Azure Synapse ile uçtan uca analiz

Bu makalede açıklanan çözüm, farklı kaynaklardan (yapılandırılmış, yarı yapılandırılmış, yapılandırılmamış ve akış) verileri ve içgörüleri alacak, depolayacak, işleyecek, zenginleştirecek ve sunacak bir dizi Azure hizmetini birleştirir.

Mimari

Bu mimarinin bir Visio dosyasını indirin.

Veri akışı

Mimari kapsamındaki analiz kullanım örnekleri, diyagramın sol tarafındaki farklı veri kaynakları tarafından gösterilmiştir. Veriler aşağıda gösterildiği gibi aşağıda gösterildiği gibi çözüm üzerinden akar:

Azure Data Lake katmanlarını ve kapsayıcılarını ve kullanımlarını tam olarak gözden geçirmek için lütfen Data lake bölgeleri ve kapsayıcıları belgelerine bakın.

Azure veri hizmetleri, Azure Cosmos DB ve Dataverse ile bulutta yerel HTAP

İşlem

1. Azure Cosmos DB için Azure Synapse Link ve Dataverse için Azure Synapse Link, Azure Synapse çalışma alanınızdan edinilebilen analiz altyapılarını kullanarak operasyonel ve iş uygulaması verileri üzerinde neredeyse gerçek zamanlı analiz çalıştırmanıza olanak tanır: SQL Sunucusuz ve Spark Havuzları.

2. Azure Cosmos DB için Azure Synapse Link kullanırken SQL Sunucusuz sorgu veya Spark Havuzu not defteri kullanın. Azure Cosmos DB analiz deposuna erişebilir ve ardından neredeyse gerçek zamanlı işletimsel verilerinizdeki veri kümelerini veri gölünüzden veya veri ambarınızdaki verilerle birleştirebilirsiniz.

3. Dataverse için Azure Synapse Link kullanırken SQL Sunucusuz sorgu veya Spark Havuzu not defteri kullanın. Seçili Dataverse tablolarına erişebilir ve ardından yakın gerçek zamanlı iş uygulamalarınızdaki veri kümelerini veri gölünüzden veya veri ambarınızdaki verilerle birleştirebilirsiniz.

Store

1. SQL Sunucusuz sorgularınızdan elde edilen veri kümeleri data lake'inizde kalıcı hale gelebilir. Spark not defterlerini kullanıyorsanız, sonuçta elde edilen veri kümeleri veri gölünüzde veya veri ambarı (SQL havuzu) içinde kalıcı hale gelebilir.

Hizmet

1. Veri görselleştirme ve araştırma için Azure Synapse SQL havuzundan veya veri gölünden Power BI veri kümelerine ilgili verileri yükleyin. Power BI modelleri , iş verilerinin ve ilişkilerinin analizini basitleştirmek için anlamsal bir model uygular. İş analistleri, verileri analiz etmek ve iş içgörüleri türetmek için Power BI raporlarını ve panolarını kullanır.

2. Veriler, Azure Veri Paylaşımı kullanılarak diğer iş birimleriyle veya dış güvenilen iş ortaklarına güvenli bir şekilde paylaşılabilir. Veri tüketicileri, kullanmak istedikleri veri biçimini ve paylaşılan veri kümelerini işlemek için en iyi işlem altyapısını seçme özgürlüğüne sahiptir.

3. Synapse çalışma alanınızda depolanan yapılandırılmış ve yapılandırılmamış veriler, bilgi madenciliği çözümleri oluşturmak ve Office belgeleri, PDF'ler, görüntüler, ses, formlar ve web sayfaları gibi farklı belge türleri ve biçimlerinde değerli iş içgörülerini ortaya çıkarmak için yapay zekayı kullanmak için de kullanılabilir.

İlişkisel veritabanları

Alma

1. Azure Synapse işlem hatlarını kullanarak hem şirket içindeki hem de buluttaki çok çeşitli veritabanlarından veri çekebilirsiniz. İşlem hatları, bir olaya yanıt olarak önceden tanımlanmış bir zamanlamaya göre tetiklenebilir veya REST API'leri aracılığıyla açıkça çağrılabilir.

