최신 솔루션은 트랜잭션, 이벤트, 문서, 원격 분석, 이진 자산 및 분석 팩트와 같은 다양한 데이터를 처리합니다. 단일 데이터 저장소는 거의 모든 액세스 패턴을 효율적으로 충족하지 않습니다. 대부분의 프로덕션 시스템은 다중 글로트 지속성을 채택합니다. 즉, 여러 스토리지 모델을 선택합니다. 이 문서에서는 Azure에서 사용할 수 있는 기본 데이터 저장소 모델의 정식 정의를 중앙 집중화하고 특정 서비스를 선택하기 전에 모델 선택을 가속화하기 위한 비교 테이블을 제공합니다.
다음 단계를 사용하여 데이터 모델을 선택합니다.
지점 읽기, 집계, 전체 텍스트, 유사성, 시간 범위 검색 및 개체 배달과 같은 워크로드 액세스 패턴을 식별합니다.
다음 섹션의 스토리지 모델에 패턴을 매핑합니다.
이러한 모델을 구현하는 Azure 서비스의 후보 명단을 만듭니다.
일관성, 대기 시간, 규모, 거버넌스 및 비용과 같은 평가 기준을 적용합니다.
액세스 패턴 또는 수명 주기가 명확하게 다른 경우에만 모델을 결합합니다.
이 가이드를 사용하는 방법
각 모델 섹션에는 간결한 정의, 일반적인 워크로드, 데이터 특성, 예제 시나리오 및 대표적인 Azure 서비스에 대한 링크가 포함되어 있습니다. 각 섹션에는 사용 사례에 적합한 Azure 서비스를 선택하는 데 도움이 되는 테이블도 포함되어 있습니다. 경우에 따라 다른 문서를 사용하여 Azure 서비스 옵션에 대한 자세한 정보를 선택할 수 있습니다. 각 모델 섹션에서는 해당 문서를 참조합니다.
비교 테이블 2개에는 비관계형 모델 특성이 요약되어 있으며, 섹션 간에 콘텐츠를 반복하지 않고도 옵션을 빠르게 평가할 수 있습니다.
분류 개요
| 카테고리 | 기본 용도 | 일반적인 Azure 서비스 예제 |
|---|---|---|
| 관계형(OLTP) | 일관된 트랜잭션 작업 | Azure SQL Database, Azure Database for PostgreSQL 또는 Azure Database for MySQL |
| 비관계형 데이터베이스, 예를 들면 문서, 키-값, 열 패밀리 및 그래프 데이터베이스 | 유연한 스키마 또는 관계 중심 워크로드 | Azure Cosmos DB API, Azure Managed Redis, Managed Cassandra 또는 HBase |
| 시계열 | 고속 수집 메트릭 및 타임스탬프 이벤트 | Azure Data Explorer(아주르 데이터 탐색기) |
| 개체 및 파일 | 큰 이진 또는 반구조화된 파일 저장소 | Azure Blob Storage 또는 Azure Data Lake Storage |
| 검색 및 인덱싱 | 전체 텍스트 및 다중 필드 관련성, 보조 인덱싱 | Azure AI 검색 |
| Vector | 의미론적 또는 가장 가까운 이웃(ANN) 유사성 | Azure AI Search 또는 Azure Cosmos DB 변형 |
| 분석, OLAP(온라인 분석 처리), MPP(대규모 병렬 처리) | 대규모 기록 집계 또는 BI(비즈니스 인텔리전스) | Microsoft Fabric, Azure Synapse Analytics, Azure Data Explorer, Azure Analysis Services 또는 Azure Databricks |
비고
단일 서비스는 다중 모델이라고도 하는 여러 모델을 제공할 수 있습니다. 작업을 복잡하게 만드는 방식으로 모델을 결합하는 대신 가장 적합한 모델을 선택합니다.
관계형 데이터 저장소
관계형 데이터베이스 관리 시스템은 쓰기 시 스키마를 사용하여 데이터를 정규화된 테이블로 구성합니다. 무결성을 적용하고 ACID(원자성, 일관성, 격리 및 내구성) 트랜잭션 및 풍부한 SQL 쿼리를 지원합니다.
