Freigeben über

Grundlegendes zu Datenmodellen

Moderne Lösungen verarbeiten vielfältige Daten, z. B. Transaktionen, Ereignisse, Dokumente, Telemetrie, binäre Objekte und analytische Fakten. Ein einzelner Datenspeicher erfüllt nur selten alle Zugriffsmuster effizient. Die meisten Produktionssysteme übernehmen polyglot persistenz, was bedeutet, dass Sie mehrere Speichermodelle auswählen. In diesem Artikel werden die kanonischen Definitionen der primären Datenspeichermodelle, die in Azure verfügbar sind, zentralisiert und vergleichende Tabellen bereitgestellt, um die Modellauswahl zu beschleunigen, bevor Sie bestimmte Dienste auswählen.

Führen Sie die folgenden Schritte aus, um Ihre Datenmodelle auszuwählen:

  1. Identifizieren von Zugriffsmustern für Arbeitslasten wie punktuelle Lesezugriffe, Aggregationen, Volltextsuche, Ähnlichkeitssuche, Zeitfensterscans und Objektbereitstellung.

  2. Zuordnen von Mustern zu den Speichermodellen in den folgenden Abschnitten.

  3. Erstellen Sie eine Shortlist von Azure-Diensten, die diese Modelle implementieren.

  4. Wenden Sie Bewertungskriterien an, z. B. Konsistenz, Latenz, Skalierung, Governance und Kosten.

  5. Kombinieren Sie Modelle nur, wenn Zugriffsmuster oder Lebenszyklen eindeutig voneinander abweichen.

Verwenden dieses Leitfadens

Jeder Modellabschnitt enthält eine präzise Definition, typische Workloads, Datenmerkmale, Beispielszenarien und Links zu repräsentativen Azure-Diensten. Jeder Abschnitt enthält auch eine Tabelle, die Ihnen bei der Auswahl des richtigen Azure-Diensts für Ihren Anwendungsfall hilft. In einigen Fällen können Sie andere Artikel verwenden, um fundiertere Entscheidungen über Azure-Dienstoptionen zu treffen. Die jeweiligen Modellabschnitte verweisen auf diese Artikel.

Zwei vergleichsbezogene Tabellen fassen nichtrelationale Modelleigenschaften zusammen, damit Sie Optionen schnell auswerten können, ohne Inhalte über Abschnitte hinweg zu wiederholen.

Klassifizierungsübersicht

Kategorie Hauptzweck Typische Azure-Dienstbeispiele
Relational (OLTP) Konsistente Transaktionsvorgänge Azure SQL-Datenbank, Azure-Datenbank für PostgreSQL oder Azure-Datenbank für MySQL
Nichtrelational, z. B. Dokument, Schlüsselwert, Spaltenfamilie und Diagramm Flexible Schema- oder beziehungsbasiert orientierte Workloads Azure Cosmos DB-APIs, Azure Managed Redis, Managed Cassandra oder HBase
Zeitreihe Metriken und Ereignisse mit hohem Zeitstempel Azure-Daten-Explorer
Objekt und Datei Großer binärer oder halbstrukturierter Dateispeicher Azure Blob Storage oder Azure Data Lake Storage
Suchen und Indizieren Volltext und Mehrfeldrelevanz, sekundäre Indizierung Azure KI-Suche
Vector Semantische oder ungefähre Ähnlichkeit des nächsten Nachbarn (ANN) Azure AI Search oder Azure Cosmos DB Varianten
Analyse, Online-Analytische Verarbeitung (OLAP), massiv parallele Verarbeitung (MPP) Umfangreiche historische Aggregation oder Business Intelligence (BI) Microsoft Fabric, Azure Synapse Analytics, Azure Data Explorer, Azure Analysis Services oder Azure Databricks

Hinweis

Ein einzelner Dienst kann mehrere Modelle bereitstellen, auch als Multimodell bezeichnet. Wählen Sie das am besten geeignete Modell aus, anstatt Modelle so zu kombinieren, dass Vorgänge kompliziert werden.

