关键字: [亚马逊云科技， Redshift Serverless， 亚马逊云科技， Redshift Serverless， 数据分析灵活性， 效率优化， 计算资源动态调整]

在这场演讲中，演讲者介绍了亚马逊云科技的Redshift Serverless新服务。Redshift Serverless继承了传统Redshift数据仓库的性能和功能，但在用户体验上有了显著提升。它采用了Namespace、Workgroup和RPU的新概念，无需管理节点大小和数量，并且可以无缝升级版本。演讲者还分享了两个客户案例，展示了Redshift Serverless如何解决多源数据整合和数据存储管理的难题。最后，演讲者介绍了两个最佳实践，即如何自动监控和优化查询性能瓶颈，以及如何动态调整RPU数量以实现最佳利用率。Redshift Serverless重新定义了数据分析的灵活性和效率。

以下是小编为您整理的本次演讲的精华。

亚马逊云科技中国区技术支持工程师在此次演讲中分享了关于Redshift Serverless的内容，主题为“Redshift Serverless重新定义数据分析的灵活性与效率”。他将演讲分为三个部分:Redshift Serverless服务介绍、用户案例分享以及两个最佳实践。

第一部分是Redshift Serverless服务介绍。演讲者首先概述了亚马逊云科技中与数据相关的服务，可分为收集、存储和分析三个部分，其中Redshift定位于分析这一块，旨在为客户提供数据分析决策支持。接着，他回顾了Redshift传统数据仓库所支持的功能，包括多种实例类型选择，从RA3的xlarge值一直到RA3的16xlarge值，这些不同的节点都有它们分别的vCPU、核数、内存，以及存储的上限。在选择数据仓库时，由于是由多个节点构成，客户可以灵活选择节点类型，不同节点有不同价格，从而实现精细的性价比控制。并且随着使用，可以从两个节点扩容到四个节点，当然也可以扩容到更多节点或收缩。

其次，Redshift支持不同的查询队列。这意味着，假设有多个业务部门同时使用同一个数据仓库，可能会出现一种情况，一个业务部门带来的都是大型且复杂的查询，另一个业务部门带来的都是小型但要求迅速出结果的查询。如果没有队列设置，可能会出现一个大型查询占据大量资源造成后面查询阻塞的情况。因此，Redshift提供了队列概念，可以将不同业务部门或用户的查询分入不同队列，并限定每个队列的资源上限。

最后，Redshift还可以随时暂停和恢复集群，因为集群是根据节点运行时间计费，在不使用时可暂停并停止计费，恢复使用时再开始计费，实现了精细的性价比控制。

然而，Redshift Serverless在传承了传统Redshift所有性能和功能的基础上，还提供了更好的用户体验支持。Redshift Serverless中有三个重要概念:Namespace、Workgroup和RPU(Redshift处理单元)。Namespace没有大小限制，可以存储任意数量数据，解决了传统集群存储上限的问题;Workgroup用于配置连接和安全设置，如VPC、安全组、端口等;RPU则替代了节点类型，每个RPU对应16GB内存，更加灵活。

更重要的是，Redshift Serverless提供了AI动态计算功能，可以根据查询自动调整RPU数量，最大化性价比或性能，无需人工干预。它采用了5个档位，分别对应最佳性价比到最佳性能，客户只需规定一个最大RPU数量，Redshift就会在这个范围内灵活调配。它还采用按查询运行时长计费的模式，更加精细高效。举例来说，如果从2点到2点15分，集群上一共有5个查询在运行，它们之间有重叠和间隔，实际收费时长并不是15分钟，而是从2点到2点03分，加上2点07分到2点08分，再加上2点12分到2点13分，只有这短暂的几分钟费用。

相比之下，传统预制集群需要管理节点大小和数量，还需要规定维护窗口进行版本升级，给客户带来了额外的运维负担。

第二部分是两个用户案例分享。第一个案例是一个电商零售平台，他们遇到的问题是需要将多种数据源整合到Redshift Serverless集群中，后接BI决策工具。这些数据源包括RDS(通过肌肉ETL功能实时复制数据)、S3(外部表直接查询)、MSK(亚马逊云科技的流数据服务)、Kinesis(亚马逊云科技的流数据服务)以及其他业务来源(通过数据管道导入)。通过这一架构，客户成功解决了多源数据接入和整合的难题，在BI工具中可随意查询不同业务数据，为决策提供了支持。

