데이터 비용 최적화를 위한 권장 사항

  • 아티클

이 Azure Well-Architected Framework 비용 최적화 검사 목록 권장 사항에 적용됩니다.

CO:10 데이터 비용을 최적화합니다. 데이터 우선 순위가 있는 데이터 지출. 데이터 최적화에는 데이터 관리(계층화 및 보존), 볼륨, 복제, 백업, 파일 형식 및 스토리지 솔루션에 대한 개선 사항이 포함되어야 합니다.

이 가이드에서는 워크로드에 대한 데이터 비용을 최적화하기 위한 권장 사항을 설명합니다. 데이터 비용 최적화에는 데이터의 중요성 및 액세스 빈도에 따라 데이터의 스토리지 및 관리와 관련된 비용을 최소화해야 합니다. 적절한 데이터 관리는 오버헤드 비용을 크게 줄이고 데이터 유틸리티와 지출을 맞출 수 있습니다. 데이터 비용 최적화를 소홀히 하면 잘못된 스토리지 솔루션 및 불필요한 데이터 보존으로 인한 비용 부풀리기, 비효율적인 리소스 할당 및 재정적 낭비가 발생할 수 있습니다.

정의

용어 정의
데이터 수명 주기 관리 생성부터 삭제까지 전체 수명 주기 동안 데이터를 관리하는 프로세스입니다. 이 프로세스에는 해당 값 및 사용 패턴에 따라 데이터를 구성, 저장, 보호 및 보관하는 작업이 포함됩니다.
데이터 중복 여러 스토리지 시스템 또는 위치에 중복된 데이터 복사본을 저장하는 방법입니다. 데이터 중복의 목적은 데이터 가용성 및 내결함성을 개선하는 것입니다.
데이터 계층화 액세스 빈도에 따라 데이터를 분류하고 그에 따라 스토리지 계층에 저장하는 스토리지 전략입니다.
보존 정책 데이터를 삭제하기 전에 보존해야 하는 기간입니다. 법률, 규정 또는 비즈니스 요구 사항을 충족하기 위해 데이터를 보존해야 하는 기간을 지정합니다.

주요 디자인 전략

특정 워크로드 내에서 데이터 저장 및 관리와 관련된 비용을 줄여 데이터 비용을 최적화합니다. 데이터 스토리지 및 처리 비용을 최소화하기 위한 다양한 전략과 모범 사례가 있습니다. 목표는 데이터 비용을 데이터 우선 순위에 맞추는 것입니다. 액세스의 중요성 또는 빈도에 따라 데이터 형식에 비용 계층을 할당해야 합니다.

워크로드 데이터 비용의 주요 동인은 액세스 빈도, 액세스 대기 시간 및 스토리지 양입니다. 다음 지침에는 이러한 비용 드라이버에서 비용을 최적화하기 위한 전략이 포함되어 있습니다.

데이터 인벤토리 가져오기

데이터 비용을 최적화하려면 데이터 인벤토리를 생성해야 합니다. 데이터 액세스를 검사하고 워크로드 및 작업 내에서 중요도를 확인합니다. 자주 액세스되는 데이터와 액세스 빈도가 낮은 데이터를 식별합니다. 다음 인벤토리 작업은 스토리지 리소스를 효과적으로 할당하는 데 도움이 될 수 있습니다.

  • 데이터 액세스 정보 수집: 데이터 감사를 수행하여 모든 데이터 저장소를 식별하고 카탈로그화합니다. 비즈니스 운영, 투자 수익률 및 사용 빈도에 따라 데이터 세트의 가치를 결정합니다. 데이터 스토리지 솔루션에서 액세스 로그, 사용 메트릭 또는 분석을 수집합니다.

  • 데이터 형식 식별: 개인 데이터, 재무 데이터, 지적 재산권 또는 운영 데이터와 같은 형식에 따라 데이터를 분류합니다. 각 데이터 형식의 민감도 및 중요도를 이해합니다.

  • 액세스 패턴 식별: 매일, 매주 또는 월별 사용 패턴과 같은 데이터 액세스의 패턴을 식별합니다. 해당 데이터에 대한 대기 시간, 파일 크기 및 데이터 새로 고침 요구 사항을 이해해야 합니다.

