Bagikan melalui

Memahami model data

Solusi modern menangani beragam data, seperti transaksi, peristiwa, dokumen, telemetri, aset biner, dan fakta analitis. Satu penyimpanan data jarang memenuhi semua pola akses secara efisien. Sebagian besar sistem produksi mengadopsi persistensi poliglot, yang berarti Anda memilih beberapa model penyimpanan. Artikel ini memusatkan definisi kanonis dari model penyimpanan data utama yang tersedia di Azure dan menyediakan tabel komparatif untuk mempercepat pemilihan model sebelum Anda memilih layanan tertentu.

Gunakan langkah-langkah berikut untuk memilih model data Anda:

  1. Identifikasi pola akses beban kerja, seperti pembacaan titik, agregasi, teks lengkap, kesamaan, pemindaian jendela waktu, dan pengiriman objek.

  2. Petakan pola ke model penyimpanan di bagian berikut.

  3. Buat daftar singkat layanan Azure yang mengimplementasikan model tersebut.

  4. Terapkan kriteria evaluasi, seperti konsistensi, latensi, skala, tata kelola, dan biaya.

  5. Gabungkan model hanya di mana pola akses atau siklus hidup berbeda dengan jelas.

Cara menggunakan panduan ini

Setiap bagian model mencakup definisi ringkas, beban kerja umum, karakteristik data, skenario contoh, dan tautan ke layanan Azure yang representatif. Setiap bagian juga menyertakan tabel untuk membantu Anda memilih layanan Azure yang tepat untuk kasus penggunaan Anda. Dalam beberapa kasus, Anda dapat menggunakan artikel lain untuk membuat pilihan yang lebih tepat tentang opsi layanan Azure. Masing-masing bagian model merujuk pada artikel tersebut.

Dua tabel komparatif meringkas sifat model nonrelasional untuk membantu Anda mengevaluasi opsi dengan cepat tanpa mengulangi konten di seluruh bagian.

Gambaran umum klasifikasi

Kategori Tujuan utama Contoh layanan Azure yang khas
Relasional (OLTP) Operasi transaksional yang konsisten Azure SQL Database, Azure Database for PostgreSQL, atau Azure Database for MySQL
Nonrelasi, seperti dokumen, nilai kunci, keluarga kolom, dan grafik Skema fleksibel atau beban kerja yang berpusat pada hubungan API Azure Cosmos DB, Azure Managed Redis, Managed Cassandra, atau HBase
Rangkaian waktu Metrik dan peristiwa bertanda waktu dengan tingkat input tinggi Azure Data Explorer
Objek dan file Penyimpanan file biner atau semi-terstruktur besar Azure Blob Storage atau Azure Data Lake Storage
Pencarian dan pengindeksan Teks lengkap dan relevansi multi-bidang, pengindeksan sekunder Pencarian Azure AI
Vector Kesamaan semantik atau perkiraan tetangga terdekat (ANN) Azure AI Search atau varian Azure Cosmos DB
Analitik, pemrosesan analitik online (OLAP), pemrosesan paralel besar-besaran (MPP) Agregasi historis skala besar atau kecerdasan bisnis (BI) Microsoft Fabric, Azure Synapse Analytics, Azure Data Explorer, Azure Analysis Services, atau Azure Databricks

Nota

Satu layanan mungkin menyediakan beberapa model, juga dikenal sebagai multimodel. Pilih model yang paling sesuai alih-alih menggabungkan model dengan cara yang mempersulit operasi.

Penyimpanan data relasional

Sistem manajemen database relasional mengatur data ke dalam tabel yang dinormalisasi menggunakan "schema-on-write". Mereka memberlakukan integritas dan mendukung transaksi atomisitas, konsistensi, isolasi, dan durabilitas (ACID) serta kueri SQL yang kompleks dan kaya fitur.

Kekuatan: Konsistensi transaksional multibaris, gabungan kompleks, batasan relasional yang kuat, dan alat yang matang untuk pelaporan, administrasi, dan tata kelola.

Pertimbangan: Skala horizontal umumnya memerlukan pemecahan data atau partisi, dan normalisasi dapat meningkatkan biaya gabungan untuk tampilan denormalisasi yang berat pada pembacaan.

Beban kerja: Manajemen pesanan, pelacakan inventori, rekaman buku besar keuangan, penagihan, dan pelaporan operasional.

