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.
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.
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.