데이터 우선 순위 지정

데이터 우선 순위 지정은 민감도 및 중요도에 따라 중요도 수준을 분류하고 데이터 형식에 할당하는 프로세스입니다. 데이터 우선 순위는 환경의 중요성과 일치해야 합니다. 예를 들어 프로덕션 데이터는 사전 프로덕션 데이터보다 더 중요합니다.

다음 단계를 사용하여 워크로드에 대한 다양한 유형의 데이터의 중요성을 평가합니다.

  1. 우선 순위 수준 정의: organization 값, 규정 요구 사항 및 데이터 손실의 잠재적 영향에 따라 데이터에 대한 우선 순위 수준(예: 높음, 중간 및 낮음)을 설정합니다. 목표는 데이터 우선 순위를 적절한 데이터 솔루션에 맞추는 것입니다.

  2. 레이블 할당: 각 데이터 집합의 민감도 및 중요도에 레이블을 지정합니다. 데이터 구조 및 사용량에 따라 행, 열 또는 파일 수준에서 레이블을 적용할 수 있습니다. 데이터베이스의 경우 특수 도구를 사용하여 데이터의 민감도와 중요도를 특정 행 및 열에 레이블을 지정하고 연결할 수 있습니다. 이 방법은 데이터의 관리 및 액세스에 대한 세분화된 제어를 제공합니다.

데이터 관리 최적화

데이터 관리는 워크로드 데이터를 저장, 이동 및 보호하는 프로세스입니다. 데이터 관리를 최적화하면 지출을 데이터 우선 순위에 맞게 조정하고 데이터에서 더 많은 가치를 도출할 수 있습니다. 데이터 관리에 대한 다음 전략을 고려합니다.

데이터 수명 주기 관리 최적화

수명 주기 내내 데이터를 관리하는 것이 중요합니다. 수명 주기의 단계에는 데이터 생성(또는 획득), 스토리지, 사용량, 공유, 보존 및 폐기(삭제 또는 보관)가 포함됩니다. 데이터 수명 주기 관리의 목표는 관련 규정 및 정책을 준수하면서 데이터 스토리지 솔루션을 최적화하는 것입니다.

데이터 스토리지에는 세 가지 중요한 비용 구성 요소가 있습니다.

  • 스토리지 비용: 기가바이트당 데이터 저장과 관련된 비용입니다.

  • 트랜잭션 비용: 쓰기 작업, 읽기 작업 및 데이터 검색(기가바이트당)과 같은 데이터 작업에 연결된 비용입니다. 데이터를 읽고 쓰면 비용이 다를 수 있습니다.

  • 대기 시간 비용: 데이터 액세스 속도 또는 지연과 관련된 비용입니다.

다음 고려 사항은 데이터 수명 주기 관리의 기초입니다.

  • 데이터 계층화 사용: 데이터 계층화의 목표는 액세스 및 보존을 가장 비용 효율적인 스토리지 계층에 맞추는 것입니다. 스토리지 계층은 자주/즉시 액세스(핫)에서 자주/지연된 액세스(콜드)에 이르기까지 다양합니다.

    데이터 액세스 및 보존 요구 사항에 맞지 않는 계층을 사용하는 데 더 많은 비용이 듭니다. 예를 들어 애플리케이션이 자주 액세스하는 데이터는 핫 스토리지에 있어야 합니다. 애플리케이션이 자주 액세스하지 않는 데이터는 콜드 스토리지에 있어야 합니다. 이러한 측면을 효과적으로 관리하면 효율적인 데이터 스토리지를 보장하는 데 도움이 됩니다.

  • 규정 준수 요구 사항을 고려합니다. 데이터 계층화를 구현하려면 규정 준수 요구 사항 및 데이터 거버넌스 정책을 신중하게 고려해야 합니다. 규정 준수 및 법적 요구 사항은 종종 데이터 액세스 및 보존을 유도합니다. 법률, 규정 및 비즈니스 요구 사항을 준수하도록 데이터 보존 정책을 설정합니다.

