Podsumowanie

  • 2 min

W tym module przedstawiono możliwości wydajności usługi Azure SQL w porównaniu z programem SQL Server. Przedstawiono również zadania dotyczące wydajności, takie jak konfiguracja i utrzymywanie.

Do zapewnienia spójnej wydajności potrzebne jest monitorowanie i rozwiązywanie problemów. W tym module przedstawiono różne metody i narzędzia służące do monitorowania wydajności i rozwiązywania związanych z nią problemów z praktycznymi działaniami w scenariuszu skalowania procesora CPU. Następnie przedstawiono, jak zwiększyć skalowanie procesora CPU dla obciążenia bez konieczności przeprowadzania migracji dla bazy danych. Zwiększenie wydajności aplikacji nie zawsze wymaga nowej skali na platformie Azure, dlatego przedstawiono typowy scenariusz wąskiego gardła wydajności, który został ulepszony przez dostrajanie obciążenia zapytania.

Na koniec przedstawiono unikatowe funkcje inteligentnej wydajności w usłudze Azure SQL Database. Obejmują one inteligentne przetwarzanie zapytań, automatyczną korektę planu i automatyczne indeksowanie.

Dowiedz się więcej

Dowiedz się więcej o wydajności usługi Azure SQL z następujących zasobów:

  • Stałe pojemności do wyboru dla procesora CPU, pamięci i operacji we/wy. Zbadaj limity zasobów dla usługi Azure SQL Managed Instance i baz danych.
  • Konfiguracja we/wy dla usługi Azure SQL Managed Instance może poprawić wydajność.
  • Dostępne są znane narzędzia, takie jak dynamiczne widoki zarządzania i zdarzenia rozszerzone.
  • Funkcja Magazyn zapytań jest domyślnie włączona i obsługuje funkcje takie jak Dostrajanie automatyczne.
  • Metryk platformy Azure można użyć do zastępowania funkcji takiej jak Monitor wydajności systemu Windows.
  • Można użyć widoku sys.dm_db_resource_stats, który jest przeznaczony dla platformy Azure.
  • Możliwe jest użycie typów oczekiwań specyficznych dla platformy Azure, takich jak LOG_RATE_GOVERNOR.
  • Skaluj w górę i w dół bez konieczności migrowania.
  • Korzystaj z zalet inteligentnej wydajności w celu zwiększenia szybkości. Funkcja Dostrajanie automatyczne używa uczenia maszynowego do rekomendowania ważnych najlepszych rozwiązań dotyczących wydajności, takich jak indeksy.