Pilih layanan Azure untuk penyimpanan data relasional

  • SQL Database adalah database relasional terkelola untuk aplikasi cloud modern yang menggunakan mesin SQL Server.

  • Azure SQL Managed Instance adalah lingkungan SQL Server yang nyaris lengkap di cloud yang ideal untuk migrasi langsung.

  • SQL Database (Hyperscale) adalah tingkat SQL yang sangat dapat diskalakan yang dirancang untuk beban kerja besar-besaran dengan penskalaan otomatis yang cepat dan pencadangan yang cepat.

  • Azure Database for PostgreSQL adalah layanan PostgreSQL terkelola yang mendukung ekstensi sumber terbuka dan opsi penyebaran fleksibel.

  • Azure Database for MySQL adalah database MySQL terkelola untuk aplikasi web dan beban kerja sumber terbuka.

  • SQL Database in Fabric adalah database transaksional yang ramah pengembang, berdasarkan SQL Database, yang dapat Anda gunakan untuk dengan mudah membuat database operasional di Fabric.

Gunakan tabel berikut untuk membantu menentukan layanan Azure mana yang memenuhi persyaratan kasus penggunaan Anda.

Pelayanan Paling cocok untuk Fitur utama Contoh kasus penggunaan
SQL Database Aplikasi cloud-native Terkelola, kumpulan elastis, Hyperscale, ketersediaan tinggi terintegrasi, keamanan tingkat lanjut Membangun aplikasi software as a service (SaaS) modern dengan menggunakan back end SQL yang dapat diskalakan
Instans Terkelola SQL Aplikasi perusahaan lama Kompatibilitas SQL Server penuh, dukungan lift-and-shift, jaringan virtual, audit tingkat lanjut Memigrasikan aplikasi SQL Server lokal dengan menggunakan perubahan kode minimal
SQL Database (Hyperscale) Distribusi global Skalabilitas baca multi-wilayah, replikasi geografis, penskalaan otomatis yang cepat Menyajikan aplikasi yang terdistribusi secara global dan memerlukan throughput baca yang tinggi.
Azure Database for PostgreSQL Beban kerja analitik sumber terbuka PostGIS, Hyperscale, Server Fleksibel, ekstensi sumber terbuka Mengembangkan aplikasi analitik geospasial dengan menggunakan PostgreSQL dan PostGIS
Basis Data Azure untuk MySQL Aplikasi web ringan Server Fleksibel, kompatibilitas sumber terbuka, hemat biaya Menghosting situs e-niaga berbasis WordPress
SQL Database in Fabric Beban kerja pemrosesan transaksi online (OLTP) dalam ekosistem Fabric Dibangun di atas mesin SQL Database, dapat diskalakan, dan diintegrasikan ke dalam Fabric Membangun aplikasi AI pada model data relasional operasional yang mencakup kemampuan pencarian vektor asli

Penyimpanan data nonrelasional

Database nonrelasional, juga disebut database NoSQL, mengoptimalkan skema fleksibel, skala horizontal, dan pola akses atau agregasi tertentu. Mereka biasanya melonggarkan beberapa aspek perilaku relasional, seperti kekakuan skema dan cakupan transaksi, untuk skalabilitas atau kelincahan.

Penyimpanan data berbasis dokumen

Gunakan penyimpanan data dokumen untuk menyimpan dokumen semi terstruktur, seringkali dalam format JSON, di mana setiap dokumen menyertakan bidang dan data bernama. Data dapat berupa nilai sederhana atau elemen kompleks, seperti daftar dan koleksi anak. Fleksibilitas skema per dokumen memungkinkan evolusi bertahap.

Kekuatan: Pemetaan objek aplikasi alami, agregat denormalisasi, pengindeksan multi-bidang

Pertimbangan: Pertumbuhan ukuran dokumen, cakupan transaksi selektif, kebutuhan akan desain bentuk data yang cermat untuk kueri skala tinggi

Beban kerja: Katalog produk, manajemen konten, penyimpanan profil

Pilih layanan Azure untuk penyimpanan data dokumen

  • Azure Cosmos DB for NoSQL adalah database NoSQL multi-wilayah tanpa skema yang memiliki baca dan tulis latensi rendah.

  • Azure Cosmos DB for MongoDB adalah database terdistribusi secara global yang memiliki kompatibilitas protokol kawat MongoDB dan penskalaan otomatis.

