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.
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.