Amazon Athena

解決する課題

S3にログやCSV、JSONを貯めたものの「分析するにはデータベースに取り込んで…」と手間がかかる、という場面は多くあります。Athenaなら：

• S3のデータを移動・ロードせずにその場で標準SQLで分析できる
• クラスタやサーバーを一切管理しない（サーバーレス）
• 使ったときスキャンした分だけ支払い、待機コストが発生しない

アドホックなログ調査、データレイクの探索的分析、たまにしか走らないレポート集計などに向きます。

主要概念と用語

• クエリエンジン: SQLの実行基盤。分散SQLエンジンをベースにしており、標準SQLでS3上のデータを処理する
• データカタログ: テーブルのスキーマ（列名・型・S3の場所）を管理するメタデータ。一般的にはAWS Glueデータカタログを利用する
• テーブル / スキーマ: S3上のファイル群を「表」として見せる定義。実データはS3に置いたまま
• パーティション: 日付などのキーでデータをフォルダ分割し、スキャン範囲を絞る仕組み
• ワークグループ: クエリを論理的に分離し、出力先・暗号化・コスト上限などをまとめて管理する単位
• クエリ結果の出力先: 実行結果を保存するS3バケット（ワークグループで指定）

仕様・制限・クォータ

• 課金は基本的にスキャンしたデータ量に対して発生する（圧縮・列指向・パーティションで削減可能）
• データの取り込みやインデックス作成は不要で、S3に置けばすぐクエリできる
• 一度に実行できる同時クエリ数や1クエリの実行時間などにサービスクォータがあり、必要に応じて引き上げを申請できる
• CSV、JSON、ORC、Parquet、Avroなど複数のフォーマットを扱える
• 結果は指定したS3に保存され、後から再取得できる

内部の仕組み

Athenaはサーバーレスで、ユーザーがクラスタを用意する必要はありません。クエリを投げると、AWS側で必要な計算リソースが割り当てられ、S3上のオブジェクトを直接読み取って分散処理し、結果を指定のS3バケットへ書き出します。

• テーブル定義は実データではなくメタデータに過ぎず、データはS3に置いたまま（読み取り時にスキーマを適用する方式）
• スキーマはGlueデータカタログなどで管理し、複数サービス間で共有できる
• パーティションを使うと、WHERE句の条件に合致するフォルダだけを読むため、スキャン量を大幅に削減できる

設計パターン / ベストプラクティス

• 列指向フォーマット（Parquet/ORC）へ変換: 必要な列だけ読めるため、スキャン量と料金を大きく減らせる
• パーティション設計: 日付やリージョンなど、よく絞り込むキーでフォルダ分割する
• 圧縮: gzipやsnappyなどで圧縮し、読み取りバイト数を減らす
• 小さすぎるファイルを避ける: 大量の小ファイルはオーバーヘッドになるため、適度なサイズへまとめる
• BIツール連携: ダッシュボード用途ではキャッシュやビューを併用し、繰り返しのフルスキャンを避ける

運用・監視

• 実行履歴から各クエリのスキャン量・実行時間を確認し、重いクエリを特定する
• ワークグループごとにクエリのスキャン上限（バイト数の上限）を設定し、想定外の高額クエリを抑止できる
• CloudWatchへメトリクスを送り、処理データ量や実行時間を監視できる
• CloudTrailでクエリ実行などのAPI操作を監査できる

コスト

• 基本はスキャンしたデータ量に対する従量課金で、待機中のコストは発生しない
• 列指向フォーマット化・圧縮・パーティションでスキャン量を減らすほど安くなる
• クエリ結果保存用のS3ストレージ料金は別途かかる
• ワークグループのスキャン上限で1クエリあたりの上限コストをガードできる

セキュリティ

• アクセス制御はIAMで行い、対象S3バケットやワークグループ単位で権限を絞る
• クエリ結果は保存時にS3側で暗号化でき、鍵はKMSで管理できる
• 通信はTLSで保護される
• 列・行レベルのきめ細かなアクセス制御は、データカタログのアクセス管理機能と組み合わせて実現できる

Well-Architected の観点

• コスト最適化: サーバー待機コストがなく、スキャン量削減がそのまま節約につながる。ワークグループで上限管理
• パフォーマンス効率: 列指向・圧縮・パーティションで読み取り量を減らし、必要な計算だけを実行する
• セキュリティ: 最小権限のIAM、結果の暗号化、監査ログの活用
• 運用上の優秀性: サーバー管理が不要で、SQLだけで分析を運用できる

試験で問われるポイント

関連サービス・比較

データウェアハウスの Amazon Redshift とよく比較されます。常時稼働の大規模分析基盤か、その場限りのサーバーレスクエリかで選びます。

ハンズオン / CLI例

# ワークグループの出力先を指定してクエリを非同期実行 → 実行IDを取得
QID=$(aws athena start-query-execution \
  --query-string "SELECT status, count(*) FROM logs WHERE dt = '2026-06-13' GROUP BY status" \
  --query-execution-context Database=mydb \
  --work-group primary \
  --result-configuration OutputLocation=s3://my-athena-results/ \
  --query "QueryExecutionId" --output text)

# 実行状態とスキャン量を確認
aws athena get-query-execution --query-execution-id "$QID" \
  --query "QueryExecution.{State:Status.State,Scanned:Statistics.DataScannedInBytes}"

# 結果の取得
aws athena get-query-results --query-execution-id "$QID"