डेटा प्रदर्शन को अनुकूलित करने के लिए अनुशंसाएँ

इस Power Platform अच्छी तरह से निर्मित प्रदर्शन दक्षता चेकलिस्ट अनुशंसा पर लागू होता है:

पीई:08	डेटा प्रदर्शन को अनुकूलित करें. कार्यभार में उनके इच्छित और वास्तविक उपयोग के लिए डेटा भंडार को अनुकूलित करें।

यह मार्गदर्शिका डेटा प्रदर्शन को अनुकूलित करने के लिए अनुशंसाओं का वर्णन करती है। डेटा प्रदर्शन को अनुकूलित करने का तात्पर्य कार्यभार द्वारा डेटा को संसाधित करने और संग्रहीत करने की दक्षता को परिष्कृत करना है। प्रत्येक कार्यभार संचालन, लेनदेन या गणना आमतौर पर डेटा की त्वरित और सटीक पुनर्प्राप्ति, प्रसंस्करण और भंडारण पर निर्भर करती है। जब डेटा प्रदर्शन अनुकूलित होता है, तो कार्यभार सुचारू रूप से चलता है। डेटा प्रदर्शन में समझौता होने से खराब प्रदर्शन दक्षता का व्यापक प्रभाव पैदा होता है। डेटा प्रदर्शन को अनुकूलित करने में विफलता के परिणामस्वरूप प्रतिक्रिया में देरी, विलंबता बढ़ जाती है, तथा मापनीयता सीमित हो जाती है। इससे सम्पूर्ण कार्यभार की दक्षता ख़तरे में पड़ जाती है।

परिभाषाएं

अनुबंध	परिभाषा
डेटा भंडारण	एक संसाधन जो डेटा संग्रहीत करता है जैसे डेटाबेस, ऑब्जेक्ट स्टोर, या फ़ाइल शेयर।
अनुक्रमणिका	एक डेटाबेस संरचना जो आइटमों तक त्वरित पहुंच प्रदान करती है।
ऑनलाइन विश्लेषणात्मक प्रसंस्करण (OLAP)	एक प्रौद्योगिकी जो बड़े व्यावसायिक डेटाबेस को व्यवस्थित करती है, जटिल विश्लेषण का समर्थन करती है, और लेनदेन प्रणालियों को नकारात्मक रूप से प्रभावित किए बिना जटिल विश्लेषणात्मक प्रश्नों को निष्पादित करती है।
ऑनलाइन लेनदेन प्रसंस्करण (ओएलटीपी)	एक प्रौद्योगिकी जो किसी संगठन के दिन-प्रतिदिन के कार्यों में होने वाली व्यावसायिक अंतःक्रियाओं को रिकॉर्ड करती है।
विभाजन	डेटा को भौतिक रूप से अलग-अलग डेटा भंडारों में विभाजित करने की प्रक्रिया।
क्वेरी ट्यूनिंग	एक प्रक्रिया जो डेटाबेस क्वेरी की गति को अनुकूलित करती है।

प्रमुख डिजाइन रणनीतियाँ

डेटा उपयोग को अनुकूलित करने के लिए, सुनिश्चित करें कि डेटा भंडार उनके इच्छित उपयोग और कार्यभार में उनके वास्तविक उपयोग के लिए अनुकूलित हैं। अनुकूलित डेटा उपयोग क्वेरी प्रदर्शन में सुधार कर सकता है, संसाधन खपत को कम कर सकता है, और समग्र प्रणाली दक्षता को बढ़ा सकता है। निम्नलिखित रणनीतियों पर विचार करें:

• प्रोफ़ाइल डेटा. अपने डेटा को समझें और सुनिश्चित करें कि आपका डेटा मॉडल आपके कार्यभार के लिए उपयुक्त है। डेटा सामान्यीकरण और विभाजन तकनीक जैसे कारकों पर विचार करें। कुशल डेटा पुनर्प्राप्ति के लिए, सुनिश्चित करें कि आप उपयुक्त डेटा प्रकार का चयन करें और तालिकाओं के बीच संबंध परिभाषित करें।

• क्वेरी प्रदर्शन को अनुकूलित करें. कार्यभार में चलने वाली क्वेरीज़ का विश्लेषण और अनुकूलन करें. क्वेरी ऑप्टिमाइज़ेशन और कैशिंग जैसी तकनीकों का उपयोग करें। डेटा को प्रीफ़िल्टर करने के लिए सर्वर-साइड दृश्यों का उपयोग करें. बाधाओं की पहचान करने के लिए, प्रदर्शन निगरानी उपकरणों का उपयोग करें और फिर आवश्यक सुधार करें।

