DifficileChoix unique

Question d'entraînement DP-900

Vous êtes architecte de données pour une organisation de santé. L'organisation doit construire une solution d'analyse en temps réel pour surveiller les signes vitaux des patients à partir d'appareils IoT. Les données arrivent à un rythme de 10 000 événements par seconde. Chaque événement contient l'identifiant du patient, l'horodatage, la fréquence cardiaque, la tension artérielle et la saturation en oxygène. La solution doit alerter les cliniciens dans les 10 secondes lorsque les signes vitaux d'un patient dépassent des seuils prédéfinis. De plus, la solution doit stocker les données brutes pour l'analyse historique et la conformité. Vous prévoyez d'utiliser Azure Event Hubs pour l'ingestion. Quelle combinaison de services devez-vous utiliser pour répondre aux exigences ? Considérez : le traitement d'alertes à faible latence, le stockage des données brutes dans un stockage rentable et la mise en œuvre d'analyses historiques. Vous devez également vous assurer que la solution peut s'adapter pour gérer la croissance future.

Choisissez la meilleure réponse.

Bonne réponse

  • DUtilisez Azure Stream Analytics pour le traitement et les alertes en temps réel, exportez les données vers Azure Data Lake Storage et utilisez Azure Synapse Serverless SQL pour les analyses historiques

Explication

Azure Stream Analytics fournit un traitement de flux à faible latence (inférieure à la seconde) et peut déclencher des alertes dans le délai requis de 10 secondes. L'envoi des données brutes vers Azure Data Lake Storage (ADLS) offre un stockage rentable pour la conformité, et Azure Synapse Serverless SQL permet des analyses historiques à la demande sans provisionner de calcul dédié, s'adaptant automatiquement pour la croissance future.

Pourquoi chaque option est juste ou fausse

A

Fausse

Utilisez Azure Databricks avec Structured Streaming, stockez les données dans Delta Lake et utilisez Power BI pour les tableaux de bord en temps réel

Azure Databricks avec Structured Streaming est basé sur Apache Spark, qui peut effectivement traiter des flux d'événements à grand volume, mais il introduit une surcharge opérationnelle importante : vous devez gérer des clusters, configurer des points de contrôle de streaming et ajuster les travaux Spark. Pour une règle d'alerte simple sur 10 000 événements/sec, Azure Stream Analytics offre un moteur basé sur SQL déclaratif et entièrement géré avec une latence inférieure à la seconde, tandis que Databricks entraîne généralement plusieurs secondes de latence dues à la planification des travaux Spark et aux intervalles de micro-lots. Delta Lake est excellent pour les transactions ACID et le voyage dans le temps, mais l'enregistrement des données de streaming brutes directement dans Azure Data Lake Storage est moins cher et plus simple, et les tableaux de bord en temps réel de Power BI ne peuvent pas consommer Delta Lake de manière native sans services supplémentaires comme Stream Analytics en tant que passerelle.

B

Fausse

Utilisez Azure Data Factory pour ingérer des événements par lots chaque minute, stockez-les dans Azure Blob Storage et utilisez Azure Analysis Services pour les analyses historiques

Azure Data Factory est un outil d'orchestration et d'ETL par lots, et non un processeur de flux en temps réel. Un intervalle de lot d'une minute signifie que les événements peuvent rester dans la source jusqu'à 60 secondes avant l'ingestion, ce qui viole immédiatement l'exigence d'alerte de 10 secondes. Même si vous réduisiez l'intervalle, la surcharge de planification et l'absence de traitement d'événements natif le rendent impraticable pour les alertes à faible latence. Azure Blob Storage convient aux données brutes, mais Azure Analysis Services est une couche de modélisation sémantique conçue pour des données nettoyées et agrégées, et non pour interroger directement des fichiers bruts dans un lac de données ; Azure Synapse Serverless SQL serait un choix bien meilleur pour les analyses historiques sur Blob Storage.

C

Fausse

Utilisez Azure Functions pour traiter les événements, stockez les données dans Azure Cosmos DB et utilisez Power BI pour les analyses historiques

Azure Functions est piloté par les événements et peut évoluer horizontalement, mais à 10 000 événements/sec, chaque invocation ajoute une surcharge par exécution, y compris les démarrages à froid et l'initialisation du runtime, ce qui rend risqué de garantir une latence de bout en bout de 10 secondes pour les alertes. Stocker toutes les données d'événements brutes dans Azure Cosmos DB est prohibitif en termes de coûts car Cosmos DB facture par unité de requête (RU) et est optimisé pour les charges de travail opérationnelles, et non pour le stockage de télémétrie à haute vélocité. De plus, utiliser Power BI pour interroger Cosmos DB pour des analyses historiques est inefficace car le connecteur de Power BI est conçu pour des ensembles de résultats de petite à moyenne taille ; le modèle correct consiste à placer les données brutes dans Data Lake Storage et à utiliser un moteur SQL sans serveur pour gérer des analyses à grande échelle sans provisionner d'infrastructure.

D

Juste

Utilisez Azure Stream Analytics pour le traitement et les alertes en temps réel, exportez les données vers Azure Data Lake Storage et utilisez Azure Synapse Serverless SQL pour les analyses historiques

Azure Stream Analytics est un moteur de traitement de flux entièrement géré qui utilise des requêtes de type SQL pour filtrer, agréger et émettre des alertes en temps réel, gérant facilement 10 000 événements/sec avec le partitionnement et une faible latence. Il peut écrire des sorties brutes ou traitées dans Azure Data Lake Storage, ce qui fournit un stockage rentable et évolutif pour la télémétrie à grand volume. Azure Synapse Serverless SQL peut ensuite interroger ces fichiers directement à l'aide de T-SQL, permettant des analyses historiques sur le même lac de données sans les charger dans un magasin séparé ni gérer le calcul. Cette combinaison sépare proprement le chemin chaud (alertes en temps réel) du chemin froid (analyses historiques) tout en minimisant la surcharge opérationnelle et en répondant à toutes les exigences de latence.

Pour aller plus loin

Cette question teste la distinction entre le traitement de flux en temps réel et l'analyse orientée par lots dans Azure. Azure Stream Analytics est spécialement conçu pour le traitement continu d'événements avec des fenêtres temporelles, la création de points de contrôle et une sémantique exactement une fois, ce qui en fait le service de prédilection pour les alertes en moins d'une seconde sur des données à haute vitesse. Une idée fausse courante est qu'un service de calcul quelconque peut être rendu 'en temps réel' en l'invoquant fréquemment, mais le véritable streaming nécessite un moteur de requête persistant qui traite les événements dès leur arrivée, et non un planificateur par lots. Le modèle de conception ici sépare le chemin chaud —Stream Analytics pour les alertes immédiates— du chemin froid —Data Lake Storage pour l'archivage brut économique et Synapse Serverless pour les requêtes à la demande. Une subtilité est que les tableaux de bord en temps réel de Power BI dépendent souvent de Stream Analytics comme passerelle, car la requête directe de Power BI n'est pas adaptée à l'ingestion de milliers d'événements par second. Comprendre où placer la limite entre le streaming et le traitement par lots, et pourquoi Data Lake Storage est préféré pour les données brutes aux bases de données comme Cosmos DB, est central pour la couverture des charges de travail de données analytiques dans DP-900.

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.