Ieteikumi datu veiktspējas optimizēšanai

Attiecas uz šo Power Platform labi arhitektūras veiktspējas efektivitātes kontrolsaraksta ieteikumu:

PE:08 Optimizējiet datu veiktspēju. Optimizējiet datu krātuves paredzētajam un faktiskajam izmantošanai darba slodzē.

Šajā rokasgrāmatā ir aprakstīti ieteikumi datu veiktspējas optimizēšanai. Datu veiktspējas optimizēšana nozīmē uzlabot efektivitāti, ar kādu darba slodze apstrādā un glabā datus. Katra darba slodzes operācija, darījums vai aprēķins parasti ir atkarīgs no ātras un precīzas datu izgūšanas, apstrādes un glabāšanas. Optimizējot datu veiktspēju, darba slodze darbojas nevainojami. Apdraudēta datu veiktspēja rada domino efektu ar sliktu veiktspējas efektivitāti. Datu veiktspējas neoptimizēšana izraisa reakcijas aizkavēšanos, paaugstinātu latentumu un samazinātu mērogojamību. Tas apdraud visas darba slodzes efektivitāti.

Definīcijas

Termins Definīcija
Datu krātuve Resurss, kas glabā datus, piemēram, datu bāzi, objektu krātuvi vai failu koplietojumu.
Rādītājs Datu bāzes struktūra, kas nodrošina ātru piekļuvi vienumiem.
Tiešsaistes analītiskā apstrāde (OLAP) Tehnoloģija, kas organizē lielas biznesa datu bāzes, atbalsta sarežģītu analīzi un veic sarežģītus analītiskus vaicājumus, negatīvi neietekmējot darījumu sistēmas.
Tiešsaistes darījumu apstrāde (OLTP) Tehnoloģija, kas reģistrē biznesa mijiedarbību, kad tā notiek organizācijas ikdienas darbībās.
Sadalīšanas Fiziskas datu sadalīšanas process atsevišķos datu krātuvēs.
Vaicājumu regulēšana Process, kas optimizē datu bāzes vaicājuma ātrumu.

Galvenās dizaina stratēģijas

Lai optimizētu datu lietojumu, pārliecinieties, ka datu krātuves ir optimizēti paredzētajam lietojumam un faktiskai izmantošanai darba slodzē. Optimizēta datu izmantošana var uzlabot vaicājumu veiktspēju, samazināt resursu patēriņu un uzlabot vispārējo sistēmas efektivitāti. Apsveriet šādas stratēģijas:

  • Profila dati. Izprotiet savus datus un pārliecinieties, ka datu modelis ir piemērots jūsu darba slodzei. Apsveriet tādus faktorus kā datu normalizēšana un sadalīšanas metodes. Lai efektīvi izgūtu datus, pārliecinieties, ka esat atlasījis atbilstošus datu tipus un definējiet relācijas starp tabulām.

  • Optimizējiet vaicājuma veiktspēju. Analizējiet un optimizējiet vaicājumus, kas tiek izpildīti darba slodzē. Izmantojiet tādus paņēmienus kā vaicājumu optimizācija un kešatmiņa. Izmantojiet servera puses skatus, lai iepriekš filtrētu datus. Lai identificētu vājās vietas, izmantojiet veiktspējas uzraudzības rīkus un pēc tam veiciet nepieciešamos uzlabojumus.

  • Regulāri uzraugiet un noregulējiet sistēmu. Nepārtraukti pārraugiet darba slodzes veiktspēju un atkārtojiet datu krātuves konfigurāciju un vaicājumu optimizāciju. Balstoties uz veiktspējas regulēšanas labāko praksi, analizējiet sistēmas metriku, identificējiet uzlabojumu jomas un ieviesiet izmaiņas. Pieaugot datiem, iespējams, būs jāatjaunina vaicājumi, lai saglabātu veiktspēju.

Profila dati

Datu profilēšana ietver datu pārbaudi no avota un informācijas vākšanu par to. Mērķis ir izprast darba slodzes datu kvalitāti, struktūru un īpašības. Šis process ļauj identificēt tādas problēmas kā trūkstošās vērtības, dublikāti, nekonsekventi formāti un citas anomālijas.

Lai nodrošinātu efektīvu datu profilēšanu, apsveriet šādas stratēģijas:

  • Izprotiet datu struktūru. Pārbaudiet savu datu struktūru, tostarp tabulas, kolonnas un relācijas. Nosakiet datu tipus, garumus un ierobežojumus, kas tiek lietoti katrai kolonnai. Datu struktūras novērtēšana palīdz saprast, kā dati ir organizēti un kā tie ir saistīti ar citiem datu elementiem.