강점: 다중 행 트랜잭션 일관성, 복잡한 조인, 강력한 관계형 제약 조건 및 보고, 관리 및 거버넌스를 위한 완성도 높은 도구입니다.
고려 사항: 수평적 확장은 일반적으로 샤딩 또는 파티셔닝이 필요하며, 정규화는 읽기 빈도가 높은 비정규화된 뷰에 대한 조인 비용을 증가시키는 결과를 초래할 수 있습니다.
작업: 주문 관리, 재고 추적, 재무 원장 기록, 청구 및 운영 보고.
관계형 데이터 저장소에 대한 Azure 서비스 선택
SQL Database는 SQL Server 엔진을 사용하는 최신 클라우드 애플리케이션을 위한 관리형 관계형 데이터베이스입니다.
Azure SQL Managed Instance 는 리프트 앤 시프트 마이그레이션에 이상적인 클라우드의 거의 완전한 SQL Server 환경입니다.
SQL Database(하이퍼스케일) 는 빠른 자동 크기 조정 및 빠른 백업으로 대규모 워크로드를 위해 설계된 확장성이 뛰어난 SQL 계층입니다.
Azure Database for PostgreSQL 은 오픈 소스 확장 및 유연한 배포 옵션을 지원하는 관리형 PostgreSQL 서비스입니다.
Azure Database for MySQL 은 웹앱 및 오픈 소스 워크로드용 관리되는 MySQL 데이터베이스입니다.
패브릭의 SQL Database 는 패브릭에서 운영 데이터베이스를 쉽게 만드는 데 사용할 수 있는 SQL Database를 기반으로 하는 개발자 친화적인 트랜잭션 데이터베이스입니다.
다음 표를 사용하여 사용 사례 요구 사항을 충족하는 Azure 서비스를 확인할 수 있습니다.
| 서비스 | 적합한 대상 | 주요 기능 | 예제 사용 사례 |
|---|---|---|---|
| SQL 데이터베이스 | 클라우드 네이티브 앱 | 관리형, 탄력적 풀, 하이퍼스케일, 기본 제공 고가용성, 고급 보안 | 확장 가능한 SQL 백 엔드를 사용하여 최신 SaaS(Software as a Service) 애플리케이션 빌드 |
| SQL 관리형 인스턴스 | 레거시 엔터프라이즈 앱 | 전체 SQL Server 호환성, 리프트 앤 시프트 지원, 가상 네트워크, 고급 감사 | 최소한의 코드 변경을 사용하여 온-프레미스 SQL Server 앱 마이그레이션 |
| SQL Database(하이퍼스케일) | 글로벌 분포 | 다중 지역 읽기 확장성, 지역 복제, 신속한 자동 크기 조정 | 높은 읽기 처리량이 필요한 전역적으로 분산된 앱 제공 |
| PostgreSQL용 Azure 데이터베이스 | 오픈 소스, 분석 워크로드 | PostGIS, 하이퍼스케일, 유연한 서버, 오픈 소스 확장 | PostgreSQL 및 PostGIS를 사용하여 지리 공간적 분석 앱 개발 |
| Azure Database for MySQL | 경량 웹앱 | 유연한 서버, 오픈 소스 호환성, 비용 효율적 | WordPress 기반 전자 상거래 사이트 호스팅 |
| Fabric에서의 SQL 데이터베이스 | 패브릭 에코시스템의 OLTP(온라인 트랜잭션 처리) 워크로드 | SQL Database 엔진을 기반으로 빌드되고, 확장 가능하며, 패브릭에 통합됨 | 네이티브 벡터 검색 기능을 포함하는 운영 관계형 데이터 모델에서 AI 앱 빌드 |
비관계형 데이터 저장소
NoSQL 데이터베이스라고도 하는 비관계형 데이터베이스는 유연한 스키마, 수평 확장 및 특정 액세스 또는 집계 패턴에 맞게 최적화됩니다. 일반적으로 확장성 또는 민첩성을 위해 스키마 강성 및 트랜잭션 범위와 같은 관계형 동작의 일부 측면을 완화합니다.