Relationale Datenspeicher

Relationale Datenbankverwaltungssysteme organisieren Daten mithilfe von Schema-on-Write in normalisierte Tabellen. Sie erzwingen Integrität und unterstützen die Atomarität, Konsistenz, Isolation und Haltbarkeit von Transaktionen (ACID) sowie umfangreiche SQL-Abfragen.

Stärken: Transaktionskonsistenz mit mehreren Zeilen, komplexe Verknüpfungen, starke relationale Einschränkungen und ausgereifte Tools für Berichterstellung, Verwaltung und Governance.

Betrachtungen: Die horizontale Skalierung erfordert im Allgemeinen Sharding oder Partitionierung, und die Normalisierung kann die Verknüpfungskosten für leseintensive denormalisierte Ansichten erhöhen.

Arbeitsauslastungen: Auftragsverwaltung, Bestandsverfolgung, Finanzbuchaufzeichnung, Abrechnung und operative Berichterstattung.

Auswählen eines Azure-Diensts für relationale Datenspeicher

  • SQL-Datenbank ist eine verwaltete relationale Datenbank für moderne Cloudanwendungen, die das SQL Server-Modul verwenden.

  • Azure SQL Managed Instance ist eine nahezu vollständige SQL Server-Umgebung in der Cloud, die ideal für Lift- und Schichtmigrationen geeignet ist.

  • SQL-Datenbank (Hyperscale) ist eine hochgradig skalierbare SQL-Ebene, die für massive Workloads mit schnellen automatischen und schnellen Sicherungen entwickelt wurde.

  • Azure Database for PostgreSQL ist ein verwalteter PostgreSQL-Dienst, der Open-Source-Erweiterungen und flexible Bereitstellungsoptionen unterstützt.

  • Azure Database for MySQL ist eine verwaltete MySQL-Datenbank für Web-Apps und Open-Source-Workloads.

  • SQL-Datenbank in Fabric ist eine entwicklerfreundliche Transaktionsdatenbank, die auf sql-Datenbank basiert, mit der Sie problemlos eine betriebsbereite Datenbank in Fabric erstellen können.

Verwenden Sie die folgende Tabelle, um zu ermitteln, welcher Azure-Dienst Ihre Anwendungsfallanforderungen erfüllt.

Dienstleistung Am besten geeignet für: Wichtigste Funktionen Beispielanwendungsfall
SQL-Datenbank Cloudeigene Apps Verwaltete, elastische Pools, Hyperscale, eingebaute hohe Verfügbarkeit, erweiterte Sicherheit Erstellen einer modernen Software as a Service (SaaS)-Anwendung mithilfe eines skalierbaren SQL-Back-Ends
Verwaltete SQL-Instanz Legacy-Unternehmens-Apps Vollständige SQL Server-Kompatibilität, Lift-and-Shift-Unterstützung, virtuelle Netzwerke, erweiterte Überwachung Migrieren einer lokalen SQL Server-App mithilfe minimaler Codeänderungen
SQL-Datenbank (Hyperscale) Globale Verteilung Multi-Region-Leseskalierbarkeit, Georeplikation, schnelle automatische Skalierung Bedienen einer global verteilten App, die einen hohen Lesedurchsatz erfordert
Azure-Datenbank für PostgreSQL Open-Source- und Analyse-Workloads PostGIS, Hyperscale, Flexible Server, Open-Source-Erweiterungen Entwickeln einer Geospatialanalyse-App mithilfe von PostgreSQL und PostGIS
Azure-Datenbank für MySQL Einfache Web-Apps Flexible Server, Open-Source-Kompatibilität, kostenwirksam Hosten einer WordPress-basierten E-Commerce-Website
SQL-Datenbank in Fabric OLTP-Workloads (Online Transaction Processing) im Fabric-Ökosystem Basiert auf dem SQL-Datenbankmodul, skalierbar und in Fabric integriert Erstellen von KI-Apps auf einem operativen, relationalen Datenmodell, das systemeigene Vektorsuchfunktionen enthält

Nichtrelationale Datenspeicher

Nichtrelationale Datenbanken, auch noSQL-Datenbanken genannt, optimieren sie für flexible Schemas, horizontale Skalierung und spezifische Zugriffs- oder Aggregationsmuster. Sie entspannen in der Regel einige Aspekte des relationalen Verhaltens, z. B. Schema-Starrheit und Transaktionsumfang, zur Skalierbarkeit oder Agilität.