  • Analizējiet datu apjomu. Novērtējiet savu datu apjomu, lai izprastu kopējo lielumu un izaugsmes modeļus. Nosakiet ierakstu vai dokumentu skaitu un atsevišķu tabulu vai kolekciju lielumu. Šī informācija palīdz novērtēt krātuves prasības un identificēt mērogojamības problēmas.

  • Identificējiet datu relācijas. Izpētiet attiecības starp datu elementiem. Izprotiet, kā dati tiek savienoti, lai varētu noteikt, kā izmaiņas vienā tabulā vai dokumentā var ietekmēt saistītos datus.

  • Novērtējiet datu kvalitāti. Novērtējiet savu datu kvalitāti, pārbaudot tādus faktorus kā pilnīgums, precizitāte, konsekvence un unikalitāte. Identificējiet datu anomālijas, trūkstošās vērtības vai ierakstu dublikātus, kas var ietekmēt datu integritāti un vaicājuma veiktspēju. Šī darbība palīdz noteikt datu tīrīšanas un uzlabošanas jomas.

  • Tveriet datu izplatīšanu. Analizējiet vērtību sadalījumu katrā kolonnā, lai noteiktu datu modeļus. Identificējiet biežas un retas vērtības, izņēmumus un datu šķiebas. Lai optimizētu vaicājuma veiktspēju, analizējiet, vai alternatīvās atslēgas būtu piemērotas, lai nodrošinātu uzlabotu veiktspēju.

Datu veiktspējas pārraudzība

Datu veiktspējas uzraudzība ir prakse, kas konsekventi izseko datu krātuvju efektivitāti. Tas ietver datu operācijām specifisku veiktspējas metrikas apkopošanu un analīzi, izmantojot rīkus, kas pielāgoti sistēmas līmeņa, datu bāzes vai trešo pušu uzraudzības risinājumiem. Efektīva datu veiktspējas uzraudzība ļauj proaktīvi identificēt un mazināt iespējamos vājās vietas, nodrošinot, ka ar datiem saistītie procesi un uzdevumi ir efektīvi.

Lai pārraudzītu datu veiktspēju, apsveriet šādas stratēģijas:

  • Apkopojiet konkrētus datus. Apkopojiet galvenos rādītājus, kas tieši saistīti ar datu veiktspēju. Šie rādītāji ietver vaicājumu atbildes laiku un datu caurlaidspēju.

  • Datubrīdinājumu iestatīšana. Iestatiet brīdinājumus tieši datu metrikai. Izmantojiet iepriekš definētus sliekšņus vai anomālijas šajos rādītājos, lai aktivizētu brīdinājumus. Brīdinājumi ļauj saņemt paziņojumus, ja veiktspējas rādītāji pārsniedz pieņemamos diapazonus vai uzrāda nenormālu uzvedību; Piemēram, ja datu bāzes vaicājums aizņem ilgāku laiku, nekā paredzēts, vai ja datu caurlaidspēja ievērojami samazinās. Šos brīdinājumus var iestatīt, izmantojot specializētus uzraudzības rīkus vai pielāgotus skriptus.

  • Diagnosticējiet datu veiktspējas problēmas. Regulāri pārskatiet apkopotos datu rādītājus, lai identificētu iespējamos veiktspējas trūkumus vai datu operāciju pasliktināšanos. Vizualizācijas rīki vai informācijas paneļi var būt nenovērtējami šajā procesā, palīdzot izcelt tendences, vājās vietas un datu veiktspējas novirzes. Kad tas ir identificēts, izpētiet šo problēmu pamatcēloņus un plānojiet atbilstošas novēršanas darbības.

Sadalījuma dati

Sadalīšana ietver lielu datu kopu vai liela apjoma darba slodzes sadalīšanu mazākās, pārvaldāmās apakškopās. Sadalīšana uzlabo datu veiktspējas efektivitāti, sadalot darba slodzi un uzlabojot paralēlo apstrādi. Tas arī nodrošina efektīvāku piekļuvi datiem, pamatojoties uz konkrētām vajadzībām un vaicājumu modeļiem. Datus var sadalīt vertikāli vai horizontāli (saukts arī par sadalīšanu). Piemēram, ja izmantojat Dataverse elastīgas tabulas, apsveriet, kādai jābūt sadalīšanas atslēgai.

