Een schaalbaar systeem bouwen voor grote hoeveelheden gegevens
Uw gegevensopslagsysteem is essentieel voor het succes van uw toepassingen en dus voor het succes van uw onderneming. Wanneer het opslagsysteem goed is ontworpen, is er snel antwoord, kan de capaciteit van de gegevensopslag zo nodig eenvoudig worden aangepast, is het systeem bestand tegen storingen en is het betaalbaar.
Een belangrijke overweging is of het ontwerp goed kan worden geschaald als de gegevens groeien. Als voorbeeld van gegevensgroei kunt u een toepassing beschouwen die de eerste maand 6 terabyte (TB) aan gegevens genereert, met een toename van elke maand met 10 procent per jaar. Hier ziet u een grafiek die laat zien hoe gegevens na een periode worden verzameld:
Na drie jaar is er 249 TB aan gegevens. Als het systeem goed is ontworpen, verwerkt het deze gegevensgroei op een goede manier, blijft het responsief, robuust en betaalbaar.
Dit voorbeeld is niet extreem. Als uw klanten bedrijven zijn, groeien de gegevens zowel wanneer u klanten toevoegt als wanneer uw klanten gegevens toevoegen. Het kan ook groeien vanwege toepassingsverbeteringen.
Voor het verwerken van gegevensgroei is mogelijk een combinatie van opslagproducten vereist. U moet bijvoorbeeld zelden gebruikte gegevens bewaren in goedkope services en vaak gebruikte gegevens in duurdere services met betere toegangstijden.
Als u een dergelijk systeem in Azure wilt ontwerpen, moet u bekend zijn met de vele Azure-services en weten hoe u deze kunt gebruiken voor verschillende soorten toepassingen en verschillende doelstellingen. De artikelen in deze sectie bevatten zeven systeemarchitect architecturen voor webtoepassingen die enorme hoeveelheden gegevens gebruiken en die bestand zijn tegen systeemfouten. Ze fungeren als voorbeelden die u kunnen helpen bij het ontwerpen van een opslagsysteem dat geschikt is voor uw toepassingen.
De architecturen demonstreren het gebruik van deze Azure-producten: Azure Table Storage, Azure Cosmos DB, Azure Data Factory en Azure Data Lake.
Deze mogelijkheidsmatrix bevat koppelingen naar de artikelen en geeft een overzicht van de voordelen en risico's van elke architectuur:
| Architectuur | Voordelen | Risico 's |
|---|---|---|
| Webtoepassing in twee regio's met Storage failover | Eenvoudige implementatie met lage kosten | Beperkte tolerantie: slechts twee Azure-regio's |
| Webtoepassing met meerdere regio's met Storage tabelreplicatie | Flexibiliteit | Implementatietijd en -problemen |
| Webtoepassing met meerdere regio's Cosmos DB replicatie | Tolerantie, prestaties, schaalbaarheid | Opslagkosten |
| Geoptimaliseerde opslag met logische gegevensclassificatie | Tolerantie, prestaties, schaalbaarheid, opslagkosten | Implementatietijd, moet logische gegevensclassificatie ontwerpen |
| Geoptimaliseerde Storage - op basis van tijd - multi-schrijf schrijft | Opslagkosten | Beperkte tolerantie, prestaties, beperkte schaalbaarheid, implementatietijd, moet gegevensretentie op basis van tijd ontwerpen |
| Geoptimaliseerde Storage op basis van tijd met Data Lake | Tolerantie, prestaties, schaalbaarheid | Implementatietijd, moet gegevensretentie op basis van tijd ontwerpen |
| Minimale opslag - feed wijzigen om gegevens te repliceren | Tolerantie, prestaties, gegevensretentie op basis van tijd | Beperkte schaalbaarheid, implementatietijd |
Volgende stappen
Hier vindt u resources om u te helpen bij het ontwerpen van uw opslagoplossing en het onderzoeken van de bedrijfsaspecten, waaronder kosten en serviceovereenkomsten.
Opslagoplossingen ontwerpen
- Bouw fantastische oplossingen met het Microsoft Azure Well-Architected Framework
- Modellen voor gegevensopslag begrijpen
- Een Azure-gegevensopslag voor uw toepassing selecteren
- Criteria voor het kiezen van een gegevensarchief
- Een benadering voor gegevensopslag in Azure kiezen
- Ontwikkelen met de Table-API van Azure Cosmos DB en Azure Table-opslag