  • 데이터 수명 주기 정책을 정의합니다. 데이터 수명 주기 정책은 미리 정의된 조건에 따라 스토리지 계층 간에 데이터를 이동하는 시기와 방법을 지정합니다. 이러한 정책은 필요한 기간 동안 데이터를 적절한 계층에 유지하도록 합니다. 예를 들어 정책은 데이터를 핫 계층에서 30일 동안, 쿨 계층에서 90일 동안, 보관 계층에서 1년 동안 보존해야 한다고 명시할 수 있습니다. 법적 요구 사항, 업계 규정 또는 내부 정책과 같은 요인에 따라 보존 기간을 설정합니다.

  • 자동화 사용: 보존 정책은 계층 간 데이터 이동을 트리거할 수 있습니다. 사용자 지정 솔루션을 빌드하기 전에 플랫폼 기능을 사용하여 정책을 자동화해야 합니다.

    특정 계층의 보존 기간이 만료되면 정책은 자동으로 데이터를 다음 저비용 계층으로 이동할 수 있습니다. 예를 들어 핫 계층의 보존 기간이 종료되면 정책은 데이터를 쿨 계층으로 이동할 수 있습니다. 이 정책은 액세스 패턴 및 비용 요구 사항에 따라 데이터가 지속적으로 최적화되도록 합니다.

절충: 데이터 보존 정책을 관리하려면 지속적인 모니터링 및 유지 관리가 필요합니다. 데이터 관리 프로세스에 더 많은 오버헤드가 발생할 수 있습니다. 스토리지 비용에도 영향을 줄 수 있습니다. 보존 기간이 길어지거나 고비용 스토리지 계층을 사용하면 스토리지 비용이 증가할 수 있습니다.

위험: 데이터 수명 주기 관리를 제대로 구현하지 못하면 데이터가 손실되거나 중요한 데이터에 대한 액세스가 제한될 수 있습니다. 데이터 손실 위험을 완화하기 위한 적절한 백업 및 복구 메커니즘이 있어야 합니다.

데이터 구분 최적화

데이터 구분 최적화에는 데이터를 고유 세그먼트로 전략적으로 구성하고 유사한 데이터 형식을 통합하여 스토리지 리소스를 효율적으로 할당해야 합니다. 이를 통해 스토리지 리소스의 할당을 데이터 우선 순위에 맞게 조정할 수 있습니다.

데이터 구분을 효과적으로 최적화하려면 형식 및 사용 패턴별로 데이터를 분류합니다. 그런 다음, 운영 유사성 및 요구 사항에 따라 가장 효과적인 솔루션에 데이터 세그먼트를 배치합니다. 예를 들어 검색 시간이 더 빠른 리소스에 고성능 스토리지가 필요한 데이터를 배치합니다. 보관 데이터는 검색 시간이 느린 저렴한 리소스를 사용합니다.

이 방법을 사용하면 수요가 많은 데이터가 최적의 성능을 위해 더 빠른 스토리지를 사용하고 덜 액세스된 데이터는 더 저렴한 스토리지를 사용합니다. 마찬가지로 데이터 형식이 사용 패턴을 공유하는 경우 오버헤드를 줄이고 관리를 간소화하며 데이터 처리를 개선하기 위해 단일 리소스에 그룹화해야 합니다.

데이터 전송 최소화

데이터 전송을 최소화하는 것은 데이터 전송 비용을 줄이기 위해 네트워크 간 데이터 이동 감소를 의미합니다. 워크로드가 이동하는 데이터 볼륨을 줄이고 네트워크 사용 요금을 낮춥니다. 데이터 전송을 최소화하려면 다음 권장 사항을 고려합니다.

  • 올바른 위치를 사용합니다. 데이터를 사용자에게 지리적으로 더 가깝게 배치합니다. 데이터 근접성을 통해 네트워크 이동이 줄어들어 액세스 속도가 빨라지고 비용이 최적화됩니다.
  • 캐싱을 사용하세요. 데이터 전송을 최소화하기 위해 캐싱의 이점을 고려합니다.
  • 콘텐츠 배달 네트워크를 사용합니다. 콘텐츠 배달 네트워크는 자주 읽는 정적 데이터를 사용자에게 더 가깝게 저장할 수 있습니다. 네트워크 간 데이터 이동을 줄이고 대역폭 사용을 오프로드하는 데 도움이 됩니다.

