Szerkesztés

Végpontok közötti elemzés az Azure Synapse-nal

Azure Synapse Analytics
Azure Cosmos DB
Azure Data Factory
Azure Databricks
Azure Event Hubs

A cikkben ismertetett megoldás számos Olyan Azure-szolgáltatást egyesít, amelyek különböző forrásokból (strukturált, félig strukturált, strukturálatlan és streamelt) származó adatokat és elemzéseket tárolnak, tárolnak, dolgoznak fel, bővítenek és szolgálnak ki.

Architektúra

Architektúradiagram egy modern adatplatformhoz az Azure-adatszolgáltatások használatával.

Töltse le az architektúra Visio-fájlját.

Feljegyzés

  • Az architektúra által lefedett szolgáltatások csak az Azure-szolgáltatások sokkal nagyobb családjának részhalmazai. Hasonló eredmények érhetők el más olyan szolgáltatások vagy szolgáltatások használatával, amelyek nem tartoznak a jelen terv hatálya alá.
  • Az elemzési használati esetre vonatkozó konkrét üzleti követelmények megkövetelhetik a jelen tervben nem szereplő különböző szolgáltatások vagy szolgáltatások használatát.

Adatfolyam

Az architektúra által lefedett elemzési használati eseteket a diagram bal oldalán található különböző adatforrások szemléltetik. Az adatok alulról felfelé haladnak végig a megoldáson az alábbiak szerint:

Feljegyzés

A következő szakaszokban az Azure Data Lake szolgál az adatok otthonaként az adatéletciklus különböző szakaszaiban. Az Azure Data Lake különböző rétegek és tárolók szerint van rendszerezve az alábbiak szerint:

  • A nyers réteg a forrásrendszerekből érkező adatok célterülete. Ahogy a neve is mutatja, ebben a rétegben az adatok nyers, szűretlen és nem hamisított formában találhatóak.
  • Az életciklus következő szakaszában az adatok a bővített rétegre kerülnek, ahol az adatok megtisztítva, szűrve és esetleg átalakítva lesznek.
  • Az adatok ezután a válogatott rétegbe kerülnek, ahol a fogyasztóra kész adatok megmaradnak.

Az Azure Data Lake-rétegek és -tárolók teljes áttekintéséhez tekintse meg a Data Lake-zónák és -tárolók dokumentációját.

Azure-beli adatszolgáltatások, natív felhőbeli HTAP az Azure Cosmos DB-vel és a Dataversevel

Feldolgozás

  1. Az Azure Cosmos DB-hez készült Azure Synapse Link és az Azure Synapse Link for Dataverse lehetővé teszi, hogy közel valós idejű elemzéseket futtasson a működési és üzleti alkalmazás adatain az Azure Synapse-munkaterületről elérhető elemzési motorokkal: az SQL Serverless és a Spark-készletek használatával.

  2. Az Azure Cosmos DB-hez készült Azure Synapse Link használatakor használjon kiszolgáló nélküli SQL-lekérdezést vagy Spark-készlet-jegyzetfüzetet. Hozzáférhet az Azure Cosmos DB elemzési tárához , majd a közel valós idejű operatív adatokból származó adathalmazokat kombinálhatja a data lake-ből vagy az adattárházból származó adatokkal.

  3. Az Azure Synapse Link for Dataverse használatakor használjon kiszolgáló nélküli SQL-lekérdezést vagy Spark-készlet-jegyzetfüzetet. Elérheti a kiválasztott Dataverse-táblákat, majd egyesítheti a közel valós idejű üzleti alkalmazás adataiból származó adathalmazokat a data lake-ből vagy az adattárházból származó adatokkal.

Tárolás
  1. A kiszolgáló nélküli SQL-lekérdezésekből származó adathalmazok megmaradhatnak a data lake-ben. Spark-jegyzetfüzetek használata esetén az eredményül kapott adathalmazok a data lake-ben vagy az adattárházban (SQL-készletben) is megőrizhetők.
Szolgálja

  1. Töltse be a releváns adatokat az Azure Synapse SQL-készletből vagy a Data Lake-ből a Power BI-adathalmazokba adatvizualizáció és -feltárás céljából. A Power BI-modellek szemantikai modellt implementálnak az üzleti adatok és kapcsolatok elemzésének egyszerűsítése érdekében. Az üzleti elemzők Power BI-jelentéseket és irányítópultokat használnak az adatok elemzéséhez és üzleti elemzésekhez.