• सिस्टम की नियमित निगरानी करें और उसे ट्यून करें। अपने कार्यभार के प्रदर्शन की निरंतर निगरानी करें और डेटा संग्रहण कॉन्फ़िगरेशन और क्वेरी अनुकूलन पर पुनरावृत्ति करें। प्रदर्शन ट्यूनिंग की सर्वोत्तम प्रथाओं के आधार पर, सिस्टम मेट्रिक्स का विश्लेषण करें, सुधार के क्षेत्रों की पहचान करें और परिवर्तनों को लागू करें। जैसे-जैसे डेटा बढ़ता है, आपको प्रदर्शन बनाए रखने के लिए अपनी क्वेरीज़ को अपडेट करना पड़ सकता है।

प्रोफ़ाइल डेटा

डेटा प्रोफाइलिंग में किसी स्रोत से डेटा की जांच करना और उसके बारे में जानकारी एकत्र करना शामिल है। इसका उद्देश्य कार्यभार डेटा की गुणवत्ता, संरचना और विशेषताओं को समझना है। इस प्रक्रिया से लुप्त मान, डुप्लिकेट, असंगत प्रारूप और अन्य विसंगतियों जैसी समस्याओं की पहचान संभव हो जाती है।

प्रभावी डेटा प्रोफाइलिंग के लिए निम्नलिखित रणनीतियों पर विचार करें:

• डेटा संरचना को समझें. तालिकाओं, स्तंभों और संबंधों सहित अपने डेटा की संरचना की जांच करें। प्रत्येक कॉलम पर लागू होने वाले डेटा प्रकार, लंबाई और प्रतिबंध निर्धारित करें। डेटा संरचना मूल्यांकन आपको यह समझने में मदद करता है कि डेटा कैसे व्यवस्थित है और यह अन्य डेटा तत्वों से कैसे संबंधित है।

• डेटा वॉल्यूम का विश्लेषण करें. समग्र आकार और वृद्धि पैटर्न को समझने के लिए अपने डेटा की मात्रा का आकलन करें। रिकॉर्ड या दस्तावेजों की संख्या और व्यक्तिगत तालिकाओं या संग्रहों का आकार निर्धारित करें। यह जानकारी आपको भंडारण आवश्यकताओं का अनुमान लगाने और मापनीयता संबंधी समस्याओं की पहचान करने में मदद करती है।

• डेटा संबंधों की पहचान करें. डेटा तत्वों के बीच संबंधों का अन्वेषण करें. समझें कि डेटा किस प्रकार जुड़ा हुआ है, ताकि आप यह निर्धारित कर सकें कि एक तालिका या दस्तावेज़ में किए गए परिवर्तन संबंधित डेटा को किस प्रकार प्रभावित कर सकते हैं।

• डेटा की गुणवत्ता का आकलन करें. पूर्णता, सटीकता, स्थिरता और विशिष्टता जैसे कारकों की जांच करके अपने डेटा की गुणवत्ता का मूल्यांकन करें। डेटा विसंगतियों, अनुपलब्ध मानों या डुप्लिकेट रिकॉर्डों की पहचान करें जो डेटा अखंडता और क्वेरी प्रदर्शन को प्रभावित कर सकते हैं। यह चरण आपको डेटा की सफाई और सुधार के क्षेत्रों की पहचान करने में मदद करता है।

• डेटा वितरण कैप्चर करें. डेटा पैटर्न निर्धारित करने के लिए प्रत्येक कॉलम के भीतर मानों के वितरण का विश्लेषण करें। बारंबार और दुर्लभ मानों, आउटलायर्स और डेटा स्क्यूज़ की पहचान करें। क्वेरी प्रदर्शन को अनुकूलित करने के लिए, विश्लेषण करें कि क्या वैकल्पिक कुंजियाँ बेहतर प्रदर्शन प्रदान करने के लिए उपयुक्त होंगी।

डेटा प्रदर्शन की निगरानी करें

डेटा प्रदर्शन निगरानी, डेटा भंडार की दक्षता पर लगातार नज़र रखने की प्रक्रिया है। इसमें सिस्टम-स्तर, डेटाबेस-विशिष्ट, या तृतीय-पक्ष निगरानी समाधानों के लिए अनुकूलित उपकरणों का उपयोग करके डेटा संचालन के लिए विशिष्ट प्रदर्शन मेट्रिक्स को एकत्रित करना और उनका विश्लेषण करना शामिल है। प्रभावी डेटा प्रदर्शन निगरानी आपको संभावित बाधाओं को पहले से पहचानने और कम करने की अनुमति देती है, जिससे यह सुनिश्चित होता है कि डेटा-संबंधी प्रक्रियाएं और कार्य कुशल हैं।