문서 데이터 저장소
문서 데이터 저장소를 사용하여 각 문서에 명명된 필드와 데이터가 포함된 반구조화된 문서를 JSON 형식으로 저장합니다. 데이터는 단순 값 또는 복잡한 요소(예: 목록 및 자식 컬렉션)일 수 있습니다. 문서별 스키마 유연성은 점진적인 발전을 가능하게 합니다.
강점: 자연 애플리케이션 개체 매핑, 비정규화된 집계, 다중 필드 인덱싱
고려 사항: 문서 크기 증가, 선택적 트랜잭션 범위, 대규모 쿼리를 위한 신중한 데이터 셰이프 디자인 필요
작업: 제품 카탈로그, 콘텐츠 관리, 프로필 저장소
문서 데이터 저장소에 대한 Azure 서비스 선택
NoSQL용 Azure Cosmos DB 는 짧은 대기 시간 읽기 및 쓰기가 있는 스키마 없는 다중 지역 NoSQL 데이터베이스입니다.
MongoDB용 Azure Cosmos DB는 MongoDB 유선 프로토콜 호환성 및 자동 크기 조정이 있는 전역적으로 분산된 데이터베이스입니다.
Fabric의 Azure Cosmos DB 는 짧은 대기 시간 읽기 및 쓰기, 간소화된 관리 및 기본 제공 Fabric 분석을 포함하는 스키마 없는 NoSQL 데이터베이스입니다.
다음 표를 사용하여 사용 사례 요구 사항을 충족하는 Azure 서비스를 확인할 수 있습니다.
| 서비스 | 적합한 대상 | 주요 기능 | 예제 사용 사례 |
|---|---|---|---|
| NoSQL용 Azure Cosmos DB | SQL과 유사한 쿼리를 지원하는 사용자 지정 JSON 문서 모델 | 다양한 쿼리 언어, 다중 지역 쓰기, TTL(Time to Live), 변경 피드 | 유연한 스키마를 지원하는 다중 테넌트 SaaS 플랫폼 빌드 |
| MongoDB용 Azure Cosmos DB | MongoDB 드라이버 또는 JSON 중심 API를 사용하는 앱 | 전역 배포, 자동 크기 조정, 네이티브 MongoDB 유선 프로토콜 | MongoDB에서 Azure로 Node.js 앱 마이그레이션 |
| 패브릭의 Azure Cosmos DB | NoSQL 데이터에 대한 실시간 분석 | 자동 추출, 변환 및 로드(ETL)를 패브릭 통합을 통해 OneLake로 자동으로 전송 | 실시간 분석 대시보드를 포함하는 트랜잭션 앱 |
컬럼 패밀리 데이터 저장소
와이드 열 데이터베이스라고도 하는 열 패밀리 데이터베이스는 스파스 데이터를 행에 저장하고 동적 열을 열 패밀리로 구성하여 공동 액세스를 지원합니다. 열 방향은 선택한 열 집합에 대한 검색을 향상시킵니다.
강점: 높은 쓰기 처리량, 넓은 데이터 세트 또는 스파스 데이터 세트의 효율적인 검색, 패밀리 내의 동적 스키마
고려 사항: 선행 행 키 및 열 패밀리 디자인, 보조 인덱스 지원은 다양하며, 쿼리 유연성은 관계형보다 낮습니다.
작업: 전용 시계열 데이터베이스를 사용하지 않는 경우 IoT(사물 인터넷) 원격 분석, 개인 설정, 분석 사전 집계, 시계열 스타일의 높은 데이터
열 패밀리 데이터 저장소에 대한 Azure 서비스 선택
Apache Cassandra용 Azure Managed Instance 는 오픈 소스 Apache Cassandra 클러스터용 관리 서비스입니다.
Azure HDInsight의 Apache HBase는 Apache HBase 및 Hadoop 에코시스템을 기반으로 하는 빅 데이터 워크로드를 위한 확장 가능한 NoSQL 저장소입니다.
Kusto(Azure Data Explorer) 는 KQL(Kusto 쿼리 언어)을 사용하는 원격 분석, 로그 및 시계열 데이터에 대한 분석 엔진입니다.