  2. Az Azure Data Share használatával az adatok biztonságosan megoszthatók más üzleti egységekkel vagy külső megbízható partnerekkel is. Az adatfelhasználók szabadon kiválaszthatják, hogy milyen adatformátumot szeretnének használni, és azt is, hogy melyik számítási motor a legjobb a megosztott adathalmazok feldolgozásához.

  3. A Synapse-munkaterületen tárolt strukturált és strukturálatlan adatok ismeretbányászati megoldások létrehozására is használhatók, és mesterséges intelligenciával értékes üzleti megállapításokat tárhatnak fel különböző dokumentumtípusok és formátumok között, például Office-dokumentumokból, PDF-fájlokból, képekből, hanganyagokból, űrlapokból és weblapokról.

Relációs adatbázisok

Betöltés
  1. Az Azure Synapse-folyamatokkal számos különböző adatbázisból kérhet le adatokat, mind a helyszínen, mind a felhőben. A folyamatok egy előre meghatározott ütemezés alapján indíthatók el egy eseményre válaszul, vagy kifejezetten meghívhatók REST API-k segítségével.
Tárolás

  1. A Raw data lake rétegen belül az ajánlott eljárásokat követve rendszerezze a data lake-t a létrehozandó rétegek, az egyes rétegekben használni kívánt mappastruktúrák és az egyes elemzési forgatókönyvek fájlformátuma alapján.

  2. Az Azure Synapse-folyamatból az adatmásolási tevékenységgel a relációs adatbázisokból másolt adatokat az Azure Data Lake Store Gen 2 data lake nyers rétegébealakíthatja. Az adatokat tagolt szövegformátumban vagy parquet-fájlként tömörítve mentheti.

Feldolgozás

  1. Adatfolyamok, SQL kiszolgáló nélküli lekérdezések vagy Spark-jegyzetfüzetek használatával érvényesítheti, átalakíthatja és áthelyezheti az adathalmazokat a Nyers rétegből a Bővített rétegen keresztül, valamint a data lake-beli Válogatott rétegbe.

    1. Az adatátalakítások részeként gépi betanítási modelleket hívhat meg az SQL-készletekből standard T-SQL - vagy Spark-jegyzetfüzetek használatával. Ezek az ML-modellek az adathalmazok gazdagítására és további üzleti elemzések létrehozására használhatók. Ezek a gépi tanulási modellek az Azure Cognitive Servicesből vagy az Azure ML-ből származó egyéni ML-modellekből használhatók.
Szolgálja

  1. A végleges adatkészletet közvetlenül a data lake curated rétegből, vagy az Adatok másolása tevékenységgel betöltheti a végső adathalmazt az SQL-készlet tábláiba a COPY paranccsal a gyors betöltéshez.

  2. Töltse be a releváns adatokat az Azure Synapse SQL-készletből vagy a Data Lake-ből az adatvizualizációhoz használt Power BI-adatkészletekbe. A Power BI-modellek szemantikai modellt implementálnak az üzleti adatok és kapcsolatok elemzésének egyszerűsítése érdekében. Az üzleti elemzők Power BI-jelentéseket és irányítópultokat használnak az adatok elemzéséhez és üzleti elemzésekhez.

  3. Az Azure Data Share használatával az adatok biztonságosan megoszthatók más üzleti egységekkel vagy külső megbízható partnerekkel is. Az adatfelhasználók szabadon kiválaszthatják, hogy milyen adatformátumot szeretnének használni, és azt is, hogy melyik számítási motor a legjobb a megosztott adathalmazok feldolgozásához.

  4. A Synapse-munkaterületen tárolt strukturált és strukturálatlan adatok ismeretbányászati megoldások létrehozására is használhatók, és mesterséges intelligenciával értékes üzleti megállapításokat tárhatnak fel különböző dokumentumtípusok és formátumok között, például Office-dokumentumokból, PDF-fájlokból, képekből, hanganyagokból, űrlapokból és weblapokról.