Stratēģija Definīcija Piemērs Gadījumu izmantošana
Vertikālā nodalīšana Sadaliet tabulu mazākās tabulās, katram nodalījumam atlasot noteiktas kolonnas vai laukus. Katrs nodalījums ir pilnīgu datu apakškopa. Ja jums ir tabula ar kolonnām A, B, C un D, varat izveidot vienu tabulu ar kolonnām A un B un otru ar kolonnām C un D. - Tabulā ir daudz kolonnu, bet vaicājumi nepiekļūst visām kolonnām kopā.
- Dažas kolonnas ir lielākas nekā citas, un to atdalīšana var uzlabot I/O veiktspēju.
- Dažādām datu daļām ir dažādi piekļuves modeļi.
Horizontāla sadalīšana Sadalīt datus, pamatojoties uz rindām vai vērtību diapazoniem (pazīstams arī kā sadalījums). Katrā nodalījumā ir rindu apakškopa ar līdzīgām īpašībām. Ja jums ir tabula ar rindām no 1 līdz 1000, varat izveidot vienu nodalījumu ar rindām no 1 līdz 500 un otru ar rindām no 501 līdz 1000. - Datu kopa ir pārāk liela vienai atrašanās vietai vai serverim.
- Dati tiek piekļūti, pamatojoties uz konkrētiem diapazoniem vai filtriem.
- Nepieciešams sadalīt darba slodzi pa fiziskiem mezgliem vai serveriem, lai uzlabotu veiktspēju.

Lai sadalītu datus, apsveriet šādas darbības:

  • Analizējiet datus un vaicājumus. Analizējiet datus un vaicājumu modeļus, lai identificētu piemērotas sadalīšanas vai sadalīšanas stratēģijas. Izprotiet datu raksturu, piekļuves modeļus un izplatīšanas prasības.

  • Nosakiet atslēgu. Izvēlieties sadalījuma vai sadalīšanas atslēgu, lai izplatītu datus pa nodalījumiem vai fragmentiem. Rūpīgi atlasiet atslēgu, pamatojoties uz datu raksturlielumiem un vaicājuma prasībām.

  • Nosakiet loģiku. Nosakiet sadalījuma vai sadalīšanas loģiku, pamatojoties uz izvēlēto atslēgu. Apsveriet iespēju sadalīt datus diapazonos, lietot jaukšanas algoritmus vai izmantot citas sadalīšanas metodes.

Vaicājumu optimizēšana

Vaicājumu optimizēšana uzlabo vaicājumus, lai samazinātu kvalificējamos datus un atgrieztos datus. Šīs korekcijas palielina datu izgūšanas efektivitāti un ātrumu. Rezultātā datubāzei ir mazāka darba slodze, resursi darbojas efektīvāk un lietotāji var baudīt vienmērīgāku mijiedarbību.

Lai optimizētu datubāzes vaicājumus, apsveriet šādas stratēģijas:

  • Pārrakstīt vaicājumus. Pārskatiet un analizējiet sarežģītus vaicājumus, lai noteiktu iespējas tos pārrakstīt. Apsveriet vaicājumu loģikas pārstrukturēšanu, lieku darbību likvidēšanu vai vaicājumu sintakses vienkāršošanu.

  • Izvairieties no N+1 vaicājuma problēmas. Samaziniet datu bāzes apmeklējumu skaitu, izmantojot apvienojumus un partijveida ielādi, lai efektīvi izgūtu saistītos datus.

  • Pārkārtot savienojumus. Novērtējiet un apsveriet iespēju mainīt savienošanas secību, lai samazinātu rindu skaitu katrā savienošanas darbībā. Tabulu savienošanas secība var ietekmēt vaicājuma veiktspēju.

  • Kešatmiņas vaicājumi. Saglabājiet bieži izpildītu vaicājumu rezultātus, lai tos varētu viegli atkārtoti izmantot. Vaicājumu kešatmiņa novērš nepieciešamību atkārtoti palaist vienu un to pašu vaicājumu un samazina vaicājumu apstrādes izmaksas.

  • Uzraudzīt un regulēt. Uzraugiet vaicājumu veiktspējas rādītājus, piemēram, izpildlaiku, resursu izmantošanu un vaicājumu caurlaidspēju. Izmantojiet datubāzes profilēšanas rīkus un uzraudzības funkcijas, lai identificētu slikti funkcionējošus vaicājumus. Izmantojiet šo informāciju, lai optimizētu vaicājumu veiktspēju.

