VMCategory type
VMCategories definierade för virtuella Azure-datorer.
Se: https://learn.microsoft.com/en-us/azure/virtual-machines/sizes/overview?tabs=breakdownseries%2Cgeneralsizelist%2Ccomputesizelist%2Cmemorysizelist%2Cstoragesizelist%2Cgpusizelist%2Cfpgasizelist%2Chpcsizelist#general-purpose
KnownVMCategory kan användas synonymt med VMCategory, den här uppräkningen innehåller de kända värden som tjänsten stöder.
Kända värden som stöds av tjänsten
GeneralPurpose: VM-storlekar för generell användning ger ett balanserat förhållande mellan processor och minne. Utmärkt för testning och utveckling, små till medelstora databaser och webbservrar med låg till medelhög trafik.
ComputeOptimized: Beräkningsoptimerade VM-storlekar har ett högt förhållande mellan processor och minne. Dessa storlekar är bra för webbservrar med medelhög trafik, nätverksinstallationer, batchprocesser och programservrar.
MemoryOptimized: Minnesoptimerade VM-storlekar ger ett högt förhållande mellan minne och CPU som är bra för relationsdatabasservrar, medelstora till stora cacheminnen och minnesintern analys.
StorageOptimized: Lagringsoptimerade storlekar för virtuella datorer (VM) erbjuder högt diskdataflöde och I/O och är idealiska för stordata, SQL, NoSQL-databaser, datalagerhantering och stora transaktionsdatabaser.
Exempel är Cassandra, MongoDB, Cloudera och Redis.
GpuAccelerated: GPU-optimerade VM-storlekar är specialiserade virtuella datorer som är tillgängliga med enkla, flera eller bråkiga GPU:er.
Dessa storlekar är utformade för beräkningsintensiva, grafikintensiva och visualiseringsarbetsbelastningar.
FpgaAccelerated: FPGA-optimerade VM-storlekar är specialiserade virtuella datorer som är tillgängliga med en eller flera FPGA:er.
Dessa storlekar är utformade för beräkningsintensiva arbetsbelastningar. Den här artikeln innehåller information om antalet och typen av FPGA, vCPU:er, datadiskar och nätverkskort.
Lagringsdataflöde och nätverksbandbredd ingår också för varje storlek i den här grupperingen.
HighPerformanceCompute: Virtuella Azure-datorer med höga prestanda är optimerade för olika HPC-arbetsbelastningar, till exempel beräkningsströmningsdynamik, analys av finita element, EDA på klientsidan och serverdelen, rendering, molekylär dynamik, geovetenskaplig beräkning, vädersimulering och finansiell riskanalys.
type VMCategory = string
