Data Warehouse Lösung mit AWS

Ziele

Data Warehousing auf AWS führt Sie in Konzepte, Strategien und Best Practices für das Entwerfen einer cloudbasierten Data Warehousing-Lösung mit Amazon Redshift ein, dem Data Warehouse im Petabyte-Bereich in AWS. Dieser Kurs zeigt, wie Sie Daten für das Data Warehouse sammeln, speichern und vorbereiten, indem Sie AWS-Services wie Amazon DynamoDB, Amazon EMR, Amazon Kinesis und Amazon S3 verwenden. Außerdem wird in diesem Kurs gezeigt, wie Sie Amazon QuickSight verwenden, um Analysen mit Ihren Daten durchzuführen.

In diesem Kurs werden Sie:

• Diskutieren Sie die Kernkonzepte des Data Warehousing und die Überschneidung zwischen Data Warehousing und Big Data-Lösungen.
• Starten eines Amazon Redshift-Clusters und Verwenden der Komponenten, Merkmale und Funktionen zur Implementierung eines Data Warehouse in der Cloud
• Verwenden anderer AWS-Daten- und Analyseservices wie Amazon DynamoDB, Amazon EMR, Amazon Kinesis und Amazon S3, um zur Data-Warehousing-Lösung beizutragen
• Data Warehouse-Architektur
• Leistungsprobleme zu identifizieren, Abfragen zu optimieren und die Datenbank für eine bessere Leistung abzustimmen
• Amazon Redshift Spectrum verwenden, um Daten direkt aus einem Amazon S3-Bucket zu analysieren
• Amazon QuickSight verwenden, um Datenanalyse- und Visualisierungsaufgaben mit dem Data Warehouse durchzuführen

Dieser Kurs wird mit der offiziellen AWS Unterlage und Systemumgebung durchgeführt. Die Unterlage und Lab sind im Preis enthalten.

Zielgruppe

• Datenbank-Architekten
• Datenbank-Administratoren
• Datenbank-Entwickler
• Datenanalysten
• Datenwissenschaftler

Voraussetzungen

• Teilnahme an der Schulung AWS technischer Grundkurs, oder vergleichbares Wissen
• Erfahrung mit relationalen Datenbanken und dem Designen von Datenbanken

Agenda

Einführung in Data Warehousing

• Relationale Datenbanken
• Data-Warehousing-Konzepte
• Der Schnittpunkt von Data Warehousing und Big Data
• Überblick über das Datenmanagement in AWS
• Hands-on Lab 1: Einführung in Amazon Redshift

Einführung in Amazon Redshift

• Konzeptioneller Überblick
• Anwendungsfälle aus der Praxis
• Hands-on Lab 2: Starten eines Amazon Redshift-Clusters

Starten von Clustern

• Aufbau des Clusters
• Verbinden mit dem Cluster
• Kontrolle des Zugriffs
• Datenbank-Sicherheit
• Daten laden
• Hands-on Lab 3: Optimieren von Datenbankschemata

Entwerfen des Datenbankschemas

• Schemas und Datentypen
• Spaltenweise Komprimierung
• Datenverteilungsstile
• Methoden zur Datensortierung

Identifizieren von Datenquellen

• Datenquellen im Überblick
• Amazon S3
• Amazon DynamoDB
• Amazon EMR
• Amazon Kinesis Daten-Firehose
• AWS Lambda-Datenbanklader für Amazon Redshift
• Hands-on Lab 4: Laden von Echtzeitdaten in eine Amazon Redshift-Datenbank

Laden von Daten

• Vorbereiten von Daten
• Laden von Daten mit COPY
• Pflegen von Tabellen
• Gleichzeitige Schreibzugriffe
• Troubleshooting bei Ladeproblemen
• Hands-on Lab 5: Laden von Daten mit dem COPY-Befehl

Schreiben von Abfragen und Tuning für die Leistung

• Amazon Redshift SQL
• Benutzerdefinierte Funktionen (UDFs)
• Faktoren, die die Abfrageleistung beeinflussen
• Der EXPLAIN-Befehl und Abfragepläne
• Arbeitslast-Verwaltung (WLM)
• Hands-on Lab 6: Konfigurieren der Arbeitslastverwaltung

Amazon Redshift Spectrum

• Amazon Redshift Spektrum
• Konfigurieren von Daten für Amazon Redshift Spectrum
• Abfragen von Amazon Redshift Spectrum
• Hands-on Lab 7: Verwenden von Amazon Redshift Spectrum

Wartung von Clustern

• Audit-Protokollierung
• Leistungsüberwachung
• Ereignisse und Benachrichtigungen
• Hands-on Lab: Auditing und Überwachung von Clustern
• Größenänderung von Clustern
• Sichern und Wiederherstellen von Clustern
• Ressourcenkennzeichnung, Limits und Beschränkungen
• Hands-on Lab 9: Sichern, Wiederherstellen und Größenänderung von Clustern

Analysieren und Visualisieren von Daten

• Leistung von Visualisierungen
• Erstellen von Dashboards
• Amazon QuickSight-Editionen und -Funktionen