Dokumentendatenspeicher

Verwenden Sie Dokumentdatenspeicher, um halbstrukturierte Dokumente, häufig im JSON-Format, zu speichern, in dem jedes Dokument benannte Felder und Daten enthält. Die Daten können einfache Werte oder komplexe Elemente sein, z. B. Listen und Unterkollektionen. Die Flexibilität des Schemas pro Dokument ermöglicht eine schrittweise Entwicklung.

Stärken: Natürliche Anwendungsobjektzuordnung, denormalisierte Aggregate, Mehrfeldindizierung

Betrachtungen: Dokumentgrößeswachstum, selektiver Transaktionsumfang, Bedarf an sorgfältigem Daten-Shape-Design für abfragen mit hoher Skalierung

Arbeitsauslastungen: Produktkataloge, Inhaltsverwaltung, Profilspeicher

Auswählen eines Azure-Diensts für Dokumentdatenspeicher

  • Azure Cosmos DB für NoSQL ist eine schemalose, regionsübergreifende NoSQL-Datenbank, die Lese- und Schreibvorgänge mit geringer Latenz ermöglicht.

  • Azure Cosmos DB für MongoDB ist eine global verteilte Datenbank mit MongoDB-Drahtprotokollkompatibilität und Autocaling.

  • Azure Cosmos DB in Fabric ist eine schemalose NoSQL-Datenbank mit Latenz-arme Lese- und Schreiboperationen, vereinfachter Verwaltung und integrierter Fabric-Analyse.

Verwenden Sie die folgende Tabelle, um zu ermitteln, welcher Azure-Dienst Ihre Anwendungsfallanforderungen erfüllt.

Dienstleistung Am besten geeignet für: Wichtigste Funktionen Beispielanwendungsfall
Azure Cosmos DB für NoSQL Benutzerdefinierte JSON-Dokumentmodelle, die SQL-ähnliche Abfragen unterstützen Umfangreiche Abfragesprache, Multi-Region-Schreibvorgänge, Zeit für Live (TTL), Änderungsfeed Erstellen einer Mehrinstanzen-SaaS-Plattform, die flexible Schemas unterstützt
Azure Cosmos DB für MongoDB Apps, die MongoDB-Treiber oder JSON-zentrierte APIs verwenden Globale Verteilung, Autoscale, natives MongoDB-Drahtprotokoll Migrieren einer Node.js-App von MongoDB zu Azure
Azure Cosmos DB in Fabric Echtzeitanalyse über NoSQL-Daten Automatisches Extrahieren, Transformieren und Laden (ETL) in OneLake durch Fabric-Integration Transaktions-Apps, die Analysedashboards in Echtzeit enthalten

Datenspeicher für Spaltenfamilien

Eine Spaltenfamiliendatenbank, auch bekannt als breitspaltige Datenbank, speichert sparsame Daten in Zeilen und organisiert dynamische Spalten in Spaltenfamilien, um den gemeinsamen Zugriff zu unterstützen. Die Spaltenausrichtung verbessert Scans über ausgewählte Spalten.

Stärken: Hoher Schreibdurchsatz, effizientes Abrufen von breiten oder geringen Datasets, dynamisches Schema innerhalb von Familien

Betrachtungen: Vorausgehendes Zeilenschlüssel- und Spaltenfamiliendesign, Sekundärindex-Unterstützung variiert, Abfrageflexibilität niedriger als bei relationalen Datenbanken

Arbeitsauslastungen: Internet of Things (IoT)-Telemetrie, Personalisierung, Analysevoraggregation, hohe Daten im Zeitreihenstil, wenn Sie keine dedizierte Zeitreihendatenbank verwenden

Auswählen eines Azure-Diensts für Datenspeicher in Spaltenfamilien

Verwenden Sie die folgende Tabelle, um zu ermitteln, welcher Azure-Dienst Ihre Anwendungsfallanforderungen erfüllt.

