Gerçek zamanlı analiz, hızlı kararlar vermenizi ve geçerli içgörüleri temel alarak otomatik eylemler gerçekleştirmenize yardımcı olabilir. Ayrıca gelişmiş müşteri deneyimleri sunmanıza da yardımcı olabilir. Bu çözüm, Azure Synapse Analytics veri havuzlarının MongoDB'deki operasyonel veri değişiklikleriyle eşitlenmiş durumda tutulmasını açıklar.
Mimari
Aşağıdaki diyagramda Atlas'tan Azure Synapse Analytics'e gerçek zamanlı eşitlemenin nasıl uygulandığı gösterilmektedir. Bu basit akış, MongoDB Atlas koleksiyonunda gerçekleşen tüm değişikliklerin Azure Synapse Analytics çalışma alanında varsayılan Azure Data Lake Depolama deposuna çoğaltılmasını sağlar. Veriler Data Lake Depolama'a eklendikten sonra, analiz gereksinimlerinize bağlı olarak verileri ayrılmış SQL havuzlarına, Spark havuzlarına veya diğer çözümlere göndermek için Azure Synapse Analytics işlem hatlarını kullanabilirsiniz.
Bu mimarinin PowerPoint dosyasını indirin.
Veri akışı
MongoDB Atlas işletimsel veri deposundaki (ODS) gerçek zamanlı değişiklikler yakalanır ve gerçek zamanlı analiz kullanım örnekleri, canlı raporlar ve panolar için Azure Synapse Analytics çalışma alanında Data Lake Depolama'nin kullanımına sunulur.
MongoDB Atlas işletimsel/işlemsel veri deposundaki veri değişiklikleri Atlas tetikleyicileri tarafından yakalanır.
Atlas veritabanı tetikleyicisi bir olayı gözlemlediğinde değişiklik türünü ve değiştirilen belgeyi (tam veya delta) atlas işlevine geçirir.
Atlas işlevi, değişiklik olayını ve JSON belgesini geçirerek bir Azure işlevini tetikler.
Azure İşlevleri, değiştirilen belgeyi Azure Synapse Analytics çalışma alanında yapılandırılmış Data Lake Depolama yazmak için Azure Depolama Files Data Lake istemci kitaplığını kullanır.
Veriler Data Lake Depolama'a gönderildikten sonra ayrılmış SQL havuzlarına, Spark havuzlarına ve diğer çözümlere gönderilebilir. Alternatif olarak, Azure Synapse Analytics veri akışlarını kullanarak verileri JSON'dan Parquet veya Delta biçimlerine dönüştürebilir veya geçerli verilerde ek BI raporlaması veya yapay zeka /makine öğrenmesi çalıştırmak için işlem hatlarını kopyalayabilirsiniz.
Bileşenler
- MongoDB Atlas değişiklik akışları bir koleksiyon, veritabanı veya dağıtım kümesindeki değişiklikleri uygulamaları bilgilendirmenize olanak tanır. Değişiklik akışları, uygulamalara gerçek zamanlı veri değişikliklerine erişim verir ve değişikliklere anında tepki vermelerini sağlar. Bu işlev, alarmların tetiklendiği ve hızlı yanıt veren eylemlerin hemen gerçekleştirilebilir olduğu IoT olay izleme ve finansal veri değişiklikleri gibi kullanım durumlarında kritik öneme sahiptir. Atlas tetikleyicileri değişiklik akışlarını kullanarak değişiklikleri koleksiyonları izler ve tetikleyici olayına yanıt olarak ilişkili Atlas işlevini otomatik olarak çağırır.
- Atlas tetikleyicileri belirli bir koleksiyondaki belge eklemelerine, güncelleştirmelerine ve silme işlemlerine yanıt verir ve değişiklik olayına yanıt olarak otomatik olarak bir Atlas işlevi çağırabilir.