보안 및 규정 준수 최적화

특정 프로덕션 데이터에는 더 높은 보안 및 규정 준수 요구 사항이 필요합니다. 이러한 조치는 데이터 보호, 암호화, 백업, 보존 및 감사와 관련된 추가 비용을 부과할 수 있습니다.

데이터 스토리지 솔루션의 변경 내용이 이러한 요구 사항을 준수하는지 확인해야 합니다. 보안 및 규정 준수 요구 사항이 낮은 데이터는 종종 비용을 최적화할 수 있는 기회를 제공합니다.

데이터 볼륨 최적화

저장하는 데이터의 양을 줄이는 전략을 찾는 것은 비용을 줄이는 데 도움이 될 수 있습니다. 데이터의 접근성을 변경하고 다음 기술을 구현하면 저장된 데이터의 볼륨을 효과적으로 최적화할 수 있습니다.

  • 더 적은 데이터 캡처: 캡처하는 데이터를 자세히 살펴보세요. 목적에 따라 필요하지 않은 항목이 있는지 확인합니다. 프로세스, 설정 또는 구성을 수정하여 필수 데이터만 캡처합니다.

  • 데이터 압축: 압축은 데이터 크기를 줄여 비용을 절감합니다. 쓰기가 한 번, 읽기가 안 되거나 거의 읽지 않는 시나리오에서 가장 효과적입니다. 콜드 스토리지에 더 적합합니다.

    절충: 데이터의 압축 및 압축 해제는 모두 CPU 시간을 증가합니다.

  • 불필요한 데이터 삭제: 관련 정보를 저장하는 프로세스를 간소화하는 정책을 구현합니다. 백업 및 스냅샷의 보존 기간을 평가하고 더 이상 필요하지 않은 데이터를 삭제합니다. 첫 번째 데이터 보관 및 일시 삭제 기간 사용과 같은 최종 데이터 삭제로 이어지는 프로세스가 있을 수 있습니다. 데이터를 삭제하기 전에 항상 복구 가능성을 고려합니다.

  • 중복 제거 데이터: 데이터 중복 제거 기술을 구현하여 중복 데이터를 제거합니다. 중복 제거는 고유한 데이터 블록만 저장하여 스토리지 요구 사항을 줄여 비용을 절감합니다. 해시 알고리즘 및 데이터 청크 비교를 사용합니다. 중복 제거 프로세스를 정기적으로 실행하여 중복 데이터를 식별하고 제거합니다.

  • 사용자 동작 최적화: 사용자 생성 데이터를 수집하는 워크로드에서 사용자에게 효율적인 데이터 스토리지의 중요성에 대해 교육합니다. 불필요한 파일과 데이터를 정기적으로 검토하고 삭제하도록 권장합니다. 과도한 데이터 스토리지를 권장하지 않는 스토리지 할당량 또는 가격 책정 모델을 구현합니다.

데이터 복제 최적화

데이터 복제에는 데이터의 여러 복사본을 만들고 안정성을 위해 다른 지리적 위치 또는 영역에 저장하는 작업이 포함됩니다. 복제를 통해 한 위치 또는 영역에서 오류 또는 중단이 발생하는 경우 다른 위치에 있는 복제된 복사본의 데이터에 계속 액세스할 수 있습니다.

이러한 중복성은 데이터의 가용성과 복원력을 개선하는 데 도움이 됩니다. 데이터 손실 및 가동 중지 시간의 위험을 최소화합니다.

비용 최적화를 위해 데이터 복제를 최적화하려면 다음 지침을 고려합니다.

  • 데이터 복제 요구 사항 평가: 워크로드의 특정 요구 사항을 평가하고 필요한 데이터 복제 수준을 결정합니다. 데이터 중요도, RTO(복구 시간 목표) 및 RPO(복구 지점 목표)와 같은 요인을 고려합니다.

  • 올바른 복제 전략 선택: 비용 최적화를 위한 목표에 부합하는 복제 기술을 선택합니다. 워크로드에 대한 SLA(서비스 수준 계약) 요구 사항을 고려합니다.