Store

1. Raw data lake katmanında, hangi katmanların oluşturulacağı, her katmanda hangi klasör yapılarının kullanılacağı ve her analiz senaryosu için kullanılacak dosya biçimi ile ilgili en iyi yöntemleri izleyerek veri gölünüzü düzenleyin.

2. Azure Synapse işlem hattından, ilişkisel veritabanlarından kopyalanan verileri Azure Data Lake Store 2. Nesil veri gölünüzün ham katmanınahazırlamak için Veri kopyalama etkinliğini kullanın. Verileri sınırlandırılmış metin biçiminde veya sıkıştırılmış olarak Parquet dosyaları olarak kaydedebilirsiniz.

İşlem

1. Veri kümelerini Ham katmandan Zenginleştirilmiş katman aracılığıyla ve veri gölünüzdeki Seçilmiş katmanınıza taşımak için veri akışlarını, SQL sunucusuz sorguları veya Spark not defterlerini kullanın.

   1. Veri dönüşümlerinizin bir parçası olarak, standart T-SQL veya Spark not defterlerini kullanarak SQL havuzlarınızdan makine eğitimi modellerini çağırabilirsiniz. Bu ML modelleri, veri kümelerinizi zenginleştirmek ve daha fazla iş içgörüleri oluşturmak için kullanılabilir. Bu makine öğrenmesi modelleri Azure Bilişsel Hizmetler'den veya Azure ML'den özel ML modellerinden kullanılabilir.

Hizmet

1. Son veri kümenizi doğrudan Curated veri gölü katmanından sağlayabilir veya hızlı veri alımı için COPY komutunu kullanarak son veri kümesini SQL havuzu tablolarınıza almak için Veri Kopyalama etkinliğini kullanabilirsiniz.

2. Veri görselleştirmesi için Azure Synapse SQL havuzundan veya veri gölünden Power BI veri kümelerine ilgili verileri yükleyin. Power BI modelleri , iş verilerinin ve ilişkilerinin analizini basitleştirmek için anlamsal bir model uygular. İş analistleri, verileri analiz etmek ve iş içgörüleri türetmek için Power BI raporlarını ve panolarını kullanır.

3. Veriler, Azure Veri Paylaşımı kullanılarak diğer iş birimleriyle veya dış güvenilen iş ortaklarına güvenli bir şekilde paylaşılabilir. Veri tüketicileri, kullanmak istedikleri veri biçimini ve paylaşılan veri kümelerini işlemek için en iyi işlem altyapısını seçme özgürlüğüne sahiptir.

4. Synapse çalışma alanınızda depolanan yapılandırılmış ve yapılandırılmamış veriler, bilgi madenciliği çözümleri oluşturmak ve Office belgeleri, PDF'ler, görüntüler, ses, formlar ve web sayfaları gibi farklı belge türleri ve biçimlerinde değerli iş içgörülerini ortaya çıkarmak için yapay zekayı kullanmak için de kullanılabilir.

Yarı yapılandırılmış veri kaynakları

Alma

1. Hem şirket içinde hem de bulutta çok çeşitli yarı yapılandırılmış veri kaynaklarından veri çekmek için Azure Synapse işlem hatlarını kullanın. Örneğin:

   • CSV veya JSON dosyaları içeren dosya tabanlı kaynaklardan veri alın.
   • Azure Cosmos DB veya MongoDB gibi No-SQL veritabanlarına Bağlan.
   • İşlem hattı için veri kaynağınız olarak işlev görecek SaaS uygulamaları tarafından sağlanan REST API'lerini çağırın.

Store

1. Raw data lake katmanında, hangi katmanların oluşturulacağı, her katmanda hangi klasör yapılarının kullanılacağı ve her analiz senaryosu için kullanılacak dosya biçimi ile ilgili en iyi yöntemleri izleyerek veri gölünüzü düzenleyin.