Részben strukturált adatforrások

Betöltés

  1. Az Azure Synapse-folyamatokkal a helyszínen és a felhőben is számos félig strukturált adatforrásból gyűjthet adatokat. Példa:

    • CSV- vagy JSON-fájlokat tartalmazó fájlalapú forrásokból származó adatok betöltése.
    • Csatlakozás a No-SQL-adatbázisokhoz, például az Azure Cosmos DB-hez vagy a MongoDB-hez.
    • Az SaaS-alkalmazások által biztosított REST API-k meghívása, amelyek a folyamat adatforrásaként fognak működni.
Tárolás

  1. A Raw data lake rétegen belül az ajánlott eljárásokat követve rendszerezze a data lake-t a létrehozandó rétegek, az egyes rétegekben használni kívánt mappastruktúrák és az egyes elemzési forgatókönyvek fájlformátuma alapján.

  2. Az Azure Synapse-folyamatból másolási adattevékenységgel a félig strukturált adatforrásokból másolt adatokat az Azure Data Lake Store Gen 2 data lake nyers rétegébe alakíthatja. Mentse az adatokat az adatforrásokból beszerzett eredeti formátum megőrzése érdekében.

Feldolgozás

  1. Kötegelt/mikro kötegfolyamatok esetén adatfolyamok, SQL kiszolgáló nélküli lekérdezések vagy Spark-jegyzetfüzetek használatával ellenőrizheti, átalakíthatja és áthelyezheti az adathalmazokat a data lake-beli válogatott rétegbe. Az SQL Kiszolgáló nélküli lekérdezések külső táblákként teszik elérhetővé az alapul szolgáló CSV-, Parquet- vagy JSON-fájlokat , hogy lekérdezhetők legyenek a T-SQL használatával.

    1. Az adatátalakítások részeként gépi tanulási modelleket hívhat meg az SQL-készletekből standard T-SQL - vagy Spark-jegyzetfüzetek használatával. Ezek az ML-modellek az adathalmazok gazdagítására és további üzleti elemzések létrehozására használhatók. Ezek a gépi tanulási modellek az Azure Cognitive Servicesből vagy az Azure ML-ből származó egyéni ML-modellekből használhatók.

  2. Közel valós idejű telemetriai és idősorozat-elemzési forgatókönyvek esetén az Adatkezelő-készletek segítségével egyszerűen betöltheti, összesítheti és korrelálhatja a naplók és az IoT-események adatait több adatforrásban. Az Adatkezelő-készletekkel Kusto-lekérdezésekkel (KQL) idősorozat-elemzést, térinformatikai fürtözést és gépi tanulási bővítést végezhet.

Szolgálja

  1. A végleges adatkészletet közvetlenül a data lake curated rétegből, vagy az Adatok másolása tevékenységgel betöltheti a végső adathalmazt az SQL-készlet tábláiba a COPY paranccsal a gyors betöltéshez.

  2. Töltse be a releváns adatokat az Azure Synapse SQL-készletekből, az Adatkezelő-készletekből vagy egy data lake-ből az adatvizualizációhoz használt Power BI-adatkészletekbe. A Power BI-modellek szemantikai modellt implementálnak az üzleti adatok és kapcsolatok elemzésének egyszerűsítése érdekében. Az üzleti elemzők Power BI-jelentéseket és irányítópultokat használnak az adatok elemzéséhez és üzleti elemzésekhez.

  3. Az Azure Data Share használatával az adatok biztonságosan megoszthatók más üzleti egységekkel vagy külső megbízható partnerekkel is. Az adatfelhasználók szabadon kiválaszthatják, hogy milyen adatformátumot szeretnének használni, és azt is, hogy melyik számítási motor a legjobb a megosztott adathalmazok feldolgozásához.

  4. A Synapse-munkaterületen tárolt strukturált és strukturálatlan adatok ismeretbányászati megoldások létrehozására is használhatók, és mesterséges intelligenciával értékes üzleti megállapításokat tárhatnak fel különböző dokumentumtípusok és formátumok között, például Office-dokumentumokból, PDF-fájlokból, képekből, hanganyagokból, űrlapokból és weblapokról.

