DifficileChoix unique

Question d'entraînement AZ-305

Une plateforme de données doit prendre en charge des requêtes analytiques sur des pétaoctets de fichiers dans un data lake, tout en préservant les espaces de noms hiérarchiques et les ACLs granulaires. Sur quel service de stockage devez-vous baser votre conception ?

Choisissez la meilleure réponse.

Bonne réponse

  • AAzure Data Lake Storage Gen2.

Explication

Azure Data Lake Storage Gen2 est le choix correct car il combine un espace de noms hiérarchique avec des ACLs de type POSIX, permettant un contrôle d'accès granulaire au niveau des fichiers et des répertoires tout en prenant en charge des charges de travail analytiques à l'échelle du pétaoctet. Il est construit sur Azure Blob Storage, offrant un débit élevé et un traitement parallèle pour les moteurs d'analytique de mégadonnées tels que Azure Synapse, Spark et Hadoop.

Pourquoi chaque option est juste ou fausse

A

Juste

Azure Data Lake Storage Gen2.

Azure Data Lake Storage Gen2 associe le stockage d'objets durable et évolatif d'Azure Blob Storage à un espace de noms hiérarchique, permettant une véritable sémantique de fichiers/répertoires telle que le renommage atomique et des listes de contrôle d'accès (ACLs) de type POSIX. Il est spécifiquement conçu comme un data lake évolutif pour des charges de travail analytiques à l'échelle du pétaoctet, prenant en charge les moteurs de traitement parallèle tels que Azure Synapse, Databricks et Hadoop via le pilote ABFS (Azure Blob File System). Cette conception optimise le débit pour les requêtes analytiques à balayage complet et permet des opérations incrémentielles au niveau des répertoires, ce qui en fait la plateforme de stockage par défaut pour les plateformes de données d'entreprise.

B

Fausse

Azure Files premium shares.

Les partages premium Azure Files ne conviennent pas car Azure Files est un service de partage de fichiers SMB/NFS géré destiné à migrer des serveurs de fichiers locaux ou à héberger des applications conteneurisées, et non à des lakehouses analytiques à l'échelle du pétaoctet. Les partages premium offrent des IOPS élevées et une faible latence, mais leur capacité totale et leur débit par partage sont plafonnés, ce qui les rend d'un coût prohibitif et techniquement inadaptés aux balayages analytiques massivement parallèles. De plus, ils reposent sur la surcharge du protocole SMB/NFS plutôt que sur un système de fichiers distribué natif du cloud, de sorte qu'ils manquent des optimisations de performances de l'espace de noms hiérarchique et des intégrations de l'écosystème nécessaires pour les moteurs de mégadonnées comme Spark ou Presto.

C

Fausse

Azure Table Storage.

Azure Table Storage ne convient pas car il s'agit d'un magasin clé-valeur NoSQL sans schéma optimisé pour les recherches ponctuelles, les requêtes sur de petites plages et les lectures/écritures rapides de données structurées à l'échelle du web, et non pour des entrepôts analytiques à l'échelle du pétaoctet. Il ne fournit aucun moteur de requêtes pour les agrégations complexes, les jointures ou les balayages colonnaires, et possède un modèle de ligne/délai d'attente maximum qui ne peut pas supporter l'analytique sur table entière pour de grands ensembles de données. Il manque également de sémantique de répertoires hiérarchiques et d'ACLs pour la gouvernance du data lake, ce qui en fait fondamentalement un service pour les données opérationnelles, et non pour la prise en charge de requêtes analytiques sur des pétaoctets.

D

Fausse

Azure Queue Storage.

Azure Queue Storage ne convient pas car il s'agit d'un service de file d'attente de messages cloud utilisé pour le découplage asynchrone des composants d'application, et non d'un système de stockage conçu pour les données analytiques. Les messages sont transitoires, de durée limitée (jusqu'à 7 jours) et limités à 64 KB chacun, sans langage de requêtes ni indexation pour l'exploration des données. Il ne fournit aucune abstraction de fichier/blob durable et évolutive ni de capacité de traitement analytique ; par conséquent, il ne peut pas prendre en charge de requêtes analytiques à l'échelle du pétaoctet et n'a aucun rapport avec les besoins de stockage d'une plateforme de données.

Pour aller plus loin

Le concept fondamental évalué par cette question est la sélection du support de stockage adapté à une plateforme de données analytiques à l'échelle du pétaoctet, où les exigences critiques sont les lectures de fichiers complets à haut débit, la sémantique de répertoire hiérarchique et l'intégration avec les moteurs de traitement distribué. Azure Data Lake Storage Gen2 (ADLS Gen2) répond à cette exigence en étendant Azure Blob Storage avec un espace de noms hiérarchique, permettant le renommage atomique de répertoires et des listes de contrôle d'accès (ACLs) de type POSIX, tout en exposant le pilote ABFS qu'Apache Spark, Apache Hive et d'autres moteurs utilisent pour traiter le lake comme un système de fichiers distribué. Une idée reçue courante est qu'ADLS Gen2 est un service distinct de Blob Storage ; en réalité, il s'agit de Blob Storage avec la fonction d'espace de noms hiérarchique activée, offrant une durabilité à l'échelle de l'objet et un coût par téraoctet inférieur à celui des services de fichiers. La subtilité réside dans le fait qu'un véritable lake analytique nécessite à la fois de la mise à l'échelle et une sémantique de répertoire – Azure Files peut évoluer avec des partages premium mais échoue en matière de rentabilité à l'échelle du pétaoctet et de débit de balayage parallèle, tandis que les services NoSQL ou de messagerie manquent des capacités de métadonnées pour la planification des requêtes. Les implémentations réelles associent souvent ADLS Gen2 à un moteur de requêtes tel que Azure Synapse Serverless ou Databricks SQL déléguant le partitionnement, la compression (par exemple, Parquet/Delta) et le compactage au lake, prouvant que le choix du stockage est fondamental pour les performances analytiques.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AZ-305 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.