2. Azure Synapse işlem hattından, yarı yapılandırılmış veri kaynaklarından kopyalanan verileri Azure Data Lake Store 2. Nesil veri gölünüzün ham katmanına hazırlamak için Veri kopyalama etkinliğini kullanın. Veri kaynaklarından alınan özgün biçimi korumak için verileri kaydedin.

İşlem

1. Toplu/mikro toplu işlem hatları için veri akışlarını, SQL sunucusuz sorguları veya Spark not defterlerini kullanarak veri kümelerinizi doğrulayın, dönüştürün ve veri gölünüzdeki Seçilmiş katmanınıza taşıyın. SQL Sunucusuz sorgular, T-SQL kullanılarak sorgulanabilmeleri için temel alınan CSV, Parquet veya JSON dosyalarını dış tablolar olarak kullanıma sunar.

   1. Veri dönüşümlerinizin bir parçası olarak, standart T-SQL veya Spark not defterlerini kullanarak SQL havuzlarınızdan makine öğrenmesi modellerini çağırabilirsiniz. Bu ML modelleri, veri kümelerinizi zenginleştirmek ve daha fazla iş içgörüleri oluşturmak için kullanılabilir. Bu makine öğrenmesi modelleri Azure Bilişsel Hizmetler'den veya Azure ML'den özel ML modellerinden kullanılabilir.

2. Neredeyse gerçek zamanlı telemetri ve zaman serisi analiz senaryoları için, günlükleri ve IoT olay verilerini birden çok veri kaynağı arasında kolayca almak, birleştirmek ve ilişkilendirmek için Veri Gezgini havuzlarını kullanın. Veri Gezgini havuzları ile Kusto sorgularını (KQL) kullanarak zaman serisi analizi, jeo-uzamsal kümeleme ve makine öğrenmesi zenginleştirmesi gerçekleştirebilirsiniz.

Hizmet

1. Son veri kümenizi doğrudan Curated veri gölü katmanından sağlayabilir veya hızlı veri alımı için COPY komutunu kullanarak son veri kümesini SQL havuzu tablolarınıza almak için Veri Kopyalama etkinliğini kullanabilirsiniz.

2. Veri görselleştirme için Azure Synapse SQL havuzlarından, Veri Gezgini havuzlarından veya bir veri gölündenilgili verileri Power BI veri kümelerine yükleyin. Power BI modelleri , iş verilerinin ve ilişkilerinin analizini basitleştirmek için anlamsal bir model uygular. İş analistleri, verileri analiz etmek ve iş içgörüleri türetmek için Power BI raporlarını ve panolarını kullanır.

3. Veriler, Azure Veri Paylaşımı kullanılarak diğer iş birimleriyle veya dış güvenilen iş ortaklarına güvenli bir şekilde paylaşılabilir. Veri tüketicileri, kullanmak istedikleri veri biçimini ve paylaşılan veri kümelerini işlemek için en iyi işlem altyapısını seçme özgürlüğüne sahiptir.

4. Synapse çalışma alanınızda depolanan yapılandırılmış ve yapılandırılmamış veriler, bilgi madenciliği çözümleri oluşturmak ve Office belgeleri, PDF'ler, görüntüler, ses, formlar ve web sayfaları gibi farklı belge türleri ve biçimlerinde değerli iş içgörülerini ortaya çıkarmak için yapay zekayı kullanmak için de kullanılabilir.

Yapılandırılmamış veri kaynakları

Alma

1. Azure Synapse işlem hatlarını kullanarak hem şirket içinde hem de bulutta çok çeşitli yapılandırılmamış veri kaynaklarından veri çekebilirsiniz. Örneğin:

   • Kaynak dosyaları içeren dosya tabanlı kaynaklardan video, görüntü, ses veya ücretsiz metin alın.
   • İşlem hattı için veri kaynağınız olarak işlev görecek SaaS uygulamaları tarafından sağlanan REST API'lerini çağırın.

Store

1. Raw data lake katmanında, hangi katmanların oluşturulacağı, her katmanda hangi klasör yapılarının kullanılacağı ve her analiz senaryosu için kullanılacak dosya biçimi hakkında en iyi yöntemleri izleyerek veri gölünüzü düzenleyin.