    동기 복제, 비동기 복제 또는 둘의 조합과 같은 옵션을 평가합니다. 데이터 일관성 요구 사항 및 네트워크 대역폭 고려 사항과 같은 요인에 따라 결정합니다. 워크로드에 필요한 가용성 수준을 평가하고 영역 및 지역 중복성의 필요성을 평가합니다.

  • 네트워크 대역폭 최적화: 압축 및 데이터 중복 제거 기술을 구현하여 네트워크 대역폭 사용을 최소화합니다. 이러한 기술은 복제 중에 전송되는 데이터의 양을 줄여 비용을 절감할 수 있습니다.

  • 복제 빈도 모니터링 및 최적화: 워크로드의 변화하는 요구 사항에 따라 복제 빈도를 정기적으로 검토하고 조정합니다. 복제 빈도를 미세 조정하면 불필요한 복제 오버헤드를 줄여 비용을 최적화할 수 있습니다.

백업 최적화

백업은 기본 스토리지와 별도로 만들고 저장할 수 있는 데이터의 주기적인 스냅샷 또는 복사본입니다. 데이터 손상, 실수로 인한 삭제 또는 시스템 오류가 있는 경우 백업을 사용하여 데이터를 이전 상태로 복원할 수 있습니다.

백업을 최적화하는 몇 가지 기술은 다음과 같습니다.

  • 데이터 분류: 백업의 중요도 및 우선 순위에 따라 데이터를 분류합니다. 분류를 사용하면 중요한 데이터를 백업하는 데 리소스를 집중하는 동시에 덜 중요한 데이터에 대한 백업 비용을 최소화할 수 있습니다.

  • 증분 백업: 매번 전체 백업을 수행하는 대신 증분 백업을 구현하는 것이 좋습니다. 증분 백업은 스토리지 및 네트워크 대역폭 요구 사항을 줄일 수 있는 마지막 백업 이후의 변경 내용만 캡처합니다.

    절충: 증분 백업에는 데이터를 복원하는 데 더 많은 단계와 시간이 필요합니다. 먼저 전체 백업을 복원한 다음 원하는 복원 지점에 도달할 때까지 각 증분 백업을 순서대로 적용해야 합니다.

  • 백업 압축: 백업 프로세스 중에 압축을 사용하도록 설정하여 백업 파일의 크기를 줄입니다. 압축된 백업에는 스토리지 공간이 더 적게 필요하므로 비용을 절감할 수 있습니다.

  • 백업 스토리지 계층: 백업 보존 정책을 평가하고 이전 백업을 콜드 스토리지 또는 보관 스토리지와 같은 저렴한 스토리지 계층으로 이동하는 것이 좋습니다. 액세스 빈도가 낮은 백업을 비용 효율적인 스토리지 옵션에 저장하면 비용을 최적화하는 데 도움이 됩니다.

  • 백업 보존 기간: 비즈니스 요구 사항 및 규정 준수 규정에 따라 백업의 보존 기간을 검토하고 조정합니다. 더 긴 기간 동안 백업을 유지 관리하면 추가 스토리지 비용이 발생할 수 있습니다.

  • 백업 빈도: 다양한 유형의 데이터에 대한 백업 빈도를 분석합니다. 데이터 변경 빈도 및 데이터의 중요도에 따라 백업 일정을 조정합니다. 이러한 사례는 불필요한 백업을 제거하고 스토리지 비용을 줄이는 데 도움이 됩니다.

파일 형식 최적화

파일 형식은 데이터의 입력/출력(I/O) 패턴 및 쿼리 패턴을 최적화하여 비용 최적화에 영향을 줍니다. 일부 파일 형식은 특정 시나리오를 충족합니다. 파일 형식을 워크로드 요구 사항에 맞게 조정하면 워크로드의 성능이 향상될 수 있습니다.

일반적인 형식에 대한 고려 사항은 다음과 같습니다.

  • Avro: Avro 파일 형식은 쓰기가 많은 I/O 패턴을 처리하거나 쿼리 패턴이 여러 행의 레코드를 전체적으로 가져와야 하는 경우에 적합합니다. Avro의 직렬화 및 역직렬화 프로세스는 효율적이므로 일련의 이벤트와 메시지를 연속해서 생성하는 Kafka와 같은 메시지 버스와 호환됩니다.