Nem strukturált adatforrások

Betöltés

  1. Az Azure Synapse-folyamatokkal számos nem strukturált adatforrásból lehet adatokat lekérni, mind a helyszínen, mind a felhőben. Példa:

    • Videó, kép, hang vagy szabad szöveg betöltése a forrásfájlokat tartalmazó fájlalapú forrásokból.
    • Az SaaS-alkalmazások által biztosított REST API-k meghívása, amelyek a folyamat adatforrásaként fognak működni.
Tárolás

  1. A Raw data lake rétegen belül a data lake rendszerezéséhez kövesse az ajánlott eljárásokat a létrehozandó rétegekre, az egyes rétegekben használni kívánt mappastruktúrákra és az egyes elemzési forgatókönyvek fájlformátumára vonatkozóan.

  2. Az Azure Synapse-folyamatból az Adatmásolási tevékenység használatával a nem strukturált adatforrásokból másolt adatokat az Azure Data Lake Store Gen 2 data lake nyers rétegébe alakíthatja. Mentse az adatokat az adatforrásokból beszerzett eredeti formátum megőrzésével.

Feldolgozás

  1. A Spark-jegyzetfüzetekkel ellenőrizheti, átalakíthatja, gazdagíthatja és áthelyezheti az adathalmazokat a Nyers rétegből a Bővített rétegen keresztül a Data Lake válogatott rétegébe.

    1. Az adatátalakítások részeként gépi tanulási modelleket hívhat meg az SQL-készletekből standard T-SQL - vagy Spark-jegyzetfüzetek használatával. Ezek az ML-modellek az adathalmazok gazdagítására és további üzleti elemzések létrehozására használhatók. Ezek a gépi tanulási modellek az Azure Cognitive Servicesből vagy az Azure ML-ből származó egyéni ML-modellekből használhatók.
Szolgálja

  1. A végleges adatkészletet közvetlenül a Data Lake Curated rétegből, vagy az Adatmásolás tevékenységgel betöltheti a végső adathalmazt az adattárház tábláiba a COPY paranccsal a gyors betöltéshez.

  2. Töltse be a releváns adatokat az Azure Synapse SQL-készletből vagy a Data Lake-ből az adatvizualizációhoz használt Power BI-adatkészletekbe. A Power BI-modellek szemantikai modellt implementálnak az üzleti adatok és kapcsolatok elemzésének egyszerűsítése érdekében.

  3. Az üzleti elemzők Power BI-jelentéseket és irányítópultokat használnak az adatok elemzéséhez és üzleti elemzésekhez.

  4. Az Azure Data Share használatával az adatok biztonságosan megoszthatók más üzleti egységekkel vagy külső megbízható partnerekkel is. Az adatfelhasználók szabadon kiválaszthatják, hogy milyen adatformátumot szeretnének használni, és azt is, hogy melyik számítási motor a legjobb a megosztott adathalmazok feldolgozásához.

  5. A Synapse-munkaterületen tárolt strukturált és strukturálatlan adatok ismeretbányászati megoldások létrehozására is használhatók, és mesterséges intelligenciával értékes üzleti megállapításokat tárhatnak fel különböző dokumentumtípusok és formátumok között, például Office-dokumentumokból, PDF-fájlokból, képekből, hanganyagokból, űrlapokból és weblapokról.

Streamelés

Betöltés
  1. Az Azure Event Hubs vagy az Azure IoT Hubs használatával betöltheti az ügyfélalkalmazások vagy IoT-eszközök által létrehozott adatfolyamokat. Az Event Hubs vagy az IoT Hub ezután betölti és tárolja a streamelési adatokat, megőrizve a fogadott események sorrendjét. A felhasználók ezután csatlakozhatnak az Event Hubshoz vagy az IoT Hub végpontjaihoz, és lekérhetik az üzeneteket feldolgozás céljából.
Tárolás

  1. A Raw data lake rétegen belül az ajánlott eljárásokat követve rendszerezze a data lake-t a létrehozandó rétegek, az egyes rétegekben használni kívánt mappastruktúrák és az egyes elemzési forgatókönyvek fájlformátuma alapján.

