Zusammenfassung
In diesem Modul haben Sie die Leistungsfunktionen von Azure SQL im Vergleich zu SQL Server kennengelernt. Außerdem haben Sie Informationen über Leistungstasks wie Konfiguration und Wartung erhalten.
Eine konsistente Leistung setzt Überwachung und Problembehandlung voraus. In diesem Modul wurden im Rahmen von praktischen Übungen zu einem CPU-Skalierungsszenario die verschiedenen Methoden und Tools für die Leistungsüberwachung und Problembehandlung thematisiert. Zudem haben Sie gelernt, wie Sie die CPU-Skalierung für Ihre Arbeitsauslastung ohne Datenbankmigration verbessern können. Zur Optimierung der Anwendungsleistung ist nicht immer eine neue Neuskalierung in Azure erforderlich. Deshalb haben Sie gelernt, wie Sie einen häufig auftretenden Leistungsengpass beheben, indem Sie die Abfragearbeitsauslastung optimieren.
Zuletzt haben Sie die intelligenten Leistungsfunktionen von Azure SQL-Datenbank kennengelernt. Dazu zählen die intelligente Abfrageverarbeitung, die automatische Plankorrektur und die automatische Indizierung.
Weitere Informationen
Weitere Informationen zur Azure SQL-Leistung finden Sie in den folgenden Ressourcen:
- Feste Kapazitätsoptionen für CPU, Arbeitsspeicher und E/A. Informieren Sie sich über die Ressourcenlimits für Azure SQL Managed Instance und Azure SQL-Datenbank.
- Die E/A-Konfiguration für Azure SQL Managed Instance kann die Leistung verbessern.
- Es gibt bekannte Tools wie dynamische Verwaltungssichten und erweiterte Ereignisse.
- Der Abfragespeicher ist standardmäßig aktiviert und unterstützt Features wie die automatische Optimierung.
- Sie können Funktionen wie den Windows-Systemmonitor durch Azure-Metriken ersetzen.
- Sie können die für Azure entworfene dynamische Verwaltungssicht sys.dm_db_resource_stats verwenden.
- Sie können neue Azure-spezifische Wartetypen wie LOG_RATE_GOVERNOR verwenden.
- Sie können ohne Migration hoch- und herunterskalieren.
- Profitieren Sie von intelligenter Leistung, um eine höhere Geschwindigkeit zu erzielen. Die automatische Optimierung verwendet maschinelles Lernen, um bewährte Methoden für die Leistungsoptimierung zu empfehlen, z. B. Indizes.