Dienstleistung Am besten geeignet für: Wichtigste Funktionen Beispielanwendungsfall
Azure Managed Instance für Apache Cassandra Neue und migrierte Cassandra-Workloads Verwaltet, native Apache Cassandra Telemetriedaten von IoT-Geräten, die Cassandra-Kompatibilität unterstützen
Apache HBase auf HDInsight Hadoop-Ökosystem, Batchanalyse Hadoop Distributed File System (HDFS)-Integration, umfangreiche Batchverarbeitung Batchverarbeitung von Sensordaten in einer Fertigungsanlage
Azure Data Explorer (Kusto) Hochvolumen-Datenaufnahme, Zeitreihenanalyse KQL, schnelle Ad-hoc-Abfragen, Zeitfensterfunktionen Echtzeitanalyse für Anwendungsprotokolle und Metriken

Schlüsselwert-Datenspeicher

Ein Schlüsselwert-Datenspeicher ordnet jeden Datenwert einem eindeutigen Schlüssel zu. Die meisten Schlüsselwertspeicher unterstützen nur einfache Abfrage-, Einfüge- und Löschvorgänge. Um einen Wert entweder teilweise oder vollständig zu ändern, muss eine Anwendung die vorhandenen Daten für den gesamten Wert überschreiben. In den meisten Implementierungen ist das Lesen oder Schreiben eines einzelnen Werts ein atomer Vorgang.

Stärken: Einfachheit, geringe Latenz, lineare Skalierbarkeit

Betrachtungen: Begrenzte Ausdrucksfähigkeit von Abfragen, Neugestaltung erforderlich für wertbasierte Suchen, hohe Kosten für das Überschreiben großer Werte

Arbeitsauslastungen: Zwischenspeichern, Sitzungen, Featurekennzeichnungen, Benutzerprofile, Empfehlungssuche

Auswählen eines Azure-Diensts für Schlüsselwert-Datenspeicher

  • Azure Managed Redis ist ein verwalteter Speicher im Arbeitsspeicher basierend auf der neuesten Redis Enterprise-Version, die geringe Latenz und hohen Durchsatz bietet.

  • Azure Cosmos DB für Tabelle ist ein Schlüsselwertspeicher, der für den schnellen Zugriff auf strukturierte NoSQL-Daten optimiert ist.

  • Azure Cosmos DB für NoSQL ist ein Dokumentdatenspeicher, der für den schnellen Zugriff auf strukturierte NoSQL-Daten optimiert ist und horizontale Skalierbarkeit bietet.

Verwenden Sie die folgende Tabelle, um zu ermitteln, welcher Azure-Dienst Ihre Anwendungsfallanforderungen erfüllt.

Dienstleistung Am besten geeignet für: Wichtigste Funktionen Beispielanwendungsfall
Azure Managed Redis Hochgeschwindigkeitszwischenspeicherung, Sitzungsstatus, Publish-Subscribe Speicher im Arbeitsspeicher, Submillisekundenlatenz, Redis-Protokoll Zwischenspeichern von Produktseiten für eine E-Commerce-Website
Azure Cosmos DB für Tabellen Migrieren vorhandener Azure Table Storage-Workloads Kompatibilität der Tabellenspeicher-API Speichern von Voreinstellungen und Einstellungen in einer mobilen App
Azure Cosmos DB für NoSQL Hochgeschwindigkeits-Caching mit umfangreicher Skalierung und hoher Verfügbarkeit Schemalos, Multi-Region, automatische Skalierung Zwischenspeichern, Sitzungszustand, Bereitstellungsebene

Graph-Datenspeicher

In einer Diagrammdatenbank werden Informationen als Knoten und Kanten gespeichert. Kanten definieren Beziehungen, und sowohl Knoten als auch Kanten können Eigenschaften wie Tabellenspalten aufweisen. Sie können Verbindungen zwischen Entitäten analysieren, z. B. Mitarbeiter und Abteilungen.