डेटा प्रदर्शन की निगरानी के लिए निम्नलिखित रणनीतियों पर विचार करें:

• डेटा-विशिष्ट मीट्रिक्स एकत्रित करें. डेटा प्रदर्शन से सीधे संबंधित प्रमुख मीट्रिक्स एकत्रित करें। इन मेट्रिक्स में क्वेरी प्रतिक्रिया समय और डेटा थ्रूपुट शामिल हैं।

• डेटा अलर्ट सेट अप करें। डेटा मेट्रिक्स के लिए विशेष रूप से अलर्ट सेट अप करें। अलर्ट ट्रिगर करने के लिए इन मीट्रिक्स में पूर्वनिर्धारित थ्रेसहोल्ड या विसंगतियों का उपयोग करें। अलर्ट आपको तब सूचना प्राप्त करने में सक्षम बनाते हैं जब प्रदर्शन मीट्रिक स्वीकार्य सीमा से अधिक हो जाती है या असामान्य व्यवहार दिखाती है; उदाहरण के लिए, यदि डेटाबेस क्वेरी में अपेक्षा से अधिक समय लगता है या यदि डेटा थ्रूपुट में काफी गिरावट आती है। आप विशेष निगरानी उपकरणों या कस्टम स्क्रिप्ट का उपयोग करके ये अलर्ट सेट कर सकते हैं।

• डेटा प्रदर्शन समस्याओं का निदान करें. डेटा संचालन में संभावित प्रदर्शन बाधाओं या गिरावट की पहचान करने के लिए एकत्रित डेटा मेट्रिक्स की नियमित समीक्षा करें। इस प्रक्रिया में विज़ुअलाइज़ेशन टूल या डैशबोर्ड अमूल्य हो सकते हैं, जो डेटा प्रदर्शन में प्रवृत्तियों, बाधाओं और अपवादों को उजागर करने में मदद करते हैं। एक बार पहचान हो जाने पर, इन समस्याओं के मूल कारणों की जांच करें और उचित उपचारात्मक कदमों की योजना बनाएं।

विभाजन डेटा

विभाजन में बड़े डेटासेट या उच्च-मात्रा कार्यभार को छोटे, प्रबंधनीय उपसमूहों में विभाजित करना शामिल है। विभाजन कार्यभार को वितरित करके और समानांतर प्रसंस्करण में सुधार करके डेटा प्रदर्शन दक्षता को बढ़ाता है। यह विशिष्ट आवश्यकताओं और क्वेरी पैटर्न के आधार पर अधिक प्रभावी डेटा एक्सेस भी सुनिश्चित करता है। आप डेटा को ऊर्ध्वाधर या क्षैतिज रूप से विभाजित कर सकते हैं (जिसे शार्डिंग भी कहा जाता है)। उदाहरण के लिए, यदि Dataverse इलास्टिक टेबल का उपयोग कर रहे हैं तो विचार करें कि विभाजन कुंजी क्या होनी चाहिए।

रणनीति	परिभाषा	उदाहरण	उपयोग मामले
ऊर्ध्वाधर विभाजन	प्रत्येक विभाजन के लिए विशिष्ट कॉलम या फ़ील्ड का चयन करके तालिका को छोटी तालिकाओं में विभाजित करें। प्रत्येक विभाजन सम्पूर्ण डेटा के एक उपसमूह का प्रतिनिधित्व करता है।	यदि आपके पास स्तंभ A, B, C और D वाली तालिका है, तो आप स्तंभ A और B वाली एक तालिका तथा स्तंभ C और D वाली एक अन्य तालिका बना सकते हैं।	- एक तालिका में कई कॉलम होते हैं, लेकिन क्वेरीज़ सभी कॉलम तक एक साथ नहीं पहुंचती हैं। - कुछ कॉलम अन्य की तुलना में बड़े होते हैं और उन्हें अलग करने से I/O प्रदर्शन में वृद्धि हो सकती है। - विभिन्न डेटा भागों में विविध पहुँच पैटर्न होते हैं।
क्षैतिज विभाजन	पंक्तियों या मानों की श्रेणियों के आधार पर डेटा को विभाजित करें (जिसे शार्डिंग भी कहा जाता है)। प्रत्येक विभाजन में समान विशेषताओं वाली पंक्तियों का एक उपसमूह होता है।	यदि आपके पास पंक्तियों 1 से 1000 तक की तालिका है, तो आप पंक्तियों 1 से 500 तक के लिए एक विभाजन बना सकते हैं तथा पंक्तियों 501 से 1000 तक के लिए दूसरा विभाजन बना सकते हैं।	- डेटासेट किसी एकल स्थान या सर्वर के लिए बहुत बड़ा है। - डेटा को विशिष्ट श्रेणियों या फ़िल्टरों के आधार पर एक्सेस किया जाता है। - बेहतर प्रदर्शन के लिए कार्यभार को भौतिक नोड्स या सर्वरों में वितरित करने की आवश्यकता।