  • Azure Cosmos DB dalam Fabric adalah database NoSQL tanpa skema yang memiliki baca dan tulis latensi rendah, manajemen yang disederhanakan, dan analitik Fabric bawaan.

Gunakan tabel berikut untuk membantu menentukan layanan Azure mana yang memenuhi persyaratan kasus penggunaan Anda.

Pelayanan Paling cocok untuk Fitur utama Contoh kasus penggunaan
Azure Cosmos DB untuk NoSQL Model dokumen JSON kustom yang mendukung kueri seperti SQL Bahasa kueri yang komprehensif, penulisan multi-wilayah, waktu hidup (TTL), umpan perubahan Membangun platform SaaS multipenyewa yang mendukung skema fleksibel
Azure Cosmos DB untuk MongoDB Aplikasi yang menggunakan driver MongoDB atau API yang ber sentris JSON Distribusi global, skala otomatis, protokol kawat MongoDB asli Memigrasikan aplikasi Node.js dari MongoDB ke Azure
Azure Cosmos DB dalam Fabric Analitik real time melalui data NoSQL Ekstrak, transformasi, dan pemuatan otomatis (ETL) ke OneLake melalui integrasi Fabric Aplikasi transaksi yang menyertakan dasbor analitik real-time

Penyimpanan data keluarga kolom

Database keluarga kolom, juga dikenal sebagai database kolom lebar, menyimpan data jarang ke dalam baris dan mengatur kolom dinamis ke dalam keluarga kolom untuk mendukung akses bersama. Orientasi kolom meningkatkan pemindaian melalui kumpulan kolom yang dipilih.

Kekuatan: Rendemen tulis tinggi, pengambilan data yang luas atau jarang, skema dinamis dalam kelompok data

Pertimbangan: Kunci baris depan dan desain keluarga kolom, dukungan indeks sekunder bervariasi, fleksibilitas kueri lebih rendah dari relasional

Beban kerja: Telemetri Internet of Things (IoT), personalisasi, pengolahan awal analitik, data besar bergaya deret waktu saat Anda tidak menggunakan database deret waktu khusus

Pilih layanan Azure untuk penyimpanan data keluarga kolom

Gunakan tabel berikut untuk membantu menentukan layanan Azure mana yang memenuhi persyaratan kasus penggunaan Anda.

Pelayanan Paling cocok untuk Fitur utama Contoh kasus penggunaan
Azure Managed Instance for Apache Cassandra Beban kerja Cassandra baru dan yang dimigrasikan Apache Cassandra terkelola dan asli Pengumpulan telemetri perangkat IoT yang mendukung kompatibilitas Cassandra
Apache HBase di HDInsight Ekosistem Hadoop, pemrosesan analitik batch Integrasi Hadoop Distributed File System (HDFS), pemrosesan batch skala besar Pemrosesan data sensor secara batch di pabrik produksi
Azure Data Explorer (Kusto) Telemetri penyerapan tinggi, analitik rangkaian waktu KQL, kueri ad-hoc cepat, fungsi jendela waktu Analitik real time untuk log dan metrik aplikasi

Penyimpanan data kunci-nilai

Penyimpanan data kunci-nilai mengaitkan setiap nilai data dengan kunci unik. Sebagian besar penyimpanan kunci-nilai hanya mendukung operasi kueri, sisipkan, dan hapus sederhana. Untuk memodifikasi nilai, baik itu sebagian atau sepenuhnya, aplikasi harus menimpa data yang ada untuk keseluruhan nilainya. Di sebagian besar implementasi, membaca atau menulis satu nilai adalah operasi atom.

Kekuatan: Kesederhanaan, latensi rendah, skalabilitas linier

Pertimbangan: Ekspresi kueri terbatas, desain ulang yang diperlukan untuk pencarian berbasis nilai, biaya timpa nilai besar

Beban kerja: Cache, sesi, pengaturan fitur, profil pengguna, pencarian rekomendasi

Pilih layanan Azure untuk penyimpanan data bernilai kunci

  • Azure Managed Redis adalah penyimpanan data dalam memori terkelola berdasarkan versi Redis Enterprise terbaru yang menyediakan latensi rendah dan throughput tinggi.