2. Azure Synapse işlem hattından, yapılandırılmamış veri kaynaklarından kopyalanan verileri Azure Data Lake Store 2. Nesil veri gölünüzün ham katmanına hazırlamak için Veri kopyalama etkinliğini kullanın. Veri kaynaklarından alınan özgün biçimi koruyarak verileri kaydedin.

İşlem

1. Veri kümelerinizi Ham katmandan Zenginleştirilmiş katman aracılığıyla ve veri gölünüzdeki Seçilmiş katmanınıza taşımak, dönüştürmek, zenginleştirmek ve taşımak için Spark not defterlerini kullanın.

   1. Veri dönüşümlerinizin bir parçası olarak, standart T-SQL veya Spark not defterlerini kullanarak SQL havuzlarınızdan makine öğrenmesi modellerini çağırabilirsiniz. Bu ML modelleri, veri kümelerinizi zenginleştirmek ve daha fazla iş içgörüleri oluşturmak için kullanılabilir. Bu makine öğrenmesi modelleri Azure Bilişsel Hizmetler'den veya Azure ML'den özel ML modellerinden kullanılabilir.

Hizmet

1. Son veri kümenizi doğrudan Curated veri gölü katmanından hizmet verebilir veya veri ambarı tablolarınıza veri ambarı tablolarınızın son veri kümesini almak için Veri Kopyalama etkinliğini kullanarak hızlı veri alımı için COPY komutunu kullanabilirsiniz.

2. Veri görselleştirmesi için Azure Synapse SQL havuzundan veya veri gölünden Power BI veri kümelerine ilgili verileri yükleyin. Power BI modelleri , iş verilerinin ve ilişkilerinin analizini basitleştirmek için anlamsal bir model uygular.

3. İş analistleri, verileri analiz etmek ve iş içgörüleri türetmek için Power BI raporlarını ve panolarını kullanır.

4. Veriler, Azure Veri Paylaşımı kullanılarak diğer iş birimleriyle veya dış güvenilen iş ortaklarına güvenli bir şekilde paylaşılabilir. Veri tüketicileri, kullanmak istedikleri veri biçimini ve paylaşılan veri kümelerini işlemek için en iyi işlem altyapısını seçme özgürlüğüne sahiptir.

5. Synapse çalışma alanınızda depolanan yapılandırılmış ve yapılandırılmamış veriler, bilgi madenciliği çözümleri oluşturmak ve Office belgeleri, PDF'ler, görüntüler, ses, formlar ve web sayfaları gibi farklı belge türleri ve biçimlerinde değerli iş içgörülerini ortaya çıkarmak için yapay zekayı kullanmak için de kullanılabilir.

Akışlar

Alma

1. İstemci uygulamaları veya IoT cihazları tarafından oluşturulan veri akışlarını almak için Azure Event Hubs veya Azure IoT Hubs kullanın. Ardından Event Hubs veya IoT Hub, alınan olayların sırasını koruyarak akış verilerini alır ve depolar. Tüketiciler daha sonra Event Hubs veya IoT Hub uç noktalarına bağlanabilir ve işlenmek üzere iletileri alabilir.

Store

1. Raw data lake katmanında, hangi katmanların oluşturulacağı, her katmanda hangi klasör yapılarının kullanılacağı ve her analiz senaryosu için kullanılacak dosya biçimi ile ilgili en iyi yöntemleri izleyerek veri gölünüzü düzenleyin.

2. Olayların bir kopyasını Azure Data Lake Store 2. Nesil veri gölünüzün Ham katmanınakaydetmek için Event Hubs Yakalama veya IoT Hub Depolama Uç Noktaları'nı yapılandırın. Bu özellik, Lambda mimarisi deseninin "Soğuk Yolu"nu uygular ve yukarıda açıklanan yarı yapılandırılmış veri kaynakları için deseni izleyen SQL Sunucusuz sorgular veya Spark not defterlerini kullanarak veri gölünüze kaydedilen akış verileri üzerinde geçmiş ve eğilim analizi gerçekleştirmenize olanak tanır.