다음 표를 사용하여 사용 사례 요구 사항을 충족하는 Azure 서비스를 확인할 수 있습니다.
| 서비스 | 적합한 대상 | 주요 기능 | 예제 사용 사례 |
|---|---|---|---|
| Apache Cassandra용 Azure Managed Instance | 신규 및 마이그레이션된 Cassandra 워크로드 | 관리형, 본래의 Apache Cassandra | Cassandra 호환성을 지원하는 IoT 디바이스 원격 측정 데이터 수집 |
| HDInsight의 Apache HBase | Hadoop 에코시스템, 일괄 처리 분석 | HDFS(Hadoop 분산 파일 시스템) 통합, 대규모 일괄 처리 | 제조 공장에서 센서 데이터의 일괄 처리 |
| Azure Data Explorer(Kusto) | 고수집율 원격 측정, 시계열 분석 | KQL, 빠른 임시 쿼리, 시간 창 함수 | 애플리케이션 로그 및 메트릭에 대한 실시간 분석 |
키-값 데이터 저장소
키-값 데이터 저장소는 각 데이터 값을 고유 키와 연결합니다. 대부분의 키-값 저장소는 간단한 쿼리, 삽입 및 삭제 작업만 지원합니다. 값을 부분적으로 또는 완전히 수정하려면 애플리케이션이 전체 값에 대한 기존 데이터를 덮어써야 합니다. 대부분의 구현에서 단일 값을 읽거나 쓰는 것은 원자성 작업입니다.
강점: 단순성, 짧은 대기 시간, 선형 확장성
고려 사항: 제한된 쿼리 표현성, 값 기반 조회에 필요한 재설계, 큰 값 덮어쓰기 비용
작업: 캐싱, 세션, 기능 플래그, 사용자 프로필, 권장 사항 조회
키-값 데이터 저장소에 대한 Azure 서비스 선택
Azure Managed Redis 는 짧은 대기 시간과 높은 처리량을 제공하는 최신 Redis Enterprise 버전을 기반으로 하는 관리되는 메모리 내 데이터 저장소입니다.
테이블용 Azure Cosmos DB 는 구조화된 NoSQL 데이터에 빠르게 액세스하도록 최적화된 키-값 저장소입니다.
NoSQL용 Azure Cosmos DB는 구조화된 NoSQL 데이터에 빠르게 액세스하도록 최적화되고 수평적 확장성을 제공하는 문서 데이터 저장소입니다.
다음 표를 사용하여 사용 사례 요구 사항을 충족하는 Azure 서비스를 확인할 수 있습니다.
| 서비스 | 적합한 대상 | 주요 기능 | 예제 사용 사례 |
|---|---|---|---|
| Azure Managed Redis | 고속 캐싱, 세션 상태, 게시-구독 | 메모리 내 저장소, 하위 밀리초 대기 시간, Redis 프로토콜 | 전자상거래 사이트의 제품 페이지 캐싱 |
| 테이블용 Azure Cosmos DB | 기존 Azure Table Storage 워크로드 마이그레이션 | Table Storage API 호환성 | 모바일 앱에 사용자 기본 설정 및 설정 저장 |
| NoSQL용 Azure Cosmos DB | 대규모 및 고가용성을 갖춘 고속 캐싱 | 스키마 없는 다중 지역, 자동 크기 조정 | 캐싱, 세션 상태, 서비스 계층 |
그래프 데이터 저장소
그래프 데이터베이스는 정보를 노드 및 에지로 저장합니다. 에지는 관계를 정의하며 노드와 에지 모두 테이블 열과 유사한 속성을 가질 수 있습니다. 직원 및 부서와 같은 엔터티 간의 연결을 분석할 수 있습니다.
강점: 관계 우선 쿼리 패턴, 효율적인 가변 깊이 순회
고려 사항: 관계가 단순할 경우 오버헤드가 발생하며, 대량 분석 검사에는 적합하지 않고 성능을 신중하게 모델링해야 합니다.