अपने डेटा को विभाजित करने के लिए, निम्नलिखित चरणों पर विचार करें:

• डेटा और प्रश्नों का विश्लेषण करें. उपयुक्त विभाजन या शार्डिंग रणनीतियों की पहचान करने के लिए डेटा और क्वेरी पैटर्न का विश्लेषण करें। डेटा की प्रकृति, पहुंच पैटर्न और वितरण आवश्यकताओं को समझें।

• एक कुंजी निर्धारित करें. विभाजनों या शार्ड्स में डेटा वितरित करने के लिए विभाजन या शार्डिंग कुंजी चुनें। डेटा विशेषताओं और क्वेरी आवश्यकताओं के आधार पर कुंजी का सावधानीपूर्वक चयन करें।

• तर्क निर्धारित करें. चुनी गई कुंजी के आधार पर विभाजन या शार्डिंग तर्क निर्धारित करें। डेटा को श्रेणियों में विभाजित करने, हैशिंग एल्गोरिदम लागू करने या अन्य विभाजन तकनीकों का उपयोग करने पर विचार करें।

क्वेरीज़ को अनुकूलित करें

क्वेरीज़ को अनुकूलित करने से क्वेरीज़ को परिष्कृत किया जाता है, जिससे योग्य डेटा और लौटाए गए डेटा में कमी आती है। इन समायोजनों से डेटा पुनर्प्राप्ति की दक्षता और गति बढ़ जाती है। परिणामस्वरूप, डेटाबेस पर कार्यभार हल्का हो जाता है, संसाधन अधिक प्रभावी ढंग से काम करते हैं, तथा उपयोगकर्ताओं को सहज बातचीत का आनंद मिलता है।

डेटाबेस क्वेरीज़ को अनुकूलित करने के लिए, निम्नलिखित रणनीतियों पर विचार करें:

• प्रश्नों को पुनः लिखें. जटिल प्रश्नों की समीक्षा और विश्लेषण करके उन्हें पुनः लिखने के अवसरों की पहचान करें। क्वेरी लॉजिक को पुनर्गठित करने, अनावश्यक परिचालनों को समाप्त करने, या क्वेरी सिंटैक्स को सरल बनाने पर विचार करें।

• N+1 क्वेरी समस्या से बचें. संबंधित डेटा को कुशलतापूर्वक प्राप्त करने के लिए जॉइन्स और बैच फेचिंग का उपयोग करके डेटाबेस में राउंडट्रिप की संख्या को न्यूनतम करें।

• जोड़ों को पुनः क्रमित करें. प्रत्येक जॉइन ऑपरेशन में पंक्तियों की संख्या को न्यूनतम करने के लिए जॉइन ऑर्डर को पुनः व्यवस्थित करने पर विचार करें और उसका मूल्यांकन करें। जिस क्रम में आप तालिकाओं को जोड़ते हैं, वह क्वेरी प्रदर्शन को प्रभावित कर सकता है।

• कैश क्वेरीज़. आसानी से पुनः उपयोग के लिए बार-बार चलाए जाने वाले प्रश्नों के परिणामों को संग्रहीत करें। क्वेरी कैशिंग एक ही क्वेरी को बार-बार चलाने की आवश्यकता को समाप्त कर देता है, तथा क्वेरी प्रोसेसिंग ओवरहेड को कम कर देता है।

• मॉनिटर करें और ट्यून करें. क्वेरी प्रदर्शन मेट्रिक्स, जैसे रनटाइम, संसाधन उपयोग और क्वेरी थ्रूपुट की निगरानी करें। खराब प्रदर्शन करने वाली क्वेरीज़ की पहचान करने के लिए डेटाबेस प्रोफाइलिंग टूल और मॉनिटरिंग कार्यक्षमताओं का उपयोग करें। क्वेरी प्रदर्शन को अनुकूलित करने के लिए उस जानकारी का उपयोग करें.