- Atlas işlevleri , Atlas tetikleyicisini çağıran olaylara göre eylemler gerçekleştirebilen sunucusuz, sunucu tarafı JavaScript kod uygulamalarıdır. Atlas tetikleyicilerini Atlas işlevleriyle birleştirmek, olay odaklı mimarilerin uygulanmasını kolaylaştırır.
- Azure İşlevleri, istediğiniz programlama diliyle uygulamaları verimli bir şekilde geliştirmek için kullanabileceğiniz olay odaklı, sunucusuz bir işlem platformudur. Diğer Azure hizmetlerine sorunsuz bir şekilde bağlanmak için de kullanabilirsiniz. Bu senaryoda Azure işlevi bir değişiklik olayını yakalar ve Azure Depolama Files Data Lake istemci kitaplığını kullanarak değiştirilen verileri içeren bir blobu Data Lake Depolama'a yazmak için kullanır.
- Data Lake Depolama, Azure Synapse Analytics'teki varsayılan depolama çözümüdür. Verileri doğrudan sorgulamak için sunucusuz havuzları kullanabilirsiniz.
- Azure Synapse Analytics'teki işlem hatları ve veri akışları, MongoDB'nin değiştirilen verilerini içeren blobu daha fazla analiz için ayrılmış SQL havuzlarına veya Spark havuzlarına göndermek için kullanılabilir. İşlem hatları, hem gerçek zamanlı hem de neredeyse gerçek zamanlı kullanım örneklerine yönelik çözümler oluşturmak üzere hem depolama olayı tetikleyicilerini hem de zamanlanmış tetikleyicileri kullanarak Data Lake Depolama'daki değiştirilmiş veri kümeleri üzerinde işlem yapmanızı sağlar. Bu tümleştirme, değişiklik veri kümelerinin aşağı akış tüketimini hızlandırır.
Alternatifler
Bu çözüm, Atlas değişiklik akışlarını dinleme ve değişiklik olayına yanıt olarak Azure İşlevleri tetikleme kodunu sarmak için Atlas tetikleyicilerini kullanır. Bu nedenle uygulanması, önceden sağlanan alternatif çözümden çok daha kolaydır. Bu çözüm için, Azure Uygulaması Service web uygulamasında akışları değiştirmek için kod yazmanız gerekir.
Diğer bir alternatif de MongoDB Spark Bağlan veya MongoDB akış verilerini okumak ve Delta tablolarına yazmaktır. Kod, Azure Synapse Analytics'teki bir işlem hattının parçası olan Spark Not Defteri'nde sürekli olarak çalıştırılır. Bu çözümü uygulama hakkında daha fazla bilgi için bkz . Spark akışını kullanarak Atlas'tan Azure Synapse Analytics'e eşitleme.
Ancak atlas tetikleyicilerinin Azure İşlevleri ile kullanılması tamamen sunucusuz bir çözüm sağlar. Sunucusuz olduğundan, çözüm güçlü ölçeklenebilirlik ve maliyet iyileştirmesi sağlar. Fiyatlandırma, kullandıkça öde maliyet modelini temel alır. Azure İşlevleri uç noktasını çağırmadan önce birkaç değişiklik olayını birleştirmek için Atlas işlevini kullanarak daha fazla tasarruf edebilirsiniz. Bu strateji yoğun trafik senaryolarında yararlı olabilir.
Ayrıca Microsoft Fabric, veri varlığınızı birleştirir ve veriler üzerinde analiz ve yapay zeka çalıştırmayı kolaylaştırarak içgörüleri hızla elde edersiniz. Doku'da Azure Synapse Analytics veri mühendisliği, veri bilimi, veri ambarı ve gerçek zamanlı analiz artık OneLake'e gönderilen MongoDB verilerini daha iyi kullanabilir. Atlas verilerini doğrudan OneLake'e yüklemek için Atlas için Hem Veri Akışı 2. Nesil hem de veri işlem hattı bağlayıcılarını kullanabilirsiniz. Bu kod içermeyen mekanizma, Atlas'tan OneLake'e veri almak için güçlü bir yol sağlar.