작업 부하: 소셜 네트워크, 사기 조직, 지식 그래프, 공급망 의존성
그래프 데이터 저장소에 대한 Azure 서비스 선택
그래프 데이터를 저장하기 위해 SQL Server 그래프 확장을 사용합니다. 그래프 확장은 관계형 데이터베이스 내에서 직접 그래프 구조를 사용하여 복잡한 관계를 모델링하고 쿼리할 수 있도록 SQL Server, SQL Database 및 SQL Managed Instance의 기능을 확장합니다.
시계열 데이터 저장소
시계열 데이터 저장소는 시간별로 구성된 값 집합을 관리합니다. 시간 기반 쿼리 및 집계와 같은 기능을 지원하며 거의 실시간으로 대량의 데이터를 수집하고 분석하는 데 최적화되어 있습니다.
강점: 압축, 윈도우 쿼리 성능, 비순차적 데이터 수집 처리
고려 사항: 태그 카디널리티 관리, 보존 비용, 다운샘플링 전략
워크로드: IoT 센서 메트릭, 애플리케이션 원격 분석, 모니터링, 산업 데이터
시계열 데이터 저장소에 대한 Azure 서비스 선택
시계열 데이터를 저장하기 위해 Azure Data Explorer 를 사용합니다. Azure Data Explorer는 관리되는 고성능 빅 데이터 분석 플랫폼으로, 대용량 데이터를 거의 실시간으로 쉽게 분석할 수 있습니다.
개체 데이터 저장소
큰 이진 또는 반구조화된 개체를 저장하고 거의 변경되지 않거나 변경할 수 없는 메타데이터를 포함합니다.
강점: 사실상 무제한 규모, 계층화된 비용, 내구성, 병렬 읽기 기능
고려 사항: 전체 개체 작업, 메타데이터 쿼리 제한, 최종 목록 동작
워크로드: 미디어 자산, 백업, 데이터 레이크 원시 영역, 로그 보관
개체 데이터 저장소에 대한 Azure 서비스 선택
Data Lake Storage 는 고급 분석 및 대규모 데이터 처리를 위해 계층 구조 네임스페이스와 HDFS 호환성을 결합하는 빅 데이터 최적화 개체 저장소입니다.
Blob Storage 는 비용 최적화를 위한 계층화된 액세스를 포함하는 이미지, 문서 및 백업과 같은 구조화되지 않은 데이터를 위한 확장 가능한 개체 저장소입니다.
다음 표를 사용하여 사용 사례 요구 사항을 충족하는 Azure 서비스를 확인할 수 있습니다.
| 서비스 | 적합한 대상 | 주요 기능 | 예제 사용 사례 |
|---|---|---|---|
| Data Lake Storage |
빅 데이터 분석 및 계층적 데이터 | HDFS, 계층 구조 네임스페이스, 분석에 최적화 | Azure Synapse Analytics 또는 Azure Databricks를 사용하여 구조화 및 비정형 데이터의 페타바이트 저장 및 쿼리 |
| Blob Storage | 범용 개체 스토리지 | 플랫 네임스페이스, 단순 REST API 및 핫, 쿨 및 보관이 포함된 계층화된 스토리지 | 이미지, 문서, 백업 및 정적 웹 사이트 콘텐츠 호스팅 |
데이터 저장소 검색 및 인덱싱
검색 엔진 데이터베이스를 사용하면 애플리케이션이 외부 데이터 저장소에서 정보를 검색할 수 있습니다. 검색 엔진 데이터베이스는 대량의 데이터를 인덱싱하고 이러한 인덱스에 거의 실시간으로 액세스할 수 있습니다.
강점: 전체 텍스트 쿼리, 점수 매기기, 언어 분석, 유사 항목 일치
고려 사항: 인덱스의 최종 일관성, 별도의 수집 또는 인덱싱 파이프라인, 대규모 인덱스 업데이트 비용
작업: 사이트 또는 제품 검색, 로그 검색, 메타데이터 필터링, 다중 특성 검색
검색 데이터 저장소에 대한 Azure 서비스 선택
자세한 내용은 Azure에서 검색 데이터 저장소 선택을 참조하세요.
벡터 검색 데이터 저장소
벡터 검색 데이터는 종종 기계 학습 모델에서 생성되는 데이터의 고차원 벡터 표현을 저장하고 검색합니다.