  2. Az Event Hubs Capture vagy az IoT Hub Storage-végpontok konfigurálása az események másolatának az Azure Data Lake Store Gen 2 data lake nyers rétegébe való mentéséhez. Ez a funkció implementálja a Lambda-architektúra "hideg elérési útját", és lehetővé teszi a data lake-ben mentett streamadatok előzmény- és trendelemzését SQL Serverless-lekérdezések vagy Spark-jegyzetfüzetek használatával, a fent ismertetett félig strukturált adatforrások mintáját követve.

Feldolgozás

  1. Valós idejű elemzésekhez használjon Stream Analytics-feladatot a Lambda-architektúra "gyakori elérési útjának" implementálásához, és az átvitt streamadatokból nyerjen elemzéseket. Adjon meg legalább egy bemenetet az Event Hubsból vagy az IoT Hubról érkező adatfolyamhoz, egy lekérdezést a bemeneti adatfolyam feldolgozásához, és egy Power BI-kimenetet arra a helyre, ahová a lekérdezés eredményeit elküldi.

    1. A Stream Analytics használatával végzett adatfeldolgozás részeként gépi tanulási modelleket hívhat meg a streamadatkészletek gazdagításához, és üzleti döntéseket hozhat a létrehozott előrejelzések alapján. Ezek a gépi tanulási modellek az Azure Cognitive Servicesből vagy az Azure Machine Learning egyéni ML-modelljeiből használhatók.

  2. Más Stream Analytics-feladatkimenetek használatával feldolgozott eseményeket küldhet az Azure Synapse SQL-készletekbe vagy Data Explorer-készletekbe további elemzési használati esetekhez.

  3. Közel valós idejű telemetriai és idősorozat-elemzési forgatókönyvek esetén az Adatkezelő-készletek segítségével egyszerűen betöltheti az IoT-eseményeket közvetlenül az Event Hubsból vagy az IoT Hubsból. Az Adatkezelő-készletekkel Kusto-lekérdezésekkel (KQL) idősorozat-elemzést, térinformatikai fürtözést és gépi tanulási bővítést végezhet.

Szolgálja

  1. Az üzleti elemzők ezután valós idejű Power BI-adathalmazokat és irányítópult-képességeket használva vizualizálják a Stream Analytics-lekérdezés által létrehozott gyorsan változó megállapításokat.

  2. Az Azure Data Share használatával az adatok biztonságosan megoszthatók más üzleti egységekkel vagy külső megbízható partnerekkel is. Az adatfelhasználók szabadon kiválaszthatják, hogy milyen adatformátumot szeretnének használni, és azt is, hogy melyik számítási motor a legjobb a megosztott adathalmazok feldolgozásához.

  3. A Synapse-munkaterületen tárolt strukturált és strukturálatlan adatok ismeretbányászati megoldások létrehozására is használhatók, és mesterséges intelligenciával értékes üzleti megállapításokat fedhetnek fel különböző dokumentumtípusokban és formátumokban, például Office-dokumentumokból, PDF-fájlokból, képekből, hanganyagokból, űrlapokból és weblapokról.

Összetevők

Az architektúra a következő Azure-szolgáltatásokat használja:

Alternatívák

Forgatókönyv részletei

Ez a példaforgatókönyv bemutatja, hogyan használható az Azure Synapse Analytics az Azure Data Services széles körű családjával egy olyan modern adatplatform létrehozására, amely képes kezelni a szervezet leggyakoribb adat kihívásait.

Lehetséges használati esetek

Ez a megközelítés a következőket is lehetővé teszi:

  • Adattermék-architektúra létrehozása, amely strukturált adatok adattárházából és részben strukturált és strukturálatlan adatokhoz készült adattóból áll. Dönthet úgy, hogy egyetlen adatterméket helyez üzembe központosított környezetekhez, vagy több adatterméket az elosztott környezetekhez, például a Data Meshhez. További információ a adatkezelés és az adat-kezdőzónákról.
  • Integrálhatja a relációs adatforrásokat más strukturálatlan adathalmazokkal a big data feldolgozási technológiák használatával.
  • Az egyszerűbb adatelemzéshez szemantikai modellezést és hatékony vizualizációs eszközöket használhat.
  • Adathalmazok megosztása a szervezeten belül vagy megbízható külső partnerekkel.
  • Tudásbányászati megoldások implementálása képekben, PDF-fájlokban, dokumentumokban stb. rejtett értékes üzleti információk kinyeréséhez.