डेटा संग्रहित करें और शुद्ध करें

संग्रहण और शुद्धिकरण ऐसी रणनीतियाँ हैं जो डेटा भंडारण को सुव्यवस्थित करती हैं। संग्रहण से पुराने, कम उपयोग किए जाने वाले डेटा को अधिक लागत प्रभावी भंडारण में स्थानांतरित किया जाता है। डेटा शुद्धीकरण से अनावश्यक डेटा स्थायी रूप से हट जाता है। दोनों विधियां डेटा वॉल्यूम को कम करके, डेटा एक्सेस की गति को बढ़ाकर, तथा बैकअप और रिकवरी समय को कम करके प्रदर्शन दक्षता में योगदान करती हैं।

• डेटा वॉल्यूम कम करना: कम डेटा का मतलब है तेज़ प्रोसेसिंग समय, जिससे उपयोगकर्ता के अनुरोधों पर त्वरित प्रतिक्रिया सुनिश्चित होती है।
• डेटा एक्सेस गति में वृद्धि: एक ट्रिम किया गया डेटासेट तीव्र क्वेरी और डेटा पुनर्प्राप्ति की अनुमति देता है, जिससे सिस्टम की प्रतिक्रियाशीलता अनुकूलित होती है।
• बैकअप और पुनर्प्राप्ति समय को कम करना: छोटे डेटासेट बैकअप और पुनर्स्थापना प्रक्रियाओं को तेज़ करते हैं, डाउनटाइम को कम करते हैं और सुसंगत प्रदर्शन सुनिश्चित करते हैं।

डेटा-संचालित प्रणालियों में उच्चतम निष्पादन दक्षता बनाए रखने के लिए संग्रहण और शुद्धिकरण महत्वपूर्ण हैं।

भंडारण लोड अनुकूलित करें

भंडारण भार को अनुकूलित करने का अर्थ है भंडारण प्रणाली के लिए अनुरोधों को सुव्यवस्थित करना। यह अनावश्यक अनुरोधों को समाप्त करने, डेटा पुनर्प्राप्ति को बढ़ाने, तथा भंडारण प्रणाली पर अत्यधिक भार से बचने में मदद करता है। भंडारण भार को अनुकूलित करने से यह सुनिश्चित होता है कि भंडारण प्रणाली वैध अनुरोधों के प्रति उत्तरदायी बनी रहे तथा उच्चतम निष्पादन बनाए रखे। डेटा भण्डार पर प्रसंस्करण बोझ को कम करने के लिए रणनीतियों को लागू करें। डेटा स्टोर लोड को अनुकूलित करने के लिए, निम्नलिखित रणनीतियों पर विचार करें।

कैशिंग का उपयोग करें

कैशिंग सामान्य रूप से एक्सेस किए जाने वाले डेटा को तीव्र-पहुंच वाले भंडारण क्षेत्र में संग्रहीत करता है, जिससे डेटा पुनः प्राप्ति मुख्य स्रोत से डेटा प्राप्त करने की तुलना में अधिक तीव्र हो जाती है। यह तकनीक एक्सेस समय को कम करके और बार-बार डेटा प्राप्त करने से बचकर डेटा प्रदर्शन को बढ़ाती है। कैशिंग से पढ़ने की गति और उपयोगकर्ता प्रतिक्रिया समय में सुधार होता है, विशेष रूप से बार-बार एक्सेस किए जाने वाले डेटा के लिए। यह विधि स्थिर डेटा या ऐसे डेटा पर सर्वाधिक प्रभावी है जिसमें कभी परिवर्तन नहीं होता।

इष्टतम कैशिंग दक्षता सुनिश्चित करने के लिए, समाप्ति नीतियों, निष्कासन रणनीतियों और कैश आकार के प्रबंधन जैसे कारकों पर विचार करें। इष्टतम प्रदर्शन के लिए सेटिंग्स, जैसे कि टाइम टू लिव (TTL) समायोजित करें। भंडारण भार को अनुकूलित करने के लिए कैश का उपयोग करने हेतु, निम्नलिखित रणनीतियों पर विचार करें:

• इन-मेमोरी कैशिंग: तेजी से पुनर्प्राप्ति के लिए मेमोरी में अक्सर एक्सेस किए जाने वाले डेटा को संग्रहीत करने के लिए इन-मेमोरी कैशिंग निष्पादित करें। आप इस तकनीक का उपयोग ऐसे अनुप्रयोग डेटा के लिए कर सकते हैं जिसकी गणना करना या डेटाबेस से उसे प्राप्त करना महंगा है। इन-मेमोरी कैशिंग उस डेटा के लिए उपयोगी है जिसे आप अक्सर पढ़ते हैं लेकिन अक्सर बदलते नहीं हैं। उदाहरण के लिए, आप डेटा कैश करने के लिए क्लाउड फ़्लो में चर या कैनवास ऐप्स में संग्रह का उपयोग कर सकते हैं.