Doku'da, Herhangi bir ayıklama, dönüştürme, yükleme (ETL) olmadan OneLake kısayollarını kullanarak Data Lake Depolama gönderilen verilere doğrudan başvurabilirsiniz.
Bi raporlaması için raporlar ve görselleştirmeler oluşturmak için verileri Power BI'a gönderebilirsiniz.
Senaryo ayrıntıları
Birçok kurumsal uygulamanın operasyonel veri katmanı olan MongoDB Atlas, iç uygulamalardan, müşteriye yönelik hizmetlerden ve üçüncü taraf API'lerden gelen verileri birden çok kanaldan depolar. Bu verileri diğer geleneksel uygulamalardan gelen ilişkisel verilerle ve günlükler, nesne depoları ve tıklama akışları gibi kaynaklardan gelen yapılandırılmamış verilerle birleştirmek için Azure Synapse Analytics'teki veri işlem hatlarını kullanabilirsiniz.
Kuruluşlar uygulama odaklı zekayı etkinleştirmek için toplamalar, analitik düğümler, Atlas Search, Vektör Arama, Atlas Data Lake, Atlas SQL Arabirimi, Veri Federasyonu ve Grafikler gibi MongoDB özelliklerini kullanır. Ancak MongoDB'deki işlem verileri ayıklanır, dönüştürülür ve toplu iş, yapay zeka / makine öğrenmesi ve veri ambarı BI analizi ve zekası için Azure Synapse Analytics ayrılmış SQL havuzlarına veya Spark havuzlarına yüklenir.
Atlas ile Azure Synapse Analytics arasında veri taşımaya yönelik iki senaryo vardır: toplu tümleştirme ve gerçek zamanlı eşitleme.
Toplu iş tümleştirmesi
Verileri Azure Synapse Analytics'te Atlas'tan Data Lake Depolama taşımak için toplu iş ve mikro toplu iş tümleştirmesini kullanabilirsiniz. Geçmiş verilerin tamamını aynı anda getirebilir veya filtre ölçütlerine göre artımlı verileri getirebilirsiniz.
MongoDB şirket içi örnekleri ve MongoDB Atlas, Azure Synapse Analytics'te kaynak veya havuz kaynağı olarak tümleştirilebilir. Bağlayıcılar hakkında bilgi için bkz . MongoDB'den veya MongoDB'ye veri kopyalama veya MongoDB Atlas'tan veya MongoDB'ye veri kopyalama.
Kaynak bağlayıcı, şirket içi MongoDB'de ve/veya Atlas'ta depolanan operasyonel veriler üzerinde Azure Synapse Analytics'i çalıştırmayı kolaylaştırır. Kaynak bağlayıcıyı kullanarak Atlas'tan veri getirebilir ve verileri Parquet, Avro, JSON ve metin biçimlerindeki Data Lake Depolama veya CSV blob depolama olarak yükleyebilirsiniz. Bu dosyalar daha sonra çok veritabanı, çoklu bulut veya karma bulut senaryolarındaki diğer veri kaynaklarından diğer dosyalarla dönüştürülebilir veya birleştirilebilir. Bu kullanım örneği, kurumsal veri ambarı (EDW) ve ölçekli analiz senaryolarında yaygındır. Analiz sonuçlarını Atlas'ta depolamak için havuz bağlayıcısını da kullanabilirsiniz. Toplu tümleştirme hakkında daha fazla bilgi için bkz . Azure Synapse Analytics kullanarak MongoDB Atlas'ta operasyonel verileri analiz etme.
Gerçek zamanlı eşitleme
Bu makalede açıklanan mimari, Azure Synapse Analytics depolama alanınızı MongoDB'nin işletimsel verileriyle güncel tutmak için gerçek zamanlı eşitleme gerçekleştirmenize yardımcı olabilir.