Ajánlások

Felfedezés és szabályozás

Az adatszabályozás gyakori kihívás a nagyvállalati környezetekben. Az üzleti elemzőknek egyrészt képesnek kell lenniük olyan adategységek felderítésére és megértésére, amelyek segíthetnek az üzleti problémák megoldásában. A fő adattisztviselők viszont az üzleti adatok adatvédelemmel és biztonságával kapcsolatos megállapításokat szeretnének.

Microsoft Purview

  1. A Microsoft Purview használatával adatfelderítéstés elemzéseket készíthet az adategységekkel, az adatbesorolásról és a bizalmasságról, amely a teljes szervezeti adatkészletet lefedi.

  2. A Microsoft Purview segíthet fenntartani egy üzleti szószedetet azokkal a konkrét üzleti terminológiával, amelyek szükségesek ahhoz, hogy a felhasználók megértsék az adathalmazok jelentésének szemantikáját, és hogy hogyan használják őket a szervezetben.

  3. Regisztrálhatja az összes adatforrást, és rendszerezheti őket gyűjteményekbe, ami a metaadatok biztonsági határaként is szolgál.

  4. Rendszeres vizsgálatok beállítása a szervezet adategységeiről szóló releváns metaadatok automatikus katalógusához és frissítéséhez. A Microsoft Purview az Azure Data Factoryből vagy az Azure Synapse-folyamatokból származó információk alapján automatikusan adatsorinformációkat is hozzáadhat.

  5. Az adatbesorolás és az adatérzékenységi címkék automatikusan hozzáadhatók az adategységekhez a rendszeres vizsgálatok során alkalmazott előre konfigurált vagy vámszabályok alapján.

  6. Az adatszabályozási szakemberek a Microsoft Purview által létrehozott jelentéseket és elemzéseket használhatják az adatok teljes környezetének szabályozására, és megvédhetik a szervezetet a biztonsági és adatvédelmi problémáktól.

Platformszolgáltatások

Az Azure-megoldások minőségének javítása érdekében kövesse az Azure Well-Architected Frameworkben meghatározott javaslatokat és irányelveket az architektúra kiválóságának öt pilléreként: költségoptimalizálás, működési kiválóság, teljesítményhatékonyság, megbízhatóság és biztonság.

Az alábbi ajánlásokat követve az alábbi szolgáltatásokat a tervezés részeként kell figyelembe venni:

  1. Microsoft Entra-azonosító: identitásszolgáltatások, egyszeri bejelentkezés és többtényezős hitelesítés az Azure-számítási feladatokban.
  2. Azure Cost Management: az Azure-számítási feladatok pénzügyi szabályozása.
  3. Azure Key Vault: biztonságos hitelesítő adatok és tanúsítványkezelés. Az Azure Synapse Pipelines, az Azure Synapse Spark Pools és az Azure ML például lekérheti az adattárak biztonságos eléréséhez használt hitelesítő adatokat és tanúsítványokat az Azure Key Vaultból.
  4. Azure Monitor: Az Azure-erőforrások telemetriai adatainak összegyűjtése, elemzése és kezelése a problémák proaktív azonosítása és a teljesítmény és a megbízhatóság maximalizálása érdekében.
  5. Felhőhöz készült Microsoft Defender: Az Azure-számítási feladatok biztonsági helyzetének megerősítése és monitorozása.
  6. Azure DevOps > GitHub: DevOps-eljárások implementálása a számítási feladatok fejlesztési és üzembehelyezési folyamatainak automatizálásának és megfelelőségének az Azure Synapse-hez és az Azure ML-hez való kényszerítéséhez.
  7. Azure Policy: az erőforrás-konzisztenciára, a jogszabályi megfelelőségre, a biztonságra, a költségekre és a felügyeletre vonatkozó szervezeti szabványok és szabályozás implementálása.

Megfontolások

Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.

