechos grandes.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de DEA-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.