Bu çözüm iki birincil işlevden oluşur:
- Atlas'ta değişiklikleri yakalama
- Değişiklikleri Azure Synapse Analytics'e yaymak için Azure işlevini tetikleme
Atlas'taki değişiklikleri yakalama
Değişiklikleri, Tetikleyici Ekle kullanıcı arabiriminde yapılandırabileceğiniz bir Atlas tetikleyicisi kullanarak veya Atlas App Services Yönetici API'sini kullanarak yakalayabilirsiniz. Tetikleyiciler eklemeler, güncelleştirmeler ve silmeler gibi veritabanı olaylarının neden olduğu veritabanı değişikliklerini dinler. Atlas tetikleyicileri, bir değişiklik olayı algılandığında atlas işlevini de tetikler. İşlevi eklemek için Tetikleyici Ekle kullanıcı arabirimini kullanabilirsiniz. Ayrıca, Atlas Yönetici API'sini kullanarak bir Atlas işlevi oluşturabilir ve bunu tetikleyici çağırma uç noktası olarak ilişkilendirebilirsiniz.
Aşağıdaki ekran görüntüsünde Atlas tetikleyicisi oluşturmak ve düzenlemek için kullanabileceğiniz form gösterilmektedir. Tetikleyici Kaynağı Ayrıntıları bölümünde, tetikleyicinin değişiklik olayları için izlediği koleksiyonu ve izlediği veritabanı olaylarını (ekleme, güncelleştirme, silme ve/veya değiştirme) belirtirsiniz.
Tetikleyici, etkinleştirildiği olaya yanıt olarak bir Atlas işlevini çağırabilir. Aşağıdaki ekran görüntüsünde, veritabanı tetikleyicisine yanıt olarak çağrılmak üzere Atlas işlevi olarak eklenen basit JavaScript kodu gösterilmektedir. Atlas işlevi, tetikleyicinin ne için etkinleştirildiğine bağlı olarak eklenen, güncelleştirilen, silinen veya değiştirilen belgeyle birlikte değişiklik olayının meta verilerini geçirerek bir Azure işlevini çağırır.
Atlas işlev kodu
Atlas işlev kodu, isteğin gövdesindeki tamamını changeEvent Azure işlevine geçirerek Azure işlev uç noktasıyla ilişkili Azure işlevini tetikler.
Yer tutucuyu <Azure function URL endpoint> gerçek Azure işlevi URL uç noktasıyla değiştirmeniz gerekir.
exports = function(changeEvent) {
// Invoke Azure function that inserts the change stream into Data Lake Storage.
console.log(typeof fullDocument);
const response = context.http.post({
url: "<Azure function URL endpoint>",
body: changeEvent,
encodeBodyAsJSON: true
});
return response;
};
Değişiklikleri Azure Synapse Analytics'e yaymak için Azure işlevini tetikleme
Atlas işlevi, değişiklik belgesini Azure Synapse Analytics'te Data Lake Depolama yazan bir Azure işlevini çağırmak için kodlanmıştır. Azure işlevi, depolama hesabınızı temsil eden sınıfın bir örneğini DataLakeServiceClient oluşturmak üzere Python SDK için Azure Data Lake Depolama istemci kitaplığını kullanır.
Azure işlevi kimlik doğrulaması için bir depolama anahtarı kullanır. Microsoft Entra ID OAuth uygulamalarını da kullanabilirsiniz. storage_account_key Dake Lake Depolama ile ilgili ve diğer öznitelikler, yapılandırılan işletim sistemi ortam değişkenlerinden getirilir. İstek gövdesinin kodu çözüldükten sonra , fullDocument (eklenen veya güncelleştirilen belgenin tamamı) istek gövdesinden ayrıştırılır ve data lake istemci işlevleri append_data ve flush_datatarafından Data Lake Depolama yazılır.