  • Azure Cosmos DB for Table adalah penyimpanan kunci-nilai yang dioptimalkan untuk akses cepat ke data NoSQL terstruktur.

  • Azure Cosmos DB for NoSQL adalah penyimpanan data dokumen yang dioptimalkan untuk akses cepat ke data NoSQL terstruktur dan memberikan skalabilitas horizontal.

Gunakan tabel berikut untuk membantu menentukan layanan Azure mana yang memenuhi persyaratan kasus penggunaan Anda.

Pelayanan Paling cocok untuk Fitur utama Contoh kasus penggunaan
Azure Managed Redis Penembolokan berkecepatan tinggi, status sesi, penerbit-pelanggan Penyimpanan dalam memori, latensi submillisecond, protokol Redis Caching halaman produk untuk situs e-commerce
Azure Cosmos DB untuk Tabel Memigrasikan beban kerja Azure Table Storage yang sudah ada Kompatibilitas Table Storage API Menyimpan preferensi dan pengaturan pengguna di aplikasi seluler
Azure Cosmos DB untuk NoSQL Penembolokan berkecepatan tinggi dengan skala besar dan ketersediaan tinggi Tanpa skema, multi-wilayah, skala otomatis Penembolokan, status sesi, lapisan penyajian

Penyimpanan data grafik

Database grafik menyimpan informasi sebagai simpul dan tepi. Tepi menentukan hubungan, dan simpul dan tepi dapat memiliki properti yang mirip dengan kolom tabel. Anda dapat menganalisis koneksi antar entitas, seperti karyawan dan departemen.

Kekuatan: Pola kueri yang memprioritaskan hubungan, pencarian melalui kedalaman variabel yang efisien

Pertimbangan: Overhead jika hubungan dangkal, memerlukan pemodelan yang hati-hati untuk kinerja, tidak ideal untuk pemindaian analitik dalam jumlah besar

Beban kerja: Jejaring sosial, cincin penipuan, grafik pengetahuan, dependensi rantai pasokan

Pilih layanan Azure untuk penyimpanan data grafik

Gunakan ekstensi grafik SQL Server untuk menyimpan data grafik. Ekstensi grafik memperluas kemampuan SQL Server, SQL Database, dan SQL Managed Instance untuk memungkinkan pemodelan dan kueri hubungan kompleks dengan menggunakan struktur grafik langsung dalam database relasional.

Penyimpanan data rangkaian waktu

Penyimpanan data rangkaian waktu mengelola sekumpulan nilai yang diatur menurut waktu. Mereka mendukung fitur seperti kueri dan agregasi berbasis waktu dan dioptimalkan untuk menyerap dan menganalisis data dalam volume besar hampir secara real time.

Kekuatan: Kompresi, performa kueri berjendela, penanganan pemasukan yang tidak berurutan

Pertimbangan: manajemen kardinalitas tag, biaya retensi, strategi penurunan sampel

Beban kerja: Metrik sensor IoT, telemetri aplikasi, pemantauan, data industri

Pilih layanan Azure untuk penyimpanan data rangkaian waktu

Gunakan Azure Data Explorer untuk menyimpan data rangkaian waktu. Azure Data Explorer adalah platform analitik big data terkelola, berkinerja tinggi, yang memudahkan untuk menganalisis data dalam volume tinggi hampir secara real time.

Penyimpanan data objek

Simpan objek biner besar atau semi terstruktur dan sertakan metadata yang jarang berubah atau tetap tidak dapat diubah.

Kekuatan: Skala virtual tanpa batas, biaya berjenjang, durabilitas, kemampuan baca paralel

Pertimbangan: Operasi seluruh objek, kueri metadata terbatas, perilaku daftar akhir

Beban kerja: Aset media, cadangan, zona mentah data lake, arsip log

Pilih layanan Azure untuk penyimpanan data objek

  • Data Lake Storage adalah penyimpanan objek big data yang dioptimalkan yang menggabungkan namespace hierarkis dan kompatibilitas HDFS untuk analitik tingkat lanjut dan pemrosesan data skala besar.

  • Blob Storage adalah penyimpanan objek yang dapat diskalakan untuk data yang tidak terstruktur seperti gambar, dokumen, dan cadangan yang mencakup akses berjenjang untuk pengoptimalan biaya.

Gunakan tabel berikut untuk membantu menentukan layanan Azure mana yang memenuhi persyaratan kasus penggunaan Anda.