• डेटाबेस क्वेरी कैशिंग: एक ही क्वेरी को कई बार चलाने से बचने के लिए डेटाबेस क्वेरी के परिणामों को कैश करने के लिए इस तकनीक का उपयोग करें। डेटाबेस क्वेरी कैशिंग जटिल और समय लेने वाली डेटाबेस क्वेरीज़ के लिए उपयोगी है। जब आप किसी क्वेरी के परिणामों को कैश करते हैं, तो उसी क्वेरी के लिए आगामी अनुरोध शीघ्रता से लौटा दिए जाते हैं। इसके अलावा, जहां संभव हो, अपनी क्वेरी से संबंधित डेटा को सीमित करने के लिए डेटा को प्रीफ़िल्टर करने हेतु सर्वर-साइड दृश्यों का उपयोग करने पर विचार करें।

• सामग्री वितरण नेटवर्क कैशिंग: विलंबता को कम करने और सामग्री वितरण में सुधार करने के लिए वितरित नेटवर्क सर्वर पर वेब सामग्री को कैश करने के लिए इस तकनीक का उपयोग करें। सामग्री वितरण नेटवर्क कैशिंग स्थिर सामग्री, जैसे छवियाँ, फ़ाइलें और जावास्क्रिप्ट फ़ाइलों के लिए प्रभावी है। CSS सामग्री वितरण नेटवर्क दुनिया भर में कई स्थानों पर सामग्री की प्रतियां संग्रहीत करते हैं, ताकि उपयोगकर्ता भौगोलिक दृष्टि से अपने निकट स्थित सर्वर से सामग्री तक पहुंच सकें।

डेटा अपडेट अनुकूलित करें

डेटा अद्यतनों को अनुकूलित करने में डेटा अद्यतनों का मूल्यांकन करना शामिल है, ताकि यह सुनिश्चित किया जा सके कि वे प्रदर्शनकारी हैं। अद्यतन अन्य कार्यों की तुलना में प्रदर्शन को अधिक प्रभावित कर सकते हैं, क्योंकि वे अनावश्यक कार्य को ट्रिगर कर सकते हैं और लॉकिंग संघर्ष का कारण बन सकते हैं।

डेटा अपडेट को अनुकूलित करने के तरीके का मूल्यांकन करने के लिए, इस पर विचार करें:

• डेटा परिवर्तन. जब कोई वास्तविक परिवर्तन नहीं हुआ हो तो कार्य को न्यूनतम करने के लिए डेटा या फिल्टर की पूर्व-छवियों का उपयोग करने के लिए स्वचालन को अनुकूलित करें। असंशोधित डेटा के लिए स्वचालन को ट्रिगर करने से बचें.

• स्वचालन. डेटा परिवर्तनों के आधार पर अपडेट कब और कैसे ट्रिगर किए जाते हैं, इसका मूल्यांकन करें और फ़िल्टर को शामिल करने के लिए ट्रिगर्स को अनुकूलित करें। उदाहरण के लिए, स्वचालन को केवल तभी ट्रिगर करना जब डेटा स्रोत में कोई विशिष्ट फ़ील्ड संशोधित किया गया हो. उन अद्यतनों का मूल्यांकन करें जो स्वचालन को कई बार क्रमिक रूप से सक्रिय करते हैं। इसके बजाय, विचार करें कि क्या आप समस्त प्रसंस्करण को संभालने के लिए कोई कस्टम ऑपरेशन बना सकते हैं। उदाहरण के लिए, यदि कोई ऑर्डर भेजा जाता है और शिपिंग तिथि और ट्रैकिंग नंबर अलग-अलग अपडेट किए जाते हैं, तो वे दोनों एक ही समय में कस्टम "शिपऑर्डर" ऑपरेशन में अपडेट किए जा सकते हैं।

• गतिरोध. धीमे अद्यतन संचालन का मूल्यांकन करें जो एक ही डेटा को अलग-अलग अनुक्रमों में अद्यतन करने वाले कई प्रवाहों के कारण समस्याएँ उत्पन्न कर सकते हैं। यह अकुशलता लॉकिंग संघर्ष या यहां तक कि संभावित गतिरोध को जन्म दे सकती है, जिसके परिणामस्वरूप अनावश्यक पुनःकार्य करना पड़ सकता है। विवाद को न्यूनतम करने के लिए विभिन्न संसाधनों को एक ही क्रम में अद्यतन करें।

• थोक अद्यतन. यदि आप किसी तालिका की एकाधिक पंक्तियों पर संचालन चलाते हैं, तो उपयोग करने पर विचार करें थोक संचालन.