İşlem

1. Gerçek zamanlı içgörüler için Bir Stream Analytics işini kullanarak Lambda mimarisi deseninin "Sık Erişimli Yolu" uygulayın ve aktarımdaki akış verilerinden içgörüler elde edin. Event Hubs veya IoT Hub'ınızdan gelen veri akışı için en az bir giriş, giriş veri akışını işlemek için bir sorgu ve sorgu sonuçlarının gönderileceği yere bir Power BI çıkışı tanımlayın.

   1. Stream Analytics ile veri işlemenin bir parçası olarak, akış veri kümelerinizi zenginleştirmek ve oluşturulan tahminlere göre iş kararları almak için makine öğrenmesi modellerini çağırabilirsiniz. Bu makine öğrenmesi modelleri Azure Bilişsel Hizmetler'den veya Azure Machine learning'deki özel ML modellerinden kullanılabilir.

2. İşlenen olayları Azure Synapse SQL havuzlarına veya daha fazla analiz kullanım örnekleri için Veri Gezgini havuzlarına göndermek için diğer Stream Analytics iş çıkışlarını kullanın.

3. Neredeyse gerçek zamanlı telemetri ve zaman serisi analiz senaryoları için Veri Gezgini havuzlarını kullanarak IoT olaylarını doğrudan Event Hubs veya IoT Hubs'dan kolayca alın. Veri Gezgini havuzları ile Kusto sorgularını (KQL) kullanarak zaman serisi analizi, jeo-uzamsal kümeleme ve makine öğrenmesi zenginleştirmesi gerçekleştirebilirsiniz.

Hizmet

1. daha sonra iş analistleri, Stream Analytics sorgunuz tarafından oluşturulan hızlı değişen içgörüleri görselleştirmek için Power BI gerçek zamanlı veri kümelerini ve pano özelliklerini kullanır.

2. Veriler, Azure Veri Paylaşımı kullanılarak diğer iş birimleriyle veya dış güvenilen iş ortaklarına güvenli bir şekilde paylaşılabilir. Veri tüketicileri, kullanmak istedikleri veri biçimini ve paylaşılan veri kümelerini işlemek için en iyi işlem altyapısını seçme özgürlüğüne sahiptir.

3. Synapse çalışma alanınızda depolanan yapılandırılmış ve yapılandırılmamış veriler, bilgi madenciliği çözümleri oluşturmak ve Office belgeleri, PDF'ler, görüntüler, ses, formlar ve web sayfaları gibi farklı belge türleri ve biçimlerinde değerli iş içgörülerini ortaya çıkarmak için yapay zekayı kullanmak için de kullanılabilir.

Bileşenler

Mimaride aşağıdaki Azure hizmetleri kullanılmıştır:

• Azure Synapse Analytics
• Azure Data Lake 2. Nesil
• Azure Cosmos DB
• Azure Bilişsel Hizmetler
• Azure Machine Learning
• Azure Event Hubs
• Azure IoT Hub
• Azure Stream Analytics
• Microsoft Purview
• Azure Veri Paylaşımı
• Microsoft Power BI
• Microsoft Entra ID
• Azure Maliyet Yönetimi
• Azure Key Vault
• Azure İzleyici
• Bulut için Microsoft Defender
• Azure DevOps
• Azure İlkesi
• GitHub

Alternatifler

• Yukarıdaki mimaride Azure Synapse işlem hatları, veri işlem hattı düzenlemeden sorumludur. Azure Data Factory işlem hatları, bu makalede açıklanan özelliklerin aynısını da sağlar.

• Azure Databricks , yapılandırılmış ve yapılandırılmamış verileri doğrudan veri gölünde işlemek için kullanılan işlem altyapısı olarak da kullanılabilir.

• Yukarıdaki mimaride Azure Stream Analytics, akış verilerinin işlenmesinden sorumlu hizmettir. Azure Synapse Spark havuzları ve Azure Databricks, not defterlerinin yürütülmesiyle aynı rolü gerçekleştirmek için de kullanılabilir.