Pelayanan Paling cocok untuk Fitur utama Contoh kasus penggunaan
Data Lake Storage Analitik big data dan data hierarkis HDFS, namespace hierarkis, dioptimalkan untuk analitik Menyimpan dan mengkueri petabyte data terstruktur dan tidak terstruktur dengan menggunakan Azure Synapse Analytics atau Azure Databricks
Penyimpanan Blob Penyimpanan objek tujuan umum Namespace datar, REST API sederhana, dan penyimpanan berjenjang yang mencakup panas, dingin, dan arsip Menghosting gambar, dokumen, cadangan, dan konten situs web statis

Mencari dan mengindeks penyimpanan data

Database mesin pencari memungkinkan aplikasi untuk mencari informasi di penyimpanan data eksternal. Database mesin pencari dapat mengindeks data dalam volume besar dan menyediakan akses mendekati real-time ke indeks ini.

Kekuatan: Kueri teks lengkap, penilaian, analisis linguistik, pencocokan fuzzy

Pertimbangan: Konsistensi akhir indeks, alur penyerapan atau pengindeksan terpisah, biaya pembaruan indeks besar

Beban kerja: Pencarian situs atau produk, pencarian log, pemfilteran metadata, penemuan multi-atribut

Pilih layanan Azure untuk penyimpanan data pencarian

Untuk informasi selengkapnya, lihat Memilih penyimpanan data pencarian di Azure.

Penyimpanan data pencarian berbasis vektor

Data pencarian vektor menyimpan dan mengambil representasi data vektor dimensi tinggi, yang sering dihasilkan oleh model pembelajaran mesin.

Kekuatan: Pencarian semantik, algoritma ANN

Pertimbangan: Kompleksitas pengindeksan, overhead penyimpanan, latensi versus akurasi, tantangan integrasi

Beban kerja: Pencarian dokumen semantik, mesin rekomendasi, pengambilan gambar dan video, penipuan, dan deteksi anomali

Pilih layanan Azure untuk penyimpanan data pencarian vektor

Untuk informasi selengkapnya, lihat Memilih layanan Azure untuk pencarian vektor.

Penyimpanan data analitik

Pustaka data analitik menyimpan big data dan mempertahankannya secara berkesinambungan sepanjang siklus hidup alur analitik.

Kekuatan: Komputasi dan penyimpanan yang dapat diskalakan, dukungan untuk SQL dan Spark, integrasi dengan alat BI, seri waktu, dan analisis telemetri

Pertimbangan: Biaya dan kompleksitas orkestrasi, latensi kueri untuk beban kerja ad-hoc, tata kelola di beberapa domain data

Beban kerja: Pelaporan perusahaan, analitik big data, agregasi telemetri, dasbor operasional, alur ilmu data

Pilih layanan Azure untuk penyimpanan data analitik

Untuk informasi selengkapnya, lihat Memilih penyimpanan data analitik di Azure.

Karakteristik perbandingan (model nonrelasional inti)

Aspek Dokumen Keluarga kolom Nilai kunci Graph
Normalisasi Denormalisasi Denormalisasi Denormalisasi Hubungan yang dinormalisasi
Pendekatan skema Skema saat pembacaan data Keluarga kolom yang ditentukan, skema kolom saat dibaca Skema saat pembacaan data Skema saat pembacaan data
Konsistensi (standar) Dapat disesuaikan untuk setiap item Untuk setiap baris atau keluarga Untuk setiap kunci Untuk setiap semantik tepi atau traversal
Cakupan atomisitas Dokumen Baris atau keluarga, tergantung pada implementasi tabel Kunci tunggal Transaksi grafik (bervariasi)
Penguncian dan konkurensi Optimis (ETag) Pesimis atau optimis, tergantung pada implementasi Optimis (utama) Optimis (pola)
Pola akses Agregat (entitas) Agregat jarang luas Pencarian titik menurut kunci Penelusuran hubungan
Pengindeksan Primer dan sekunder Primer dan sekunder terbatas Kunci Utama Primer dan terkadang sekunder
Bentuk data Hierarkis fleksibel Tabel jarang lebar Nilai buram Simpul dan tepi
Kesesuaian Renggang/Lebar Ya/Ya Ya/Ya Ya/Tidak Tidak/Tidak
Ukuran data umum Kecil–sedang Sedang–besar Kecil Kecil
Dimensi skala Jumlah partisi Lebar ukuran partisi dan keluarga kolom Ruang kunci Jumlah simpul atau tepi