Datu arhivēšana un dzēšana

Arhivēšana un tīrīšana ir stratēģijas, kas racionalizē datu glabāšanu. Arhivēšana pārvieto vecākus, retāk piekļūtus datus uz izmaksu ziņā efektīvāku krātuvi. Datu tīrīšana neatgriezeniski noņem liekos datus. Abas metodes veicina veiktspējas efektivitāti, samazinot datu apjomu, palielinot datu piekļuves ātrumu un saīsinot dublēšanas un atkopšanas laiku.

  • Datu apjoma samazināšana: Mazāks datu apjoms nozīmē ātrāku apstrādes laiku, nodrošinot ātru atbildi uz lietotāju pieprasījumiem.
  • Datu piekļuves ātruma palielināšana: Apgriezts datu kopums nodrošina ātrāku vaicājumu veikšanu un datu izgūšanu, optimizējot sistēmas reaģētspēju.
  • Dublēšanas un atkopšanas laika samazināšana: Mazāki datu kopumi paātrina dublēšanas un atjaunošanas procesus, samazinot dīkstāves laiku un nodrošinot nemainīgu veiktspēju.

Arhivēšana un tīrīšana ir būtiska, lai datu vadītās sistēmās saglabātu maksimālu veiktspējas efektivitāti.

Optimizēt krātuves slodzi

Krātuves slodzes optimizēšana nozīmē pieprasījumu racionalizēšanu krātuves sistēmai. Tas palīdz novērst nevajadzīgus pieprasījumus, uzlabo datu izgūšanu un novērš krātuves sistēmas pārslodzi. Krātuves slodzes optimizēšana nodrošina, ka krātuves sistēma turpina reaģēt uz likumīgiem pieprasījumiem un saglabā maksimālu veiktspēju. Ieviest stratēģijas, lai samazinātu apstrādes slodzi datu krātuvē. Lai optimizētu datu krātuves slodzi, apsveriet tālāk norādītās stratēģijas.

Izmantojiet kešatmiņu

Kešatmiņā bieži piekļūtie dati tiek glabāti ātras piekļuves krātuves apgabalā, padarot datu izgūšanu ātrāku nekā to izgūšanu no galvenā avota. Šī metode uzlabo datu veiktspēju, samazinot piekļuves laiku un izvairoties no atkārtotas datu izgūšanas. Kešatmiņa uzlabo lasīšanas ātrumu un lietotāja reakcijas laiku, īpaši bieži piekļūtiem datiem. Šī metode ir visefektīvākā statiskiem datiem vai datiem, kas reti mainās.

Lai nodrošinātu optimālu kešatmiņas efektivitāti, ņemiet vērā tādus faktorus kā derīguma termiņa politikas, izlikšanas stratēģijas un kešatmiņas lieluma pārvaldība. Pielāgojiet iestatījumus, piemēram, dzīves ilgumu (TTL), lai nodrošinātu optimālu veiktspēju. Lai optimizētu krātuves slodzi, izmantojot kešatmiņu, apsveriet šādas stratēģijas:

  • Kešatmiņa atmiņā: Veiciet kešatmiņu atmiņā, lai bieži piekļūtos datus saglabātu atmiņā ātrai izguvei. Šo metodi var izmantot lietojumprogrammu datiem, kuru aprēķināšana vai izgūšana no datubāzes ir dārga. Kešatmiņa atmiņā ir noderīga datiem, kurus bieži lasāt, bet tie nemainās bieži. Piemēram, varat izmantot mainīgos mākoņplūsmās vai kolekcijās audekla lietotnēs, lai kešatmiņā saglabātu datus.

  • Datu bāzes vaicājumu kešatmiņa: Izmantojiet šo metodi, lai kešatmiņā saglabātu datu bāzes vaicājumu rezultātus, lai izvairītos no viena un tā paša vaicājuma vairākkārtējas palaišanas. Datu bāzes vaicājumu kešatmiņa ir noderīga sarežģītiem un laikietilpīgiem datu bāzes vaicājumiem. Kad kešatmiņā saglabājat vaicājuma rezultātus, turpmākie pieprasījumi tam pašam vaicājumam tiek atgriezti ātri. Apsveriet arī iespēju izmantot servera puses skatus, lai iepriekš filtrētu datus un sašaurinātu vaicājumam atbilstošos datus.