डेटा संचलन और प्रसंस्करण को अनुकूलित करें

डेटा संचलन और प्रसंस्करण को अनुकूलित करने में डेटा निष्कर्षण, रूपांतरण, लोडिंग और प्रसंस्करण से संबंधित कार्यों की दक्षता और प्रदर्शन में सुधार करना शामिल है। डेटा संचलन और प्रसंस्करण को अनुकूलित करने के निम्नलिखित प्रमुख पहलुओं पर विचार करें:

• निष्कर्षण, रूपांतरण और लोड (ETL) अनुकूलन प्रसंस्करण समय को न्यूनतम करने के लिए ETL प्रक्रियाओं को अनुकूलित करें। आप निष्कर्षण प्रक्रिया को सुव्यवस्थित कर सकते हैं, कुशल रूपांतरण एल्गोरिदम को लागू कर सकते हैं, और लोडिंग प्रक्रिया को अनुकूलित कर सकते हैं। जब आप प्रत्येक चरण को कुशल बनाते हैं, तो आप समग्र कार्यप्रवाह को अनुकूलित करते हैं।

• समानांतर प्रसंस्करण : प्रदर्शन में सुधार के लिए समानांतर प्रसंस्करण तकनीकों का उपयोग करें। जब आप डेटा प्रोसेसिंग कार्यों को कई थ्रेड्स या नोड्स में वितरित करते हैं, तो आप कार्यभार को समवर्ती रूप से विभाजित और संसाधित कर सकते हैं, जिसके परिणामस्वरूप तेजी से प्रोसेसिंग होती है।

• प्रचय संसाधन : दोहराए गए कार्यों के कारण होने वाले ओवरहेड को कम करने के लिए समान कार्यों को एक साथ समूहित करें। समग्र प्रसंस्करण समय को कम करने के लिए एक बैच में कई कार्यों को संसाधित करें।

डेटा निकटता के लिए डिज़ाइन

डेटा निकटता से तात्पर्य डेटा को उन उपयोगकर्ताओं या सेवाओं के निकट रणनीतिक रूप से रखने से है जो उस तक सबसे अधिक बार पहुंचते हैं। डेटा और उसके उपयोगकर्ताओं के बीच भौतिक या तार्किक दूरी को कम करने से डेटा तक तीव्र पहुंच और बेहतर प्रत्युत्तरशीलता सुनिश्चित होती है। निकटता के लिए डिज़ाइन को अनुकूलित करने के लिए, इन रणनीतियों पर विचार करें:

• डेटा एक्सेस पैटर्न का मूल्यांकन करें अपने कार्यभार के पहुँच पैटर्न और बार-बार एक्सेस किए जाने वाले डेटा का आकलन करें। इस विश्लेषण से यह निर्धारित करने में मदद मिल सकती है कि अधिकतम लाभ के लिए डेटा को कहां रखा जाए।

• डेटा स्थानांतरण का समर्थन करने वाले समाधान चुनें: ऐसे समाधानों पर विचार करें जो बदलते एक्सेस पैटर्न के आधार पर गतिशील डेटा स्थानांतरण प्रदान करते हैं, जिससे इष्टतम डेटा स्थिति सुनिश्चित होती है।

• डेटा सिंक्रनाइज़ेशन का समर्थन करने वाले समाधान चुनें: यदि आप वितरित उपयोगकर्ता आधार की सेवा कर रहे हैं, तो ऐसे समाधान चुनें जो विभिन्न क्षेत्रों में डेटा सिंक्रनाइज़ेशन सक्षम करते हैं, ताकि यह सुनिश्चित हो सके कि डेटा प्रतिकृतियां उपयोगकर्ताओं के निकट उपलब्ध हों।

समझौता: यदि अंतर्निहित डेटा बार-बार बदलता है, तो कैश अमान्यकरण तंत्र को लागू करें ताकि यह सुनिश्चित हो सके कि कैश किया गया डेटा अद्यतन रहे।

Power Platform सुविधा

डेटा प्रदर्शन की निगरानी करें: डेटा प्रदर्शन की निगरानी करने के लिए, बुनियादी ढांचे के मैट्रिक्स, लॉग और एप्लिकेशन डेटा को एकत्र करने और उनका विश्लेषण करने के लिए Azure Monitor का उपयोग करने पर विचार करें। आप मॉनिटर को Application Insights जैसी अन्य सेवाओं के साथ एकीकृत कर सकते हैं। Application Insights अनुप्रयोग प्रदर्शन निगरानी प्रदान करता है और कई प्लेटफार्मों का समर्थन करता है।