Karakteristik komparatif (model nonrelasi khusus)

Aspek Rangkaian waktu Objek (blob) Pencarian/Pengindeksan
Normalisasi Dinormalisasi Denormalisasi Denormalisasi
Schema Skema saat membaca (penanda) Nilai tidak transparan dan metadata Skema saat menulis (pemetaan indeks)
Cakupan atomisitas N/A (tambahkan) Objek Untuk setiap dokumen atau operasi indeks
Pola akses Pemindaian bagi waktu, agregasi berbasis jendela Operasi pada seluruh objek Kueri dan filter teks
Pengindeksan Waktu dan tambahan opsional Kunci (jalur) saja Faset terbalik dan opsional
Bentuk data Tabular (tanda waktu, tag, nilai) Biner atau blob dengan metadata Teks yang ditokenisasi dan bidang terstruktur
Tulis profil Penambahan laju tinggi Pembaruan massal atau jarang Indeks sekumpulan atau aliran
Membaca profil Rentang teragregasi Unduhan keseluruhan atau parsial Set hasil berperingkat
Pendorong pertumbuhan Laju peristiwa dikalikan dengan retensi Jumlah dan ukuran objek Volume dokumen terindeks
Toleransi konsistensi Penyelesaian untuk data tertunda Baca-setelah-tulis untuk setiap objek Untuk penyelesaian dokumen baru

Pilih di antara model (heuristik)

Perlu Lebih suka
Transaksi multi-entitas yang ketat Relasional
Bentuk agregat yang berkembang, API yang berpusat pada JSON Dokumen
Pencarian kunci atau cache dengan latensi sangat rendah Nilai kunci
Telemetri lebar, jarang, berat tulis Famili Kolom atau Rangkaian Waktu
Penelusuran mendalam hubungan Graph
Pemindaian analitik besar-besaran terhadap data historis Analitik atau OLAP
Biner besar yang tidak terstruktur atau zona danau Objek
Relevansi dan pemfilteran teks lengkap Pencarian dan pengindeksan
Metrik tanda waktu penyerapan tinggi dengan kueri jendela Rangkaian waktu
Kesamaan cepat (semantik atau vektor) Pencarian vektor

Menggabungkan model dan menghindari perangkap

Gunakan lebih dari satu model saat skenario berikut berlaku:

  • Pola akses berbeda, seperti pencarian titik versus pemindaian analitik lebar versus relevansi teks lengkap.
  • Siklus hidup dan retensi berbeda, seperti data mentah yang bersifat tidak berubah versus terstruktur yang dikurasi.
  • Persyaratan latensi dan throughput sering kali bertentangan.

Hindari fragmentasi dini:

  • Gunakan satu layanan saat masih memenuhi tujuan performa, skala, dan tata kelola.
  • Pusatkan logika klasifikasi bersama, dan hindari alur transformasi duplikat di seluruh penyimpanan kecuali diperlukan.

Perhatikan antipattern umum berikut:

  • Beberapa layanan mikro berbagi satu database, yang menciptakan kopling.
  • Tim menambahkan model lain tanpa kematangan operasional, seperti pemantauan dan pencadangan.
  • Indeks pencarian menjadi penyimpanan data utama, yang menyebabkan penyalahgunaan.

Kapan harus mengevaluasi kembali pilihan model Anda

Tanda Kemungkinan tindakan
Meningkatkan penggabungan ad-hoc pada sistem penyimpanan dokumen Memperkenalkan model baca relasional
CPU tinggi pada indeks pencarian karena agregasi analitis Pindahkan ke mesin pengolah analitik
Dokumen denormalisasi besar menimbulkan kontensi pembaruan parsial Bentuk ulang agregat atau memisahkan
Kueri rentang waktu lambat di penyimpanan berbasis kolom Mengadopsi database seri waktu yang dibuat khusus
Latensi pencarian titik naik dengan kedalaman traversal grafik Menambahkan tampilan materialisasi turunan

Langkah selanjutnya

Gunakan artikel berikut untuk memilih penyimpanan data khusus:

Pelajari tentang arsitektur referensi yang menggunakan layanan Azure dalam artikel ini:

  • Last updated on