DifficileChoix unique

Question d'entraînement AZ-305

Vous concevez une stratégie de stockage pour une solution d'analyse de données qui traite de grands volumes de données en continu (streaming). Les données doivent être stockées de manière rentable avec une faible latence pour les données chaudes et un accès peu fréquent pour les données froides après 30 jours. La solution doit prendre en charge à la fois les requêtes par lots (batch) et interactives. Quelle combinaison de services de stockage Azure devez-vous recommander ?

Choisissez la meilleure réponse.

Bonne réponse

  • AAzure Data Lake Storage Gen2 avec gestion du cycle de vie

Explication

Azure Data Lake Storage Gen2 (ADLS Gen2) associe l'évolutivité et les avantages de coût du stockage d'objets à un espace de noms hiérarchique, permettant l'exécution de requêtes par lots (batch) et interactives via des services tels qu'Azure Synapse Analytics et Apache Spark. Les politiques de gestion du cycle de vie peuvent faire passer automatiquement les données chaudes vers des niveaux plus froids (par exemple, cool ou archive) après 30 jours, réduisant ainsi les coûts pour les données froides rarement consultées tout en maintenant un accès à faible latence pour les données chaudes. Cela fait d'ADLS Gen2 le choix idéal pour l'analyse de données en streaming qui nécessite un stockage hiérarchisé et rentable tout en prenant en charge divers types de requêtes.

Pourquoi chaque option est juste ou fausse

A

Juste

Azure Data Lake Storage Gen2 avec gestion du cycle de vie

Azure Data Lake Storage Gen2 combine un espace de noms hiérarchique avec le stockage durable et évolutif d'Azure Blob Storage, offrant aux moteurs d'analyse tels que Synapse, Databricks et HDInsight des structures de répertoires natives et un contrôle d'accès de style POSIX. Les politiques de gestion du cycle de vie peuvent automatiquement faire passer les données des niveaux chauds aux niveaux froids puis d'archive en fonction de l'âge ou de l'utilisation, réduisant considérablement les coûts de stockage tout en maintenant les données interrogeables pour l'analytique par lots et interactive. Cela en fait un outil conçu spécifiquement pour les pipelines d'analyse à grand volume où les performances et la gouvernance des coûts sont importantes.

B

Fausse

Azure SQL Database avec géo-réplication

Azure SQL Database est un magasin relationnel de traitement des transactions en ligne (OLTP) qui gère des index B-tree et un stockage basé sur des lignes optimisé pour les recherches d'une seule ligne et les petites écritures, et non pour l'analyse ou l'agrégation de massifs jeux de données en streaming. La géo-réplication duplique la base de données vers une autre région à des fins de reprise après sinistre, mais elle ne rend en rien la plateforme adaptée à des charges de travail analytiques à grande échelle ni ne réduit le coût du stockage de données brutes à volume élevé. Ses schémas fixes et son évolutivité de stockage limitée se heurtent également à la nature de type schema-on-read de l'analytique de données moderne.

C

Fausse

Azure Blob Storage avec des niveaux d'accès chaud et froid

Azure Blob Storage avec des niveaux d'accès chaud et froid est un magasin d'objets générique qui prend en charge l'analytique, mais il lui manque l'espace de noms hiérarchique et les opérations de répertoire atomiques que l'on trouve dans Data Lake Storage Gen2. En l'absence d'une véritable abstraction de système de fichiers, les moteurs d'analyse doivent émuler des dossiers à l'aide de préfixes, ce qui complique l'élagage des partitions, le renommage et les modèles de lecture fusionnée, tout en exacerbant les coûts pour les tâches à haut débit. Les niveaux d'accès optimisent uniquement la fréquence de lecture des données, et non la disposition des fichiers et les exigences de métadonnées des moteurs columnaire comme Spark ou Presto, ce qui en fait un choix moins adapté qu'ADLS Gen2.

D

Fausse

Azure Cosmos DB avec plusieurs niveaux de cohérence

Azure Cosmos DB est un service NoSQL multi-modèle conçu pour un accès transactionnel à faible latence, distribuant les données via des partitions logiques et indexant chaque propriété pour des requêtes ponctuelles et des lectures de petites plages efficaces. Plusieurs niveaux de cohérence gèrent le compromis entre latence et obsolescence, mais ils ne traitent pas la manière dont les données sont physiquement organisées pour le balayage analytique ; l'exécution d'agrégations à grande échelle consommerait des unités de requête excessives par rapport à un budget élevé de RU/s. Les charges de travail analytiques nécessitent un stockage columnaire, le saut de données et des formats optimisés pour l'écriture tels que Parquet, qu'Azure Cosmos DB ne fournit pas.

Pour aller plus loin

ADLS Gen2 implémente un espace de noms hiérarchique au-dessus d'Azure Blob Storage, permettant des opérations de répertoire de type POSIX et des renommages de répertoire atomiques, qui sont essentiels pour les moteurs d'analyse tels que Spark et Hive afin d'effectuer un élagage efficace des partitions et un listage des fichiers. Les règles de gestion du cycle de vie utilisent des balises d'index d'objets blob ou des filtres basés sur des préfixes pour déplacer automatiquement les données entre les niveaux chaud, froid et archive, le niveau archive offrant le coût de stockage le plus bas mais nécessitant une réhydratation (jusqu'à 15 heures) pour l'accès. Dans un scénario de streaming réel, les données peuvent être ingérées dans ADLS Gen2 via Azure Event Hubs ou Azure Stream Analytics, puis interrogées de manière interactive avec Azure Synapse Serverless SQL ou Spark, tandis que les politiques de cycle de vie garantissent que les partitions plus anciennes passent à des niveaux plus froids après 30 jours sans intervention manuelle. Les concepteurs doivent s'assurer que l'espace de noms hiérarchique est activé lors de la création du compte, car il ne peut pas être ajouté rétroactivement.

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.