Silme işlemi için yerine fullDocumentBeforeChangefullDocumentkullanılır. fullDocument silme işleminde herhangi bir değere sahip olmadığından, kod silinmiş olan ve içinde fullDocumentBeforeChangeyakalanan belgeyi getirir. fullDocumentBeforeChange Önceki ekran görüntüsünde gösterildiği gibi yalnızca Belge Ön Gösterimi ayarı açık olarak ayarlandığında doldurulduğunu unutmayın.
import json
import logging
import os
import azure.functions as func
from azure.storage.filedatalake import DataLakeServiceClient
def main(req: func.HttpRequest) -> func.HttpResponse:
logging.info('Python HTTP trigger function processed a new request.')
logging.info(req)
storage_account_name = os.environ["storage_account_name"]
storage_account_key = os.environ["storage_account_key"]
storage_container = os.environ["storage_container"]
storage_directory = os.environ["storage_directory"]
storage_file_name = os.environ["storage_file_name"]
service_client = DataLakeServiceClient(account_url="{}://{}.dfs.core.windows.net".format(
"https", storage_account_name), credential=storage_account_key)
json_data = req.get_body()
logging.info(json_data)
object_id = "test"
try:
json_string = json_data.decode("utf-8")
json_object = json.loads(json_string)
if json_object["operationType"] == "delete":
object_id = json_object["fullDocumentBeforeChange"]["_id"]["$oid"]
data = {"operationType": json_object["operationType"], "data":json_object["fullDocumentBeforeChange"]}
else:
object_id = json_object["fullDocument"]["_id"]["$oid"]
data = {"operationType": json_object["operationType"], "data":json_object["fullDocument"]}
logging.info(object_id)
encoded_data = json.dumps(data)
except Exception as e:
logging.info("Exception occurred : "+ str(e))
file_system_client = service_client.get_file_system_client(file_system=storage_container)
directory_client = file_system_client.get_directory_client(storage_directory)
file_client = directory_client.create_file(storage_file_name + "-" + str(object_id) + ".txt")
file_client.append_data(data=encoded_data, offset=0, length=len(encoded_data))
file_client.flush_data(len(encoded_data))
return func.HttpResponse(f"This HTTP triggered function executed successfully.")
Şimdiye kadar Atlas tetikleyicisinin gerçekleşen değişiklikleri nasıl yakaladığını ve bunu bir Atlas işlevi aracılığıyla bir Azure işlevine nasıl aktardığını ve Azure işlevinin değişiklik belgesini Azure Synapse Analytics çalışma alanında Data Lake Depolama'da yeni bir dosya olarak yazdığını gördünüz.
Dosya Data Lake Depolama'a eklendikten sonra, değişiklik belgesini ayrılmış bir SQL havuzuna veya Spark havuzu tablosuna yazabilen bir işlem hattını tetikleyen bir depolama olayı tetikleyicisi ayarlayabilirsiniz. İşlem hattı Kopyalama etkinliği kullanabilir ve bir veri akışı kullanarak verileri dönüştürebilir. Alternatif olarak, son hedefiniz ayrılmış bir SQL havuzuysa Azure işlevini doğrudan Azure Synapse Analytics'teki ayrılmış SQL havuzuna yazacak şekilde değiştirebilirsiniz. SQL havuzu için SQL havuzu bağlantısı için ODBC bağlantı dizesi alın. bağlantı dizesi kullanarak SQL havuzu tablosunu sorgulamak için kullanabileceğiniz python kodu örneği için bkz. Veritabanını sorgulamak için Python kullanma. Bu kodu, ayrılmış bir SQL havuzuna yazmak için Insert sorgusu kullanacak şekilde değiştirebilirsiniz. İşlevin ayrılmış bir SQL havuzuna yazabilmesi için atanılması gereken yapılandırma ayarları ve rolleri vardır. Bu ayarlar ve roller hakkındaki bilgiler bu makalenin kapsamı dışındadır.