강점: 의미 체계 검색, ANN 알고리즘
고려 사항: 인덱싱 복잡성, 스토리지 오버헤드, 대기 시간 대 정확도, 통합 문제
워크로드: 시맨틱 문서 검색, 추천 엔진, 이미지 및 비디오 검색, 사기 및 이상 탐지
벡터 검색 데이터 저장소에 대한 Azure 서비스 선택
자세한 내용은 벡터 검색을 위한 Azure 서비스 선택을 참조하세요.
분석 데이터 저장소
분석 데이터 저장소는 빅 데이터를 저장하고 분석 파이프라인 수명 주기 내내 유지합니다.
강점: 확장 가능한 컴퓨팅 및 스토리지, SQL 및 Spark 지원, BI 도구와의 통합, 시계열 및 원격 분석
고려 사항: 오케스트레이션의 비용 및 복잡성, 임시 워크로드에 대한 쿼리 대기 시간, 여러 데이터 도메인의 거버넌스
작업 부하: 엔터프라이즈 보고, 빅 데이터 분석, 원격 분석 집계, 운영 대시보드, 데이터 과학 파이프라인
분석 데이터 저장소에 대한 Azure 서비스 선택
자세한 내용은 Azure에서 분석 데이터 저장소 선택을 참조하세요.
비교 특성(핵심 비관계형 모델)
| 측면 | 문서 | 컬럼 패밀리 | 키-값 | Graph |
|---|---|---|---|---|
| 표준화 | 비정규화된 | 비정규화된 | 비정규화된 | 정규화된 관계 |
| 스키마 접근 방식 | 읽기 시 적용되는 스키마 | 정의된 열 패밀리, 읽기 시 열 스키마 | 읽을 때 적용되는 스키마 | 읽기 시 스키마 |
| 일관성(일반) | 각 항목에 대해 튜닝 가능 | 각 행 또는 패밀리에 대해 | 각 키에 대해 | 각 에지 또는 순회 의미 체계에 대해 |
| 원자성 범위 | 문서 | 테이블 구현에 따라 행 또는 패밀리 | 단일 키 | 그래프 트랜잭션(다양) |
| 잠금 및 동시성 | 낙관적(ETag) | 구현에 따라 비관적 또는 낙관적 | 낙관적(키) | 낙관적(패턴) |
| 액세스 패턴 | 집계(엔터티) | 넓은 희소 집계 | 키별 포인트 조회 | 관계 경로 순회 |
| 인덱싱 | 기본 및 보조 | 기본 및 제한된 2차적인 | 기본(키) | 기본 및 경우에 따라 보조 |
| 데이터 셰이프 | 유연한 계층 구조 | 스파스 테이블 형식 너비 | 불투명한 값 | 노드 및 에지 |
| 스파스/와이드 적합성 | 예/예 | 예/예 | 예/아니요 | 아니요/아니요 |
| 일반적인 데이텀 크기 | 중소형 | 중대형 | 소형 | 소형 |
| 척도 차원 | 파티션 수 | 파티션 및 컬럼 패밀리 너비 | 키 스페이스 | 노드 또는 에지 수 |
비교 특성(특수한 비관계형 모델)
| 측면 | 시계열 | 개체(Blob) | 검색/인덱싱 |
|---|---|---|---|
| 표준화 | 정규화 된 | 비정규화된 | 정규화를 해제한 |
| Schema | 읽기 시 스키마(태그) | 불투명 값 및 메타데이터 | 쓰기 시 스키마(인덱스 매핑) |
| 원자성 범위 | 해당 사항 없음 (추가 시) | Object | 각 문서 또는 인덱스 작업에 대해 |
| 액세스 패턴 | 타임슬라이스 스캔, 윈도우 집계 | 전체 개체 작업 | 텍스트 쿼리 및 필터 |
| 인덱싱 | 시간 및 선택적 보조 기능 | 키(경로)만 | 반전 및 선택적 요소 |
| 데이터 셰이프 | 표 형식의 데이터(타임스탬프, 태그, 값) | 메타데이터가 있는 이진 데이터 또는 블롭 | 토큰화된 텍스트 및 구조화된 필드 |