  • Satura piegādes tīkla kešatmiņa: Izmantojiet šo metodi, lai kešatmiņā saglabātu tīmekļa saturu izkliedētos tīkla serveros, lai samazinātu latentumu un uzlabotu satura piegādi. Satura piegādes tīkla kešatmiņa ir efektīva statiskam saturam, piemēram, attēliem, CSS failiem un JavaScript failiem. Satura piegādes tīkli satura kopijas glabā vairākās vietās visā pasaulē, lai lietotāji varētu piekļūt saturam no servera, kas atrodas viņiem ģeogrāfiski tuvumā.

Optimizēt datu atjauninājumus

Datu atjauninājumu optimizēšana ietver veikto datu atjauninājumu novērtēšanu, lai nodrošinātu to veiktspēju. Atjauninājumi var ietekmēt veiktspēju vairāk nekā citas darbības, jo tie var izraisīt nevajadzīgu darbu un bloķēšanas konfliktus.

Lai novērtētu, kā optimizēt datu atjauninājumus, apsveriet:

  • Datu izmaiņas. Optimizējiet automatizāciju, lai izmantotu datu vai filtru priekšattēlus, tādējādi samazinot darbu, ja nav notikušas nekādas faktiskas izmaiņas. Izvairieties no automatizācijas aktivizēšanas nemodificētiem datiem.

  • Automatizācija. Novērtējiet, kad un kā atjauninājumi tiek aktivizēti, pamatojoties uz datu izmaiņām, un optimizējiet aktivizētājus, iekļaujot filtru. Piemēram, lai aktivizētu automatizāciju tikai tad, kad tiek modificēts konkrēts lauks datu avotā. Novērtējiet atjauninājumus, kas pakāpeniski vairākas reizes aktivizē automatizāciju. Tā vietā apsveriet, vai varat izveidot pielāgotu darbību, lai apstrādātu visu apstrādi. Piemēram, ja pasūtījums tiek nosūtīts un nosūtīšanas datums un izsekošanas numurs tiek atjaunināti atsevišķi, tos abus var atjaunināt vienlaikus pielāgotā darbībā “ShipOrder”.

  • Strupceļi. Novērtējiet lēnas atjaunināšanas darbības, kas varētu radīt problēmas vairāku plūsmu dēļ, kas atjaunina vienus un tos pašus datus dažādās secībās. Šī neefektivitāte var izraisīt bloķējošus konfliktus vai pat potenciālus strupceļus, kā rezultātā rodas nevajadzīga atkārtota apstrāde. Atjauniniet dažādos resursus vienā un tajā pašā secībā, lai samazinātu strīdus.

  • Masveida atjauninājumi. Ja veicat darbības vairākās tabulas rindās, apsveriet iespēju izmantot lielapjoma operācijas.

Optimizējiet datu kustību un apstrādi

Datu kustības un apstrādes optimizēšana ietver ar datu ieguvi, pārveidošanu, ielādi un apstrādi saistīto darbību efektivitātes un veiktspējas uzlabošanu. Apsveriet šādus galvenos datu kustības un apstrādes optimizācijas aspektus:

  • Izvilkšanas, pārveidošanas un ielādes (ETL) optimizācija Optimizējiet ETL procesus, lai samazinātu apstrādes laiku. Jūs varat racionalizēt ieguves procesu, ieviest efektīvus pārveidošanas algoritmus un optimizēt ielādes procesu. Padarot katru soli efektīvu, jūs optimizējat kopējo darbplūsmu.

  • Paralēla apstrāde Izmantojiet paralēlās apstrādes metodes, lai uzlabotu veiktspēju. Sadalot datu apstrādes uzdevumus vairākos pavedienos vai mezglos, darba slodzi var sadalīt un apstrādāt vienlaikus, kas nodrošina ātru apstrādi.

  • Partijas apstrāde Grupējiet līdzīgus uzdevumus kopā, lai samazinātu atkārtotu darbību radītās papildu izmaksas. Apstrādājiet vairākus uzdevumus partijā, lai samazinātu kopējo apstrādes laiku.

Datu tuvuma dizains

Datu tuvums attiecas uz datu stratēģisku izvietojumu tuvāk lietotājiem vai pakalpojumiem, kas tiem piekļūst visbiežāk. Fiziskā vai loģiskā attāluma samazināšana starp datiem un to lietotājiem nodrošina ātrāku piekļuvi datiem un uzlabotu reaģētspēju. Lai optimizētu dizainu tuvumam, apsveriet šīs stratēģijas:

  • Novērtējiet datu piekļuves modeļus Novērtējiet savas darba slodzes piekļuves modeļus un bieži piekļūtos datus. Šī analīze var palīdzēt noteikt, kur izvietot datus, lai iegūtu maksimālu labumu.