Neredeyse gerçek zamanlı bir çözüm istiyorsanız ve verilerin gerçek zamanlı olarak eşitlenmesi gerekmiyorsa, zamanlanmış işlem hattı çalıştırmalarını kullanmak iyi bir seçenek olabilir. MongoDB bağlayıcısını kullanarak son zamanlanmış çalıştırma ile geçerli çalıştırma arasında eklenen, güncelleştirilen veya silinen verileri MongoDB'den getirmek için, Kopyalama etkinliği veya veri akışıyla bir işlem hattını tetikleyen zamanlanmış tetikleyiciler ayarlayabilirsiniz. İşlem hattı, MongoDB Atlas'tan delta verilerini getirmek ve bunları havuz bağlantıları olarak kullanarak Data Lake Depolama veya Azure Synapse Analytics ayrılmış SQL havuzlarına göndermek için kaynak bağlayıcı olarak MongoDB bağlayıcısını kullanır. Bu çözüm, Atlas tetikleyicisinin dinlediği MongoDB Atlas koleksiyonunda değişiklikler gerçekleşirken MongoDB Atlas'tan bir çekme mekanizması (bu makalede açıklanan ana çözümün aksine, bir gönderme mekanizmasıdır) kullanır.
Olası kullanım örnekleri
MongoDB ve Azure Synapse Analytics EDW ve analiz hizmetleri çok sayıda kullanım örneğine hizmet verebilir:
Retail
- Ürün paketleme ve ürün promosyonuna zeka oluşturma
- Müşteri 360 ve hiper kişiselleştirme uygulama
- Stok tükenmesini tahmin etme ve tedarik zinciri siparişlerini iyileştirme
- E-ticarette dinamik indirim fiyatlandırması ve akıllı arama uygulama
Bankacılık ve finans
- Müşteri finansal hizmetlerini özelleştirme
- Sahte işlemleri algılama ve engelleme
Telekomünikasyon
- Yeni nesil ağları iyileştirme
- Kenar ağlarının değerini en üst düzeye çıkarma
Otomotiv
- Bağlı araçların parametreleştirilmesini iyileştirme
- Bağlı araçlardaki IoT iletişimindeki anomalileri algılama
Manufacturing
- Makineler için tahmine dayalı bakım sağlama
- Depolama ve envanter yönetimini iyileştirme
Dikkat edilmesi gereken noktalar
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanabileceğiniz bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Güvenlik
Güvenlik, kasıtlı saldırılara ve değerli verilerinizin ve sistemlerinizin kötüye kullanılmasına karşı güvence sağlar. Daha fazla bilgi için bkz . Güvenlik sütununa genel bakış.
Azure İşlevleri sunucusuz yönetilen bir hizmet olduğundan, uygulama kaynakları ve platform bileşenleri gelişmiş güvenlikle korunur. Ancak, HTTPS protokol ve en son TLS sürümlerini kullanmanızı öneririz. MongoDB değişiklik belgesi olduğundan emin olmak için girişi doğrulamak da iyi bir uygulamadır. Azure İşlevleri güvenlikle ilgili dikkat edilmesi gerekenler için bkz. Azure İşlevleri güvenliğini sağlama.
MongoDB Atlas bir hizmet olarak yönetilen veritabanı olduğundan MongoDB gelişmiş platform güvenliği sağlar. MongoDB, depolanan veriler için veritabanı erişimi, ağ güvenliği, bekleyen ve aktarım sırasında şifreleme ve veri hakimiyeti dahil olmak üzere 360 derece güvenlik sağlamaya yardımcı olan birden çok mekanizma sağlar. MongoDB Atlas güvenlik teknik incelemesi ve MongoDB'deki verilerin veri yaşam döngüsü boyunca güvenli olduğundan emin olmanıza yardımcı olabilecek diğer makaleler için MongoDB Atlas Güvenliği bölümüne bakın.