第二个案例是一家药企，他们有两个需求:一是将RDS中实时业务数据放到分析平台，二是只在RDS保留30天内的数据，超过30天的数据称为冷数据需要迁移出去。为此，他们通过定期从RDS迁移数据到Serverless并清理RDS中冷数据的方式，成功解决了这两个难题。之所以选择Serverless，是因为相比传统数据仓库，Serverless通过RPU替代了节点类型，更加灵活高效，能够应对不断增长的数据量。传统数据仓库的不同节点类型在CPU和内存上都有限制，如RA3的xlarge节点只有1个vCPU和16GB内存。

第三部分是两个最佳实践。第一个是如何自动监控和优化查询性能瓶颈。随着数据量和业务量的增加，查询性能可能会出现瓶颈，响应时间变长。为了自动化检测和优化这一过程，他们通过CloudWatch监控CPU利用率、查询成功率(QUERIES_SUCCEEDED每秒成功查询数量)、查询失败率(QUERIES_FAILED每秒失败查询数量)、查询耗时(QUERY_DURATION平均查询时长)等指标，当异常时触发SNS(简单通知服务)警报，接着Lambda自动kill锁和重复查询，并结合Redshift Advisor的优化建议自动优化表设计，从而实现了自动化的性能优化。Redshift Advisor可以监控表的设计是否合理，如查询是否落在分区键和排序键上，并给出ALTER TABLE语句的优化建议。Lambda会直接连接到Redshift Serverless执行查询和优化操作，所有操作都记录在日志中。

第二个最佳实践是如何动态调整RPU数量。由于业务发展，RPU数量的设置可能会过多或过少，不合理的设置会影响性价比。为此，他们通过监控CloudWatch中RPU利用率指标，当长期低于设置的最大RPU值或一直使用到最大值时，就会触发SNS警报，接着Lambda自动调整Serverless中的最大RPU数量，以保持最佳利用率。

通过这两个最佳实践，客户能够自动化地优化查询性能，并动态调整计算资源，充分发挥Redshift Serverless的灵活性和高效性。

总的来说，Redshift Serverless作为一个数据仓库平台，相比传统Redshift在灵活性和效率方面有了重大提升，真正重新定义了数据分析体验。它无需管理节点和规定维护窗口，提供了AI动态计算和按需付费等新功能，并通过案例和最佳实践展示了在多源数据整合、动态资源调度和自动化运维优化等方面的实际应用，被认为重新定义了数据分析的灵活性与效率。

亚马逊云科技的 Redshift Serverless 为数据分析带来了全新的灵活性和效率。这种无服务器架构继承了 Redshift 传统数据仓库的性能和功能，同时提供了更优越的用户体验。它引入了 Namespace、Workgroup 和 RPU 等新概念，消除了对节点大小和数量的管理需求，并通过 AI 动态计算实现了自动资源调配。此外，Redshift Serverless 采用按查询运行时长付费的模式，大幅提高了成本效率。

通过两个真实案例，演讲者展示了 Redshift Serverless 如何解决客户在多源数据整合和数据存储管理方面的挑战。最后，他分享了两个最佳实践，介绍了如何利用 CloudWatch 指标、系统视图和 Redshift Advisor 等工具，实现查询性能瓶颈的自动监控和优化，以及动态调整 RPU 数量以保持最佳利用率。总的来说，Redshift Serverless 重新定义了数据分析的灵活性和效率，为客户带来了前所未有的便利性和价值。

我们正处在Agentic AI爆发前夜。2025亚马逊云科技中国峰会提出，企业要从“成本优化”转向“创新驱动”，通过完善的数据战略和AI云服务，把握全球化机遇。亚马逊将投入1000亿美元在AI算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在AI时代突破。