  • Izvēlieties risinājumus, kas atbalsta datu pārvietošanu: apsveriet risinājumus, kas piedāvā dinamisku datu pārvietošanu, pamatojoties uz mainīgiem piekļuves modeļiem, nodrošinot optimālu datu pozicionēšanu.

  • Izvēlieties risinājumus, kas atbalsta datu sinhronizāciju: ja apkalpojat sadalītu lietotāju bāzi, izvēlieties risinājumus, kas iespējo datu sinhronizāciju dažādos reģionos, lai nodrošinātu, ka datu replikas ir pieejamas lietotāju tuvumā.

Kompromiss: ja pamatā esošie dati bieži mainās, ieviesiet kešatmiņas anulēšanas mehānismu, lai nodrošinātu, ka kešatmiņā saglabātie dati paliek atjaunināti.

Power Platform Atvieglošana

Datu veiktspējas pārraudzība: lai pārraudzītu datu veiktspēju, apsveriet iespēju izmantot Azure Monitor , lai apkopotu un analizētu infrastruktūras metriku, žurnālus un lietojumprogrammu datus. Jūs varat integrēt Monitor ar citiem pakalpojumiem, piemēram Application Insights. Application Insights nodrošina lietojumprogrammu veiktspējas uzraudzību un atbalsta daudzas platformas.

Application Insights apkopo lietošanas un veiktspējas datus. Varat izmantot žurnālu analīzi , lai korelētu šos datus ar konfigurācijas un veiktspējas datiem Azure resursos. Datu plūsma Application Insights pašlaik nodrošina veiktspējas datus, kas saistīti ar Dataverse API ienākošajiem zvaniem, Dataverse spraudņu izpildes zvaniem un Dataverse SDK zvaniem. Dataverse

Vaicājumu datu modeļu optimizēšana audekla programmās: izpildiet dokumentētos norādījumus un ieteikumus. Skatiet sadaļu Optimizētie vaicājumu datu modeļi Power Apps.

Optimizējiet to, kā pielāgojat, paplašināt vai integrēt ar Dataverse: Izpildiet dokumentēto paraugpraksi un norādījumus. Skatiet paraugpraksi un norādījumus lietošanas Microsoft Dataverse laikā.

Optimizējiet datu bāzes vaicājumus un indeksu veiktspēju: izmantojiet Azure SQL datu bāzes vaicājumu veiktspējas ieskatu līdzekli, lai optimizētu vaicājumus, tabulas un datu bāzes. Šo līdzekli var izmantot arī, lai identificētu un novērstu vaicājumu veiktspējas problēmas.

Relāciju datu bāzēm ievērojiet indeksa noformēšanas vadlīnijas, SQL Server indeksa norādījumus un Azure Cosmos DB indeksa vadlīnijas. Izmantojiet SQL datu bāzi, lai veiktu automātisku vaicājumu regulēšanu un uzlabotu to veiktspēju.

SQL datu bāzēm regulāri jāpārkārto vai jāpārveido indeksi. Identificējiet lēnus vaicājumus un noregulējiet tos, lai uzlabotu veiktspēju. Daudziem datu bāzes programmiem ir vaicājumu regulēšanas līdzekļi. Lai iegūtu papildinformāciju, skatiet vaicājumu veiktspējas paraugpraksi.

Azure Cosmos DB ir noklusējuma indeksēšanas politika , kas indeksē katru katra vienuma rekvizītu un ievieš diapazona indeksus jebkurai virknei vai skaitlim. Šī politika nodrošina efektīvu vaicājumu veiktspēju, un indeksi nav jāpārvalda iepriekš.

Optimizējiet krātuves slodzi: daudzi Azure datu bāzes pakalpojumi atbalsta lasīšanas replikas. Lasīšanas repliku pieejamība un konfigurācija atšķiras atkarībā no Azure datu bāzes pakalpojuma. Skatiet katra pakalpojuma oficiālo dokumentāciju, lai izprastu detaļas un iespējas.

Veiktspējas efektivitātes kontrolsaraksts

Skatiet pilnu ieteikumu kopumu.

Veiktspējas efektivitātes kontrolsaraksts

  • Last updated on