• Azure HDInsight Kafka kümeleri, akış verilerini almak ve büyük akış iş yükleri için gereken doğru performans ve ölçeklenebilirlik düzeyini sağlamak için de kullanılabilir.

• Azure Synapse işlem hattından Azure Bilişsel Hizmetler veya Azure Machine Learning özel ML modellerini çağırmak için de Azure İşlevleri kullanabilirsiniz.

• Diğer alternatiflerin karşılaştırmaları için bkz:

  • Azure'da veri işlem hattı düzenleme teknolojisi seçme
  • Azure'da toplu işlem teknolojisi seçme
  • Azure'da analitik veri deposu seçme
  • Azure'da veri analizi teknolojisi seçme
  • Azure'da akış işleme teknolojisi seçme

Senaryo ayrıntıları

Bu örnek senaryoda, bir kuruluştaki en yaygın veri zorluklarını işleyebilen modern bir veri platformu oluşturmak için Azure Synapse Analytics'in kapsamlı Azure Veri Hizmetleri ailesi ile nasıl kullanılacağı gösterilmektedir.

Olası kullanım örnekleri

Bu yaklaşım şunları yapmak için de kullanılabilir:

• Yapılandırılmış veriler için bir veri ambarı ve yarı yapılandırılmış ve yapılandırılmamış veriler için bir veri gölünden oluşan bir veri ürün mimarisi oluşturun. Merkezi ortamlar için tek bir veri ürünü veya Data Mesh gibi dağıtılmış ortamlar için birden çok veri ürünü dağıtmayı seçebilirsiniz. Veri Yönetimi ve Veri Giriş Bölgeleri hakkında daha fazla bilgi edinin.
• İlişkisel veri kaynaklarını büyük veri işleme teknolojilerini kullanarak diğer yapılandırılmamış veri kümeleriyle tümleştirin.
• Daha basit veri analizi için anlamsal modelleme ve güçlü görselleştirme araçlarını kullanın.
• Veri kümelerini kuruluş içinde veya güvenilen dış iş ortaklarıyla paylaşın.
• Görüntülerde, PDF'lerde, belgelerde vb. gizli olan değerli iş bilgilerini ayıklamak için bilgi madenciliği çözümleri uygulayın.

Öneriler

Bulma ve yönetme

Büyük kurumsal ortamlarda veri idaresi yaygın bir zorluktur. Bir yandan, iş analistlerinin iş sorunlarını çözmelerine yardımcı olabilecek veri varlıklarını keşfedebilmeleri ve anlayabilebilmeleri gerekir. Öte yandan, Baş Veri Sorumluları iş verilerinin gizliliği ve güvenliği hakkında içgörüler istiyor.

Microsoft Purview

1. Kurumsal veri ortamının tamamını kapsayan veri varlıklarınız, veri sınıflandırmanız ve duyarlılığınız hakkında veri bulma ve içgörüler için Microsoft Purview'u kullanın.

2. Microsoft Purview, kullanıcıların veri kümelerinin ne anlama geldiğini ve kuruluş genelinde nasıl kullanılmaları gerektiğini anlamaları için gereken belirli iş terminolojisi ile bir iş sözlüğü tutmanıza yardımcı olabilir.

3. Tüm veri kaynaklarınızı kaydedebilir ve bunları Koleksiyonlar halinde düzenleyebilirsiniz; bu da meta verileriniz için bir güvenlik sınırı görevi görür.

4. Kuruluştaki veri varlıklarıyla ilgili meta verileri otomatik olarak kataloglayıp güncelleştirmek için düzenli taramalar ayarlayın. Microsoft Purview, Azure Data Factory veya Azure Synapse işlem hatlarından alınan bilgilere göre veri kökeni bilgilerini de otomatik olarak ekleyebilir.

5. Veri sınıflandırma ve veri duyarlılığı etiketleri, normal taramalar sırasında uygulanan önceden yapılandırılmış veya özel kurallar temelinde veri varlıklarınıza otomatik olarak eklenebilir.