Maliyet iyileştirme
Maliyet iyileştirmesi gereksiz giderleri azaltmak ve operasyonel verimlilikleri iyileştirmektir. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.
Azure ürünlerinin ve yapılandırmalarının maliyetini tahmin etmek için Azure fiyatlandırma hesaplayıcısını kullanın. Azure, kullanılacak doğru kaynak sayısını belirleyerek, zaman içindeki harcamaları analiz ederek ve fazla harcama yapmadan iş gereksinimlerini karşılayacak şekilde ölçeklendirerek gereksiz maliyetlerden kaçınmanıza yardımcı olur. Azure işlevleri yalnızca çağrıldıklarında maliyet oluşturur. Ancak MongoDB Atlas'taki değişikliklerin hacmine bağlı olarak, değişiklikleri başka bir geçici koleksiyonda depolamak için Atlas işlevinde bir toplu iş mekanizması kullanarak değerlendirebilir ve yalnızca toplu iş belirli bir sınırı aştığında Azure işlevini tetikleyebilirsiniz.
Atlas kümeleri hakkında bilgi için bkz . MongoDB Atlas ve Küme Yapılandırma Maliyetleri ile Maliyetleri Azaltmanın 5 Yolu. MongoDB fiyatlandırma sayfası, MongoDB Atlas kümeleri için fiyatlandırma seçeneklerini ve MongoDB Atlas geliştirici veri platformunun diğer tekliflerini anlamanıza yardımcı olabilir. Atlas Veri Federasyonu Azure'da dağıtılabilir ve Azure Blob Depolama destekler (önizlemede). Maliyetleri iyileştirmek için toplu işlem kullanmayı düşünüyorsanız MongoDB geçici koleksiyonu yerine Blob Depolama yazmayı göz önünde bulundurun.
Performans verimliliği
Performans verimliliği, kullanıcılar tarafından anlamlı bir şekilde yerleştirilen talepleri karşılamak amacıyla iş yükünüzü ölçeklendirme becerisidir. Daha fazla bilgi için bkz . Performans verimliliği sütununa genel bakış.
Atlas tetikleyicileri ve Azure işlevleri performans ve ölçeklenebilirlik açısından zaman testlerine sahiptir. Azure İşlevleri için performans ve ölçeklenebilirlik konularını anlamak için bkz. Dayanıklı İşlevler'de performans ve ölçeklendirme (Azure İşlevleri). MongoDB Atlas örneklerinizin performansını geliştirme konusunda dikkat edilmesi gereken bazı noktalar için bkz . İsteğe Bağlı Ölçeklendirme. MongoDB Atlas yapılandırmasına yönelik en iyi yöntemler için bkz . MongoDB Performansı için En İyi Yöntemler Kılavuzu.
Sonuç
MongoDB Atlas, Azure Synapse Analytics ile sorunsuz bir şekilde tümleştirerek Atlas müşterilerinin Atlas'ı Azure Synapse Analytics için kaynak veya havuz olarak kolayca kullanmalarına olanak tanır. Bu çözüm, karmaşık analiz ve yapay zeka çıkarımı için Azure Synapse Analytics'ten MongoDB işletimsel verilerini gerçek zamanlı olarak kullanmanızı sağlar.
Bu senaryoyu dağıtın
MongoDB Atlas'tan Azure Synapse Analytics'e Gerçek Zamanlı Eşitleme
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazarlar:
- Diana Annie Jenosh | Kıdemli Çözüm Mimarı - MongoDB İş Ortakları ekibi
- Venkatesh Shanbag| Kıdemli Çözüm Mimarı - MongoDB İş Ortakları ekibi
Diğer katkıda bulunanlar:
- Sunil Sabat | Baş Program Yöneticisi - ADF ekibi
- Wee Hyong Tok | PM Baş Direktörü - ADF ekibi
Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.