Riepilogo
In questo modulo sono state illustrate le funzionalità di prestazioni di Azure SQL rispetto a SQL Server. Sono state inoltre apprese attività per le prestazioni quali la configurazione e la manutenzione.
Per garantire prestazioni coerenti, sono necessarie attività di monitoraggio e risoluzione dei problemi. In questo modulo sono stati appresi i vari metodi e strumenti per monitorare le prestazioni e risolvere i relativi problemi, con attività pratiche per uno scenario di ridimensionamento della CPU. Si è quindi appreso come migliorare il ridimensionamento della CPU per il carico di lavoro senza alcuna migrazione necessaria per il database. Il miglioramento delle prestazioni delle applicazioni non sempre richiede un nuovo ridimensionamento in Azure, quindi è stato appreso come migliorare uno scenario comune di collo di bottiglia delle prestazioni ottimizzando il carico di lavoro delle query.
Infine, sono state apprese le funzionalità esclusive delle prestazioni intelligenti nel database SQL di Azure. Queste includono l'elaborazione intelligente delle query, la correzione automatica dei piani e l'indicizzazione automatica.
Altre informazioni
Per altre informazioni sulle prestazioni di Azure SQL, vedere le risorse seguenti:
- Capacità fisse da scegliere per CPU, memoria e I/O. Esaminare i limiti delle risorse per Istanza gestita di SQL di Azure e i database.
- La configurazione di I/O per Istanza gestita di SQL può migliorare le prestazioni.
- Sono disponibili strumenti familiari, come le DMV e gli eventi estesi.
- Query Store è attivo per impostazione predefinita e supporta funzionalità come l'Ottimizzazione automatica.
- È possibile usare Metriche di Azure per sostituire funzionalità come Performance Monitor di Windows.
- È possibile usare sys.dm_db_resource_stats, una DMV progettata per Azure.
- È possibile usare tipi di attesa specifici di Azure, come LOG_RATE_GOVERNOR.
- Aumentare o ridurre le prestazioni senza dover eseguire la migrazione.
- Sfruttare le prestazioni intelligenti per ottenere maggiore velocità. L'ottimizzazione automatica usa le tecniche di Machine Learning per consigliare importanti procedure consigliate per le prestazioni, ad esempio gli indici.