ストリーム処理

ストリーム処理とは

ストリーム処理 (Stream Processing) は、データを受信しながらリアルタイムで処理する手法である。バッチ処理が「溜めてから処理」するのに対し、ストリーム処理は「流れてきたら即座に処理」する。

バッチ処理との比較

バッチ処理との主な違いを以下に比較する。

観点	バッチ処理	ストリーム処理
レイテンシ	高い (分〜時間)	低い (ミリ秒〜秒)
データ量	大量を一括処理	1 件ずつ or 小バッチ
処理タイミング	スケジュール実行	イベント駆動
用途	日次集計、ETL	リアルタイム分析、アラート
AWS サービス	Glue, EMR, Athena	Kinesis, Lambda, MSK

AWS でのストリーム処理

AWS でのストリーム処理を図で示す。

[データソース] → [Kinesis Data Streams] → [Lambda] → [DynamoDB / S3]
                                        → [Kinesis Data Firehose] → [S3 / Redshift]

AWS では Kinesis Data Streams (リアルタイムデータストリーム)、Kinesis Data Firehose (S3/Redshift への配信)、DynamoDB Streams (テーブル変更のキャプチャ)、MSK (大規模ストリーム処理)、Lambda (ストリームのコンシューマー) を組み合わせる。

ウィンドウ処理

ストリームデータを時間やカウントで区切って集計する。

ウィンドウ	説明	例
タンブリング	固定長、重複なし	5 分ごとの売上集計
スライディング	固定長、重複あり	直近 5 分の移動平均
セッション	アクティビティベース	ユーザーセッションの分析

ストリーム処理の課題

順序保証は Kinesis のパーティションキーで対応する。重複処理は冪等性を確保 (DynamoDB の条件付き書き込み) して防ぐ。遅延データはウォーターマークで許容する。バックプレッシャーは Lambda の同時実行数を制限して制御する。

詳しくは関連書籍を参照。