  • Parquet 및 ORC(최적화된 행 열 형식): Parquet 및 ORC 파일 형식은 읽기가 많은 I/O 패턴의 시나리오 또는 쿼리 패턴이 레코드의 특정 열에 초점을 맞출 때 유용합니다.

    두 형식 모두 열 형식 스토리지입니다. 즉, 데이터는 행 단위가 아닌 열별로 저장됩니다. 열 형식 스토리지를 사용하면 압축을 개선하고 효율적인 읽기 작업을 수행할 수 있습니다. 필요한 열만 가져와야 하므로 관련 없는 데이터에 대한 불필요한 I/O를 방지할 수 있습니다.

스토리지 솔루션 최적화

데이터에 가장 적합한 스토리지 방법 및 시스템을 평가하고 선택합니다. 이러한 노력에는 데이터베이스 전환, 다양한 스토리지 유형 사용 또는 캐싱 메커니즘 추가가 포함될 수 있습니다. 관리 용이성은 스토리지 솔루션을 선택할 때 고려해야 할 또 다른 요소입니다.

스토리지 솔루션을 데이터의 특정 요구 사항 및 특성에 맞게 조정하면 성능 및 확장성 요구를 충족하면서 비용 효율성을 높일 수 있습니다. 데이터베이스 전환 또는 서비스 교환과 관련된 비용이 있지만 잘못된 스토리지 솔루션에 데이터를 저장하면 추가 비용이 들 수 있습니다.

다음은 몇 가지 사용 사례입니다.

  • 데이터베이스 전환: 요구 사항에 더 적합한 데이터베이스 시스템으로 전환하는 것을 고려할 수 있습니다. instance 경우 관계형 데이터베이스를 사용하는 경우 데이터가 더 문서 지향적이거나 유연한 스키마가 필요한 경우 NoSQL 데이터베이스로 이동하는 옵션을 탐색할 수 있습니다.

  • 관계형 데이터베이스에서 플랫 파일 저장소로 이동: 경우에 따라 기존 관계형 데이터베이스 대신 플랫 파일에 데이터를 저장하면 단순성 및 비용 효율성과 같은 이점을 제공할 수 있습니다. 플랫 파일은 복잡한 쿼리가 필요하지 않은 로그 파일 또는 데이터와 같은 특정 유형의 데이터에 적합합니다. 예를 들어 SQL 데이터베이스에 이진 이미지를 저장할 수 있지만 특히 이진 데이터를 처리하는 스토리지 서비스에 저장하는 것이 비용 효율적입니다.

  • IaaS(Infrastructure as a Service)에서 PaaS(Platform as a Service)로 이동: IaaS 데이터베이스 솔루션은 핵심 작업에서 기술 팀의 주의를 돌리는 시간이 오래 걸리고 리소스 집약적인 속성일 수 있습니다. 데이터 볼륨의 증가와 수동 크기 조정, 백업 및 인프라 유지 관리의 과제로 인해 PaaS 솔루션이 비용 효율적이고 효율적일 수 있습니다.

  • 캐시 추가: 기본 데이터베이스 서버에서 리소스 사용량을 줄이려면 캐시 솔루션을 사용하여 복잡한 쿼리 결과를 캐싱하는 것이 좋습니다. 데이터베이스 서버의 권한을 부여하면 비용을 최적화하는 데 도움이 될 수 있습니다. 적용 가능한 사용 사례에서는 캐시된 데이터와 함께 TTL(Time to Live)을 사용하여 스토리지 요구 사항을 줄이고 비용을 줄이는 것이 좋습니다.

  • 쿼리 최적화 및 데이터 스토리지 저장소: 쿼리 최적화 저장소는 빠른 데이터 검색 및 분석을 위해 설계되었습니다. 빠른 데이터 수집 및 읽기에 중점을 두지만 자주 업데이트하지는 않습니다. 시계열 데이터와 최근 데이터에 대한 빠른 액세스에는 좋지만 트랜잭션 작업이 많은 경우에는 그렇지 않습니다.