| 프로필 작성 | 고속 추가 | 대량 또는 드문 업데이트 | 일괄 처리 또는 스트리밍 인덱스 |
| 프로필 읽기 | 집계된 범위 | 전체 또는 부분 다운로드 | 순위가 지정된 결과 집합 |
| 성장 동인 | 이벤트 속도와 보유율을 곱한 값 | 개체 수 및 크기 | 인덱싱된 문서 볼륨 |
| 일관성 허용 오차 | 지연된 데이터 처리 | 각 개체에 대한 읽기 후 쓰기 | 새 문서에 대한 최종 결과 |
모델 중에서 선택(추론)
| 필요 | 선호하다 |
|---|---|
| 엄격한 다중 객체 거래 | 관계형 |
| 진화하는 집계 셰이프, JSON 중심 API | 문서 |
| 극도로 짧은 대기 시간 키 조회 또는 캐싱 | 키-값 |
| 넓고 스파스하며 쓰기가 많은 원격 분석 | 컬럼 패밀리 또는 시계열 |
| 심층 관계 탐색 | Graph |
| 대규모 기록 분석 검사 | 분석 또는 OLAP |
| 구조화되지 않은 대형 이진 파일 또는 레이크 영역 | Object |
| 전체 텍스트 관련성 및 필터링 | 검색 및 인덱싱 |
| 고속 수집 타임스탬프 메트릭을 창 쿼리로 처리하기 | 시계열 |
| 빠른 유사성(의미 체계 또는 벡터) | 벡터 검색 |
모델 결합 및 문제 방지
다음 시나리오가 적용되는 경우 둘 이상의 모델을 사용합니다.
- 액세스 패턴은 포인트 조회와 넓은 분석 검사 및 전체 텍스트 관련성과 같이 다양합니다.
- 수명 주기 및 보존은 변경할 수 없는 원시 및 큐레이팅된 구조와 같이 다릅니다.
- 대기 시간 및 처리량 요구 사항이 충돌합니다.
조기 조각화 방지:
- 성능, 규모 및 거버넌스 목표를 충족하는 경우 하나의 서비스를 사용합니다.
- 공유 분류 논리를 중앙 집중화하고 필요한 경우가 아니면 저장소 간에 중복 변환 파이프라인을 방지합니다.
다음과 같은 일반적인 안티패턴을 확인합니다.
- 여러 마이크로 서비스가 하나의 데이터베이스를 공유하여 결합을 만듭니다.
- Teams는 모니터링 또는 백업과 같은 운영 완성도 없이 다른 모델을 추가합니다.
- 검색 인덱스는 기본 데이터 저장소가 되며 이로 인해 오용이 발생합니다.
모델 선택을 다시 평가해야 하는 경우
| 신호 | 가능한 작업 |
|---|---|
| 문서 저장소에서 임시 조인 늘리기 | 관계형 읽기 모델 소개 |
| 검색 인덱스에서 분석 집계로 인한 높은 CPU 사용 | 분석 엔진으로 오프로드 |
| 비정규화된 대규모 문서가 부분 업데이트 경합을 만듭니다. | 집계를 재구성하거나 분할하기 |
| 열 패밀리 저장소에서 시간 창 쿼리 속도가 느림 | 특별히 빌드된 시계열 데이터베이스 채택 |
| 그래프 순회 깊이를 사용하여 지점 조회 대기 시간이 증가합니다. | 파생된 구체화 뷰 추가 |
다음 단계
관련 리소스
다음 문서를 사용하여 특수 데이터 저장소를 선택합니다.
이 문서에서 Azure 서비스를 사용하는 참조 아키텍처에 대해 알아봅니다.
- 기본 고가용성 영역 중복 웹 애플리케이션 아키텍처는 SQL Database를 관계형 데이터 저장소로 사용합니다.
- Azure Container Apps 및 Dapr 아키텍처를 사용하는 마이크로 서비스 배포는 SQL Database, Azure Cosmos DB 및 Azure Cache for Redis를 데이터 저장소로 사용합니다.
- Azure 아키텍처의 자동화 문서 분류는 Azure Cosmos DB를 데이터 저장소로 사용합니다.