Az architektúra technológiái azért lettek kiválasztva, mert mindegyik biztosítja a szervezet leggyakoribb adatkérdéseinek kezeléséhez szükséges funkciókat. Ezek a szolgáltatások megfelelnek a méretezhetőségre és a rendelkezésre állásra vonatkozó követelményeknek, miközben segítenek nekik szabályozni a költségeket. Az architektúra által lefedett szolgáltatások csak az Azure-szolgáltatások sokkal nagyobb családjának részhalmazai. Hasonló eredmények érhetők el a jelen tervben nem szereplő egyéb szolgáltatások vagy szolgáltatások használatával.

Az elemzési használati esetekre vonatkozó konkrét üzleti követelmények a jelen tervben nem szereplő különböző szolgáltatások vagy szolgáltatások használatát is kérhetik.

Hasonló architektúra az éles üzem előtti környezetekben is implementálható, ahol fejlesztheti és tesztelheti a számítási feladatokat. Vegye figyelembe a számítási feladatokra vonatkozó konkrét követelményeket és az egyes szolgáltatások képességeit egy költséghatékony üzem előtti környezetben.

Költségoptimalizálás

A költségoptimalizálás a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjairól szól. További információ: A költségoptimalizálási pillér áttekintése.

A legtöbb esetben az Azure-díjkalkulátorral megbecsülheti költségeit. Az ideális egyéni tarifacsomag és az architektúra minden egyes szolgáltatásának teljes költsége a feldolgozni és tárolni kívánt adatok mennyiségétől és a várt elfogadható teljesítményszinttől függ. Az alábbi útmutatóval többet tudhat meg az egyes szolgáltatások díjszabásáról:

  • Az Azure Synapse Analytics kiszolgáló nélküli architektúrája lehetővé teszi a számítási és tárolási szintek egymástól függetlenül történő skálázását. A számítási erőforrások terhelése a használat alapján történik, és igény szerint skálázhatja vagy szüneteltetheti ezeket az erőforrásokat. A tárolási erőforrásokat terabájtonként számlázzák, így a költségek növekedni fognak, amikor több adatot vesz fel.

  • Az Azure Data Lake Gen 2 a tárolt adatok mennyisége és az adatok olvasására és írására vonatkozó tranzakciók száma alapján kerül felszámításra.

  • Az Azure Event Hubs és az Azure IoT Hubs díja az üzenetstreamek feldolgozásához szükséges számítási erőforrások mennyisége alapján történik.

  • Az Azure Machine Tanulás díjai a gépi tanulási modellek betanítása és üzembe helyezése során használt számítási erőforrások mennyiségéből származnak.

  • A Cognitive Services díja a szolgáltatás API-k felé irányuló hívások száma alapján történik.

  • A Microsoft Purview ára a katalógus adategységeinek száma és a vizsgálatukhoz szükséges számítási teljesítmény alapján történik.

  • Az Azure Stream Analytics a stream-lekérdezések feldolgozásához szükséges számítási teljesítmény alapján kerül felszámításra.

  • A Power BI különböző terméklehetőségekkel rendelkezik a különböző követelményekhez. A Power BI Embedded azure-alapú lehetőséget biztosít a Power BI-funkciók alkalmazásokba való beágyazásához. A fenti díjszabási minta egy Power BI Embedded-példányt tartalmaz.

  • Az Azure Cosmos DB ára az adatbázisok által igényelt tárolási és számítási erőforrások mennyiségétől függ.

A forgatókönyv üzembe helyezése

Ez az üzembe helyezésgyorsító lehetővé teszi a teljes referenciaarchitektúra implementálását, vagy kiválaszthatja, hogy milyen számítási feladatokra van szüksége az elemzési használati esethez. Azt is kiválaszthatja, hogy a szolgáltatások nyilvános végpontokon keresztül érhetők-e el, vagy csak privát végpontokon keresztül érhetők el.

A hivatkozás üzembe helyezéséhez használja az alábbi gombot az Azure Portalon.

Üzembe helyezés az Azure-ban

Részletes információkért és további üzembehelyezési lehetőségekért tekintse meg az üzembe helyezésgyorsító GitHub-adattárát a megoldás meghatározásához használt dokumentációval és kóddal.

Közreműködők

Ezt a cikket a Microsoft frissíti és karbantartja. Eredetileg a következő közreműködők írták.

Fő szerző:

A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.

Következő lépések