Stärken: Beziehungsorientierte Abfragemuster, effiziente Traversal mit variabler Tiefe

Betrachtungen: Overhead, wenn Beziehungen flach sind, erfordert eine sorgfältige Modellierung der Performance, nicht ideal für großflächige analytische Abfragen

Arbeitsauslastungen: Soziale Netzwerke, Betrugsringe, Wissensdiagramme, Lieferkettenabhängigkeiten

Auswählen eines Azure-Diensts für Graph-Datenspeicher

Verwenden Sie SQL Server-Graph-Erweiterungen zum Speichern von Diagrammdaten. Die Graph-Erweiterung erweitert die Funktionen von SQL Server, SQL Database und SQL Managed Instance, um die Modellierung und Abfrage komplexer Beziehungen mithilfe von Graphstrukturen direkt in einer relationalen Datenbank zu ermöglichen.

Datenspeicher für Zeitreihen

Zeitreihen-Datenspeicher verwalten eine Gruppe von Werten, die nach Zeit organisiert sind. Sie unterstützen Features wie zeitbasierte Abfragen und Aggregationen und sind für das Aufnehmen und Analysieren großer Datenmengen in nahezu Echtzeit optimiert.

Stärken: Komprimierung, Fensterabfrageleistung, Verarbeitung von Out-of-Order-Erfassungen

Betrachtungen: Tag-Kardinalitätsmanagement, Aufbewahrungskosten, Downsampling-Strategie

Arbeitsauslastungen: IoT-Sensormetriken, Anwendungstelemetrie, Überwachung, Industrielle Daten

Auswählen eines Azure-Diensts für Datenspeicher in Zeitreihen

Verwenden Sie Azure Data Explorer zum Speichern von Datenreihen. Azure Data Explorer ist eine verwaltete, leistungsstarke Big Data Analytics-Plattform, die es einfach macht, hohe Datenmengen in nahezu Echtzeit zu analysieren.

Objektdatenspeicher

Speichern Sie große binäre oder halbstrukturierte Objekte und enthalten Metadaten, die sich selten ändern oder unveränderlich bleiben.

Stärken: Nahezu unbegrenzte Skalierung, gestaffelte Kosten, Haltbarkeit, Parallellesefunktion

Betrachtungen: Operationen für ganze Objekte, eingeschränkte Metadatenabfrage, letztendlich Listenverhalten

Arbeitsauslastungen: Medienressourcen, Sicherungen, Datensee-Rohzonen, Protokollarchive

Auswählen eines Azure-Diensts für Objektdatenspeicher

  • Data Lake Storage ist ein datenoptimierter Objektspeicher, der hierarchische Namespace- und HDFS-Kompatibilität für erweiterte Analysen und umfangreiche Datenverarbeitung kombiniert.

  • Blob Storage ist ein skalierbarer Objektspeicher für unstrukturierte Daten wie Bilder, Dokumente und Sicherungen, die mehrstufigen Zugriff für die Kostenoptimierung umfassen.

Verwenden Sie die folgende Tabelle, um zu ermitteln, welcher Azure-Dienst Ihre Anwendungsfallanforderungen erfüllt.

Dienstleistung Am besten geeignet für: Wichtigste Funktionen Beispielanwendungsfall
Data Lake Storage Big Data Analytics und hierarchische Daten HDFS, hierarchischer Namespace, optimiert für Analysen Speichern und Abfragen von Petabytes von strukturierten und unstrukturierten Daten mithilfe von Azure Synapse Analytics oder Azure Databricks
Blob-Speicher Allgemeiner Objektspeicher Einfacher Namespace, einfache REST-API und mehrstufiger Speicher, der Hot-, Cool- und Archivspeicher umfasst Hosten von Bildern, Dokumenten, Sicherungen und statischen Websiteinhalten

Suchen und Indizieren von Datenspeichern

Mit einer Suchmaschinendatenbank können Anwendungen nach Informationen in externen Datenspeichern suchen. Eine Suchmaschinendatenbank kann massive Datenmengen indizieren und nahezu echtzeitbasierten Zugriff auf diese Indizes bieten.

