MoyenneChoix unique

Question d'entraînement DP-900

Une entreprise de vente au détail exécute des requêtes de rapports analytiques sur une grande table Sales dans Azure SQL Database. La table contient plus de 100 millions de lignes et est mise à jour quotidiennement avec de nouvelles transactions. Les requêtes agrègent les données par produit et par mois, en analysant des millions de lignes par requête. L'entreprise souhaite réduire considérablement le temps d'exécution des requêtes sans modifier ces dernières. Quelle stratégie d'indexation doit-elle mettre en œuvre ?

Choisissez la meilleure réponse.

Bonne réponse

  • ACréer un index columnstore clustered sur la table.

Explication

Un index columnstore clustered est idéal pour les grands entrepôts de données et les charges de travail analytiques, car il stocke les données par colonne, permettant ainsi un taux de compression élevé et un traitement en mode batch. Pour les requêtes qui agrègent des millions de lignes par produit et par mois, les index columnstore réduisent considérablement les E/S et le CPU en analysant uniquement les colonnes nécessaires et en utilisant l'élimination des segments, ce qui répond directement à l'exigence de réduction du temps d'exécution des requêtes sans modifier les requêtes.

Pourquoi chaque option est juste ou fausse

A

Juste

Créer un index columnstore clustered sur la table.

Un index columnstore clustered est le choix optimal pour une table d'entrepôt analytique, car il stocke physiquement chaque colonne séparément, permettant au moteur de requête de lire uniquement les colonnes nécessaires aux agrégations (par exemple, ProductID, Month, SalesAmount). Cette disposition en colonnes permet des taux de compression plus élevés (souvent 5 à 10 fois) et utilise l'exécution vectorisée en mode batch, ce qui accélère considérablement les analyses et les opérations SUM/COUNT/GROUP BY par rapport au stockage basé sur les lignes. Le fait qu'il soit clustered signifie que toute la table est organisée sous forme de columnstore, éliminant les recherches rowstore et rendant les requêtes analytiques d'analyse complète extrêmement efficaces.

B

Fausse

Créer un index nonclustered sur la colonne ProductID.

Un index nonclustered sur ProductID seul ne ferait qu'accélérer les recherches filtrant par cette colonne, mais les requêtes agrègent par produit et par mois, ce qui nécessite un index couvrant qui inclut les deux colonnes pour éviter les recherches de clés dans toute la table. Il est tentant car les index nonclustered sont couramment utilisés pour accélérer les recherches d'égalité sur une seule colonne, et dans un scénario où les requêtes ne sont filtrées que par ProductID, cet index serait le bon choix.

C

Fausse

Créer un index filtré pour les données du mois le plus récent.

Un index filtré sur les données du mois en cours est un index B-tree rowstore qui ne couvre qu'un sous-ensemble de lignes ; il est donc utile pour les requêtes qui filtrent explicitement sur ce seul mois. Cependant, les rapports analytiques agrègent généralement plusieurs mois ou l'ensemble de l'historique des données ; lorsqu'une requête analyse plusieurs mois, l'index filtré ne peut pas être utilisé et le moteur de requêtes doit recourir à l'analyse du heap ou de l'index clustered. De plus, même pour le sous-ensemble couvert, un index rowstore manque toujours de la compression par colonne et du traitement en mode batch d'un columnstore, il ne fournira donc pas le même niveau de performance d'agrégation.

D

Fausse

Créer un index rowstore clustered (par défaut) et s'appuyer sur la compression de la base de données.

Un index rowstore clustered (heap/B-tree par défaut) est conçu pour les charges de travail OLTP avec des recherches ponctuelles et des analyses sur de petites plages ; pour les requêtes analytiques qui analysent un nombre massif de lignes, il force le moteur de stockage à lire des lignes entières à partir des pages de données, même lorsque seules quelques colonnes sont nécessaires. La compression de la base de données réduit les E/S physiques en réduisant les lignes stockées, mais il s'agit d'une technique générique qui ne peut égaler la compression par colonne et l'élimination de segments d'un index columnstore. De plus, les index rowstore ne prennent pas en charge l'exécution en mode batch, de sorte que les requêtes d'agrégation s'exécutent toujours en mode ligne, ce qui laisse des performances importantes sur la table.

Pour aller plus loin

La différence architecturale fondamentale entre les index rowstore et columnstore réside dans la manière dont les données sont agencées sur le disque et en mémoire. Dans un rowstore, chaque ligne est stockée de manière contiguë, ce qui est idéal pour les transactions OLTP telles qu'une mise à jour d'un seul enregistrement ou une recherche par clé primaire. Dans un columnstore, les valeurs de chaque colonne sont stockées dans des segments séparés, ce qui permet au moteur d'ignorer des segments entiers lorsque les agrégations n'ont besoin que de quelques colonnes ; c'est ce qu'on appelle l'élimination de segments de colonnes. Les index columnstore utilisent également un algorithme de compression hautement efficace qui exploite l'ordre des données et le codage par plages, atteignant souvent un taux de compression de 10x par rapport au rowstore, ce qui réduit les E/S et permet à un plus grand volume de données de tenir en mémoire. Une autre subtilité est que les index columnstore peuvent toujours prendre en charge des recherches ponctuelles de type OLTP directement s'ils sont clusterisés, mais ils excellent lorsque les requêtes effectuent des analyses et des agrégations à grande échelle. Une idée fausse très répandue est que l'ajout d'un index nonclustered sur une colonne fréquemment filtrée accélérera les rapports, mais ces index sont basés sur les lignes et nécessitent des recherches de clés pour les colonnes non incluses dans l'index, ce qui les rend beaucoup moins efficaces pour les requêtes analytiques larges. En production, les entrepôts de données créent souvent des index columnstore clustered sur les tables de faits, tout en laissant les tables de dimensions en rowstore pour les performances de jointure et de recherche.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement DP-900 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.