Application Insights उपयोग और प्रदर्शन डेटा एकत्र करता है. आप उस डेटा को Azure संसाधनों में कॉन्फ़िगरेशन और प्रदर्शन डेटा के साथ सहसंबंधित करने के लिए लॉग एनालिटिक्स का उपयोग कर सकते हैं। Application Insights के लिए Dataverse डेटा स्ट्रीम वर्तमान में Dataverse API इनकमिंग कॉल, Dataverse प्लग-इन निष्पादन कॉल और Dataverse SDK कॉल से संबंधित प्रदर्शन डेटा प्रदान करती है।

कैनवास ऐप्स में क्वेरी डेटा पैटर्न अनुकूलित करें: दस्तावेजीकृत मार्गदर्शन और सुझावों का पालन करें. Power Appsमें अनुकूलित क्वेरी डेटा पैटर्न देखें.

Dataverse: के साथ अपने अनुकूलन, विस्तार या एकीकरण को अनुकूलित करें। दस्तावेज़ीकृत सर्वोत्तम प्रथाओं और मार्गदर्शन का पालन करें। उपयोग करते समय सर्वोत्तम अभ्यास और मार्गदर्शन देखें Microsoft Dataverse.

डेटाबेस क्वेरीज़ और अनुक्रमणिका प्रदर्शन अनुकूलित करें: क्वेरीज़, तालिकाओं और डेटाबेस को अनुकूलित करने के लिए Azure SQL डेटाबेस की क्वेरी प्रदर्शन अंतर्दृष्टि सुविधा का उपयोग करें. आप इस सुविधा का उपयोग क्वेरी प्रदर्शन समस्याओं की पहचान करने और उनका निवारण करने के लिए भी कर सकते हैं।

रिलेशनल डेटाबेस के लिए, इंडेक्स डिज़ाइन दिशा-निर्देश, SQL सर्वर इंडेक्स मार्गदर्शन, और Azure Cosmos DB इंडेक्स मार्गदर्शन का पालन करें। क्वेरीज़ के प्रदर्शन को बेहतर बनाने के लिए उनके लिए स्वचालित ट्यूनिंग करने के लिए SQL डेटाबेस का उपयोग करें।

SQL डेटाबेस के लिए, आपको नियमित रूप से इंडेक्स को पुनर्गठित या पुनर्निर्माण करना चाहिए। धीमी क्वेरीज़ की पहचान करें और प्रदर्शन सुधारने के लिए उन्हें ट्यून करें। कई डेटाबेस इंजनों में क्वेरी-ट्यूनिंग सुविधाएं होती हैं। अधिक जानकारी के लिए, क्वेरी प्रदर्शन के लिए सर्वोत्तम अभ्यास देखें।

Azure Cosmos DB में एक डिफ़ॉल्ट अनुक्रमण नीति है जो प्रत्येक आइटम की प्रत्येक संपत्ति को अनुक्रमित करती है और किसी भी स्ट्रिंग या संख्या के लिए श्रेणी अनुक्रमणिका लागू करती है। यह नीति आपको कुशल क्वेरी प्रदर्शन प्रदान करती है, और आपको पहले से इंडेक्स प्रबंधित करने की आवश्यकता नहीं होती है।

संग्रहण लोड अनुकूलित करें: कई Azure डेटाबेस सेवाएँ पठन प्रतिकृतियों का समर्थन करती हैं. पठन प्रतिकृतियों की उपलब्धता और कॉन्फ़िगरेशन Azure डेटाबेस सेवा के आधार पर भिन्न होती है। विवरण और विकल्पों को समझने के लिए प्रत्येक सेवा के आधिकारिक दस्तावेज़ देखें।

संबंधित जानकारी

• प्रदर्शनकारी बनाने का अवलोकन Power Apps
• अपने एप्लिकेशन के लिए Azure डेटा स्टोर चुनें
• शर्तें जोड़कर प्रवाह ट्रिगर को अनुकूलित करें Power Automate
• Dataverse लोचदार टेबल
• कैनवास ऐप्स के साथ SQL सर्वर का उपयोग करें
• कैनवास ऐप्स के लिए डेटासोर्स के रूप में Dataverse का उपयोग करें

प्रदर्शन दक्षता चेकलिस्ट

कृपया सिफारिशों का पूरा सेट देखें।

प्रदर्शन दक्षता चेकलिस्ट