Stärken: Volltextabfragen, Bewertung, linguistische Analyse, Fuzzyvergleich

Betrachtungen: Letztendliche Konsistenz von Indizes, separate Aufnahme- oder Indizierungspipeline, Kosten für große Indexaktualisierungen

Arbeitsauslastungen: Website- oder Produktsuche, Protokollsuche, Metadatenfilterung, Multi-Attribut-Ermittlung

Auswählen eines Azure-Diensts für Suchdatenspeicher

Weitere Informationen finden Sie unter Auswählen eines Suchdatenspeichers in Azure.

Vektorsuchdatenspeicher

Vektorsuchdatenspeicher speichern und abrufen hochdimensionale Vektordarstellungen von Daten, die häufig von Machine Learning-Modellen generiert werden.

Stärken: Semantische Suche, ANN-Algorithmen

Betrachtungen: Indizierungskomplexität, Speicheraufwand, Latenz im Vergleich zur Genauigkeit, Integrationsprobleme

Arbeitsauslastungen: Semantische Dokumentsuche, Empfehlungsmodule, Bild- und Videoabrufe, Betrug und Anomalieerkennung

Auswählen eines Azure-Diensts für Vektorsuchdatenspeicher

Weitere Informationen finden Sie unter Auswählen eines Azure-Diensts für die Vektorsuche.

Analytics-Datenspeicher

Analysedaten-Speicher speichern Big Data und behalten sie über den gesamten Lebenszyklus einer Analyse-Pipeline hinweg.

Stärken: Skalierbare Compute- und Speicherunterstützung, Unterstützung für SQL und Spark, Integration mit BI-Tools, Zeitreihen- und Telemetrieanalyse

Betrachtungen: Kosten und Komplexität der Koordination, Abfragelatenz für Spontanaufträge, Governance in mehreren Datenbereichen

Arbeitsauslastungen: Unternehmensberichterstattung, Big Data Analytics, Telemetrieaggregation, operative Dashboards, Data Science-Pipelines

Auswählen eines Azure-Diensts für Analysedatenspeicher

Weitere Informationen finden Sie unter Auswählen eines analytischen Datenspeichers in Azure.

Vergleichseigenschaften (Kern-nichtrelationale Modelle)

Aspekt Dokument Spaltenfamilie Schlüsselwert Graph
Normalisierung Denormalisiert Denormalisiert Denormalisiert Normalisierte Beziehungen
Schemaansatz Schema beim Lesen Spaltenfamilien definiert, Spaltenschema beim Lesen Schema beim Lesen Schema beim Lesen
Konsistenz (typisch) Anpassbar für jedes Element Für jede Zeile oder Familie Für jeden Schlüssel Für jede Kanten- oder Traversierungssemantik
Atomitätsbereich Dokument Zeile oder Familie, je nach Tabellenimplementierung Einzelne Taste Graph-Transaktion (variiert)
Sperren und Parallelität Optimistisch (ETag) Pessimistisch oder optimistisch, je nach Implementierung Optimistisch (Schlüssel) Optimistisch (Muster)
Zugriffsmuster Aggregat (Entität) Breite, spärliche Aggregate Punktsuche nach Schlüssel Beziehungsquerungen
Indizierung Primär und sekundär Primäre und begrenzte Sekundärfunktionen Primär (Schlüssel) Primäre und manchmal sekundäre
Datenform Hierarchisch flexibel Wenig tabellarisch breit Undurchsichtiger Wert Knoten und Kanten
Geringe/breite Eignung Ja/Ja Ja/Ja Ja/Nein Nein/Nein
Typische Datumsgröße Klein bis mittel Mittelgroß Klein Klein
Skalierungsdimension Partitionsanzahl Partitions- und Spaltenfamilienbreite Schlüsselbereich Knoten- oder Kantenanzahl

Vergleichseigenschaften (spezielle nichtrelationale Modelle)