    데이터 스토리지 저장소는 많은 양의 유연한 데이터, 특히 비구조적 또는 반구조적 데이터를 처리합니다. 데이터 스토리지 저장소는 분석을 지원할 수 있지만 복잡한 작업에는 특수 데이터베이스가 필요할 수 있습니다. NoSQL 사용 사례와 같은 시나리오에서 로그 또는 사용자 생성 콘텐츠와 같은 많은 변수 데이터를 저장하는 데 가장 적합합니다.

Azure 촉진

데이터 인벤토리 가져오기: Microsoft Purview는 organization 전체 데이터 자산을 관리, 보호 및 관리하는 데 도움이 될 수 있는 데이터 거버넌스, 위험 및 규정 준수 솔루션 제품군입니다. Microsoft Purview 솔루션은 통합 적용 범위를 제공하고 원격 사용자 연결의 최근 증가, 조직 전체의 데이터 조각화 및 기존 IT 관리 역할의 흐림을 해결하는 데 도움이 됩니다.

데이터 관리 최적화: Azure Storage 및 Azure Data Lake Storage 데이터 액세스 계층이 다릅니다. 또한 데이터 계층화 및 보존을 자동화하는 데이터 수 명 주기 관리 정책을 제공합니다.

규칙 기반 정책을 사용하여 Blob 데이터를 적절한 액세스 계층으로 전환하거나 수명 주기가 끝날 때 데이터를 만료할 수 있습니다. 이 정책을 사용하면 Blob에 액세스할 때 즉시 쿨(또는 콜드)에서 핫으로 전환하여 성능을 최적화할 수 있습니다.

백업 최적화: Azure Backup 서비스는 백업을 간소화하는 여러 기능을 제공합니다. 디스크 스냅샷을 통해 네이티브 데이터베이스 백업 및 스토리지 백업과 같은 기능을 제공합니다. 가상 머신 백업, 장기 보존 및 백업 관리를 지원합니다.

다음은 서비스의 몇 가지 기능입니다.

  • 모니터링: 백업 센터를 단일 창으로 사용하여 매일 작업 및 백업 인벤토리를 모니터링할 수 있습니다. Backup 센터는 Azure Monitor 로그 및 Azure 통합 문서를 사용하는 Backup 보고서에 대한 인터페이스를 제공합니다.

  • 보고서: 백업 보고서는 다음과 같은 기능을 제공합니다.

    • 사용된 클라우드 스토리지를 할당하고 예측합니다.
    • 백업 및 복원을 감사합니다.
    • 다양한 수준의 세분성에서 주요 추세를 식별합니다.
    • 백업에 대한 비용 최적화 기회에 대한 가시성과 인사이트를 얻습니다.

  • 예약된 용량: Azure Backup Storage 예약 용량은 1년 또는 3년 동안 예약에 커밋할 때 자격 증명 모음 표준 계층에 저장된 백업 데이터에 대한 용량을 할인합니다. 예약은 예약 기간 동안 고정된 백업 스토리지 용량을 제공합니다.

  • 보관 계층: Azure Backup 사용하여 organization 규정 준수 규칙이 정의하는 보존 요구 사항에 따라 LTR(장기 보존) 백업 데이터를 포함하여 백업 데이터를 저장할 수 있습니다. 대부분의 경우 이전 백업 데이터는 거의 액세스되지 않으며 규정 준수 요구 사항에 대해서만 저장됩니다. Azure Backup 스냅샷 및 표준 계층 외에도 보관 계층에서 LTR 지점의 백업을 지원합니다.

스토리지 솔루션 최적화: Azure에는 많은 스토리지 솔루션이 있습니다. 특정 요구 사항에 따라 비용을 최적화하는 데 도움이 되는 다양한 기능과 기능을 제공합니다. Azure에는 올바른 데이터 저장소를 선택하는 데 도움이 되는 지침이 있습니다.

가장 적합한 스토리지 솔루션 및 구성을 선택하려면 데이터 액세스 패턴, 보존 요구 사항 및 성능 요구 사항을 평가하는 것이 중요합니다. Azure Advisor와 같은 도구를 사용하여 스토리지 사용량을 정기적으로 모니터링하고 최적화하면 비용을 추가로 최적화하는 데 도움이 될 수 있습니다.

비용 최적화 검사 목록

전체 권장 사항 집합을 참조하세요.

비용 최적화 검사 목록