Skapa ett skalbart system för enorma data
Ditt datalagringssystem är grundläggande för framgången för dina program och därmed för att företaget ska lyckas. När lagringssystemet är väl byggt, svaret går snabbt, datalagringskapaciteten justeras enkelt efter behov, systemet är motståndskraftigt mot fel och är kostnadseffektivt.
En viktig faktor är om designen skalar och när data växer. Som ett exempel på datatillväxt kan du överväga ett program som genererar 6 terabyte (TB) av data sin första månad, där mängden ökar varje månad med en årsfrekvens på 10 procent. Här är ett diagram som visar hur data ackumuleras över tid:
Efter tre år finns det 249 TB data. Om systemet är väl byggt hanterar det den här datatillväxten smidigt, förblir responsiv, motståndskraftig och prisvärd.
Det här exemplet är inte extremt. Om kunderna är företag växer data både när du lägger till kunder och när kunderna lägger till data. Den kan också växa på grund av programförbättringar.
Hantering av datatillväxt kan kräva en blandning av lagringsprodukter. Du kan till exempel behöva lagra data som sällan används i tjänster med låg kostnad och data som används ofta i tjänster med högre kostnader med bättre åtkomsttider.
För att kunna utforma ett sådant system i Azure måste du känna till de många Azure-tjänsterna och hur du använder dem för olika typer av program och olika mål. Artiklarna i det här avsnittet innehåller sju systemarkitekturer för webbprogram som använder enorma mängder data och som är motståndskraftiga mot systemfel. De fungerar som exempel som kan hjälpa dig att utforma ett lagringssystem som passar dina program.
Arkitekturerna demonstrerar användningen av dessa Azure-produkter: Azure Table Storage, Azure Cosmos DB, Azure Data Factory och Azure Data Lake.
Den här kapacitetsmatrisen innehåller länkar till artiklarna och sammanfattar fördelarna och riskerna med varje arkitektur:
| Arkitektur | Fördelar | Risker |
|---|---|---|
| Webbprogram i två regioner med Table Storage redundans | Enkel implementering till låg kostnad | Begränsad återhämtning – endast två Azure-regioner |
| Webbprogram i flera regioner med anpassad Storage tabellreplikering | Återhämtning | Implementeringstid och -problem |
| Webbprogram i flera regioner med Cosmos DB replikering | Återhämtning, prestanda, skalbarhet | Lagringskostnader |
| Optimerad lagring med logisk dataklassificering | Återhämtning, prestanda, skalbarhet, lagringskostnader | Implementeringstid, behöver utforma logisk dataklassificering |
| Optimerad Storage – tidsbaserad – flera skrivningar | Lagringskostnader | Begränsad återhämtning, prestanda, begränsad skalbarhet, implementeringstid, behov av att utforma tidsbaserad datalagring |
| Optimerad Storage – tidsbaserad med Data Lake | Återhämtning, prestanda, skalbarhet | Implementeringstid, behov av att utforma tidsbaserad datalagring |
| Minimal lagring – ändringsflöde för att replikera data | Återhämtning, prestanda, tidsbaserad datalagring | Begränsad skalbarhet, implementeringstid |
Nästa steg
Här är resurser som hjälper dig att utforma din lagringslösning och undersöka dess affärsaspekter, inklusive kostnader och serviceavtal.
Utforma lagringslösningar
- Skapa fantastiska lösningar med Microsoft Azure Well-Architected Framework
- Förstå datalagringsmodeller
- Välj ett Azure-datalager för ditt program
- Kriterier för val av datalager
- Välja en metod för datalagring i Azure
- Utveckla med Azure Cosmos DB Table API:t och Azure Table Storage