Aspekt Zeitreihe Objekt (Blob) Suchen/Indexierung
Normalisierung Normalisiert Denormalisiert Denormalisiert
Schema Schema beim Auslesen (Tags) Undurchsichtiger Wert und Metadaten Schema beim Schreibvorgang (Indexabbildung)
Atomitätsbereich N/A (anfügen) Object Für jedes Dokument oder jeden Indexvorgang
Zugriffsmuster Zeitsegmentscans, Fensteraggregation Vorgänge für ganze Objekte Textabfragen und Filter
Indizierung Zeit und optionale sekundäre Komponente Nur Schlüssel (nur Pfad) Invertierte und optionale Facetten
Datenform Tabellarisch (Zeitstempel, Tags, Wert) Binärdatei oder Blob mit Metadaten Tokenisierter Text und strukturierte Felder
Profil schreiben Anfüge mit hoher Rate Massen- oder seltene Aktualisierungen Batch- oder Streamingindex
Profil lesen Aggregierte Bereiche Vollständige oder teilweise Downloads Geordnete Ergebnismengen
Wachstumstreiber Ereignisrate multipliziert durch Aufbewahrung Objektanzahl und -größe Indiziertes Dokumentvolume
Konsistenztoleranz Eventual für verspätete Datenverarbeitung Lese-nach-Schreibzugriff für jedes Objekt Später für neue Dokumente

Auswählen zwischen Modellen (Heuristiken)

Benötigen Vorziehen
Strenge Transaktionen mit mehreren Entitäten Beziehungsorientiert
Entwicklung von aggregierten Formen, JSON-zentrierte APIs Dokument
Schlüsselabfragen mit extrem niedriger Latenz oder Caching Schlüsselwert
Umfassende, spärliche, schreibintensive Telemetrie Spaltenfamilie oder Zeitreihe
Tiefgehende Beziehungsdurchquerung Graph
Massive historische Analysescans Analyse oder OLAP
Große unstrukturierte Binärdateien oder Seezonen Object
Volltextrelevanz und Filterung Suchen und Indizieren
Zeitstempelmetriken mit hoher Ingest-Raten bei Fensterabfragen Zeitreihe
Schnelle Ähnlichkeit (Semantik oder Vektor) Vektorsuche

Kombinieren von Modellen und Vermeiden von Fallstricken

Verwenden Sie mehr als ein Modell, wenn die folgenden Szenarien zutreffen:

  • Zugriffsmuster unterscheiden sich, wie punktbezogene Suche im Vergleich zu einem breiten analytischen Scan oder einer Volltextsuche nach Relevanz.
  • Der Lebenszyklus und die Aufbewahrung unterscheiden sich, z. B. unveränderliche Rohdaten im Vergleich zu kuratierten strukturierten Strukturen.
  • Konflikt zwischen Latenz und Durchsatzanforderungen.

Vermeiden Sie vorzeitige Fragmentierung:

  • Verwenden Sie einen Dienst, wenn er weiterhin die Leistungs-, Skalierungs- und Governanceziele erfüllt.
  • Zentralisieren Sie die gemeinsame Klassifizierungslogik und vermeiden Sie doppelte Transformation-Pipelines über Stores hinweg, es sei denn, sie sind unbedingt erforderlich.

Achten Sie auf die folgenden gängigen Antipattern:

  • Mehrere Microservices teilen eine Datenbank, wodurch eine Kopplung entsteht.
  • Teams fügen ein weiteres Modell ohne Betriebsreife hinzu, z. B. Überwachung oder Sicherungen.
  • Ein Suchindex wird zum primären Datenspeicher, der zu Missbrauch führt.

Wann Sie Ihre Modellauswahl erneut auswerten möchten

Signal Mögliche Aktion
Erhöhen von Ad-hoc-Verknüpfungen in einem Dokumentspeicher Einführung eines relationalen Lesemodells
Hohe CPU bei Suchindex aufgrund von analytischen Aggregationen Auslagern an die Analyse-Engine
Große denormalisierte Dokumente verursachen teilweise Aktualisierungskonflikte Umformen von Aggregaten oder Aufteilen
Langsame Abfragen von Zeitfenstern im Spaltenfamilienspeicher Speziell entwickelte Zeitreihendatenbank einsetzen
Punkt-Nachschlagelatenz steigt mit Diagramm-Durchlauftiefe Hinzufügen abgeleiteter materialisierter Ansichten

Nächste Schritte

Verwenden Sie die folgenden Artikel, um einen speziellen Datenspeicher auszuwählen:

Erfahren Sie mehr über Referenzarchitekturen, die die Azure-Dienste in diesem Artikel verwenden:

  • Last updated on