6. Veri idaresi uzmanları, microsoft Purview tarafından oluşturulan raporları ve içgörüleri kullanarak veri ortamının tamamı üzerinde denetim sahibi olabilir ve kuruluşun güvenlik ve gizlilik sorunlarına karşı korunmasını sağlayabilir.

Platform hizmetleri

Azure çözümlerinizin kalitesini artırmak için Azure İyi Tasarlanmış Çerçeve'de tanımlanan önerileri ve yönergeleri izleyin: Maliyet İyileştirme, Operasyonel Mükemmellik, Performans Verimliliği, Güvenilirlik ve Güvenlik.

Aşağıdaki önerilere uyularak, aşağıdaki hizmetler tasarımın bir parçası olarak değerlendirilmelidir:

1. Microsoft Entra Id: Azure iş yüklerinde kimlik hizmetleri, çoklu oturum açma ve çok faktörlü kimlik doğrulaması.
2. Azure Maliyet Yönetimi: Azure iş yükleriniz üzerinde finansal idare.
3. Azure Key Vault: Güvenli kimlik bilgileri ve sertifika yönetimi. Örneğin Azure Synapse Pipelines, Azure Synapse Spark Havuzları ve Azure ML , veri depolarına güvenli bir şekilde erişmek için kullanılan Azure Key Vault'tan kimlik bilgilerini ve sertifikaları alabilir.
4. Azure İzleyici: Sorunları proaktif olarak belirlemek ve performansı ve güvenilirliği en üst düzeye çıkarmak için Azure kaynaklarınızın telemetri bilgilerini toplayın, analiz edin ve üzerinde işlem yapın.
5. Bulut için Microsoft Defender: Azure iş yüklerinizin güvenlik duruşunu güçlendirin ve izleyin.
6. Azure DevOps ve GitHub: Azure Synapse ve Azure ML için iş yükü geliştirme ve dağıtım işlem hatlarınıza otomasyon ve uyumluluğu zorlamak için DevOps uygulamaları uygulayın.
7. Azure İlkesi: Kaynak tutarlılığı, mevzuat uyumluluğu, güvenlik, maliyet ve yönetim için kuruluş standartlarını ve idaresini uygulayın.

Dikkat edilmesi gereken noktalar

Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanılabilecek bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.

Bu mimarideki teknolojiler, her biri kuruluştaki en yaygın veri zorluklarını işlemek için gerekli işlevselliği sağladığından seçilmiştir. Bu hizmetler ölçeklenebilirlik ve kullanılabilirlik gereksinimlerini karşılarken maliyetleri denetlemelerine yardımcı olur. Bu mimarinin kapsamına alınan hizmetler, çok daha büyük bir Azure hizmetleri ailesinin yalnızca bir alt kümesidir. Benzer sonuçlar, bu tasarım kapsamında olmayan diğer hizmetler veya özellikler kullanılarak elde edilebilir.

Analiz kullanım örnekleriniz için belirli iş gereksinimleri, bu tasarımda dikkate alınmayan farklı hizmetlerin veya özelliklerin kullanılmasını da isteyebilir.

Benzer mimari, iş yüklerinizi geliştirip test ettiğiniz üretim öncesi ortamlar için de uygulanabilir. İş yükleriniz için belirli gereksinimleri ve uygun maliyetli bir üretim öncesi ortam için her hizmetin özelliklerini göz önünde bulundurun.

Maliyet iyileştirme

Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri iyileştirmenin yollarını aramaktır. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.

Genel olarak, maliyetleri tahmin etmek için Azure fiyatlandırma hesaplayıcısını kullanın. İdeal bireysel fiyatlandırma katmanı ve mimariye dahil edilen her hizmetin toplam maliyeti, işlenecek ve depolanacak veri miktarına ve beklenen kabul edilebilir performans düzeyine bağlıdır. Her hizmetin fiyatı hakkında daha fazla bilgi edinmek için aşağıdaki kılavuzu kullanın:

• Azure Synapse Analytics sunucusuz mimarisi, işlem ve depolama düzeylerinizi bağımsız olarak ölçeklendirmenize olanak tanır. İşlem kaynakları kullanıma göre ücretlendirilir ve bu kaynakları isteğe bağlı olarak ölçeklendirebilir veya duraklatabilirsiniz. Depolama kaynaklar terabayt başına faturalandırılır, bu nedenle daha fazla veri aldıkça maliyetleriniz artar.

• Azure Data Lake 2 . Nesil, depolanan veri miktarına ve okuma ve yazma işlemleri sayısına göre ücretlendirilir.

• Azure Event Hubs ve Azure IoT Hubs , ileti akışlarınızı işlemek için gereken işlem kaynakları miktarına göre ücretlendirilir.

• Azure Machine Learning ücretleri, makine öğrenmesi modellerinizi eğitmek ve dağıtmak için kullanılan işlem kaynağı miktarından gelir.

• Bilişsel Hizmetler , hizmet API'lerine yaptığınız çağrı sayısına göre ücretlendirilir.

• Microsoft Purview , katalogdaki veri varlıklarının sayısına ve bunları taramak için gereken işlem gücü miktarına göre fiyatlendirilir.

• Azure Stream Analytics , akış sorgularınızı işlemek için gereken işlem gücü miktarına göre ücretlendirilir.

• Power BI'ın farklı gereksinimler için farklı ürün seçenekleri vardır. Power BI Embedded , Uygulamalarınıza Power BI işlevselliği eklemek için Azure tabanlı bir seçenek sağlar. Yukarıdaki fiyatlandırma örneğine bir Power BI Embedded örneği dahildir.

• Azure Cosmos DB , veritabanlarınız için gereken depolama ve işlem kaynakları miktarına göre fiyatlendirilir.

Bu senaryoyu dağıtın

Bu dağıtım hızlandırıcısı, tüm başvuru mimarisini uygulama veya analiz kullanım örneğiniz için hangi iş yüklerine ihtiyacınız olduğunu seçme seçeneği sunar. Ayrıca hizmetlere genel uç noktalar üzerinden erişilip erişilmeyeceğini veya yalnızca özel uç noktalar üzerinden erişilip erişilmeyeceğini seçebilirsiniz.

az deployment group create --resource-group azsynapse-e2e \
    --template-uri https://raw.githubusercontent.com/Azure/azure-synapse-analytics-end2end/main/Deploy/AzureAnalyticsE2E.json \
    --parameters networkIsolationMode=default synapseSqlAdminPassword=use-complex-password-here

az deployment group create --resource-group azsynapse-e2e \
    --template-uri https://raw.githubusercontent.com/Azure/azure-synapse-analytics-end2end/main/Deploy/AzureAnalyticsE2E.json \
    --parameters networkIsolationMode=vNet synapseSqlAdminPassword=use-complex-password-here

Ayrıntılı bilgi ve ek dağıtım seçenekleri için bu çözümü tanımlamak için kullanılan belgeleri ve kodu içeren dağıtım hızlandırıcısı GitHub deposuna bakın.

Katkıda Bulunanlar

Bu makale Microsoft tarafından güncelleştiriliyor ve korunüyor. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.

Asıl yazar:

• Fabio Braga | Baş MTC Teknik Mimarı

Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.

Sonraki adımlar

• Azure'da ölçeklenebilir analiz ortamı için Azure veri yönetimi ve analiz senaryosunda tanımlanan yönergeleri gözden geçirin.

• Bu başvuru mimarisinde yer alan hizmetler hakkında daha fazla eğitim içeriği ve laboratuvar için Microsoft Learn'deki Veri Mühendisi Öğrenme Yollarını keşfedin.

• Belgeleri gözden geçirin ve GitHub'dan sağlanan dağıtım hızlandırıcısını kullanarak başvuru mimarisini dağıtın.

İlgili kaynaklar

• Azure Synapse kullanarak kurumsal düzeyde güvenlikle büyük veri analizi
• Azure Synapse sunucusuz kullanarak veri gölü veya göl evi sorgulama