MoyenneChoix unique

Question d'entraînement DP-900

Un analyste de données doit exécuter des requêtes SQL ad-hoc sur des pétaoctets de données stockées sous forme de fichiers Parquet dans Azure Data Lake Storage Gen2. Les requêtes sont peu fréquentes mais doivent renvoyer des résultats en quelques secondes. L'analyste souhaite payer uniquement pour la quantité de données traitées et ne veut gérer aucune infrastructure de calcul. De plus, il doit créer des vues pour simplifier les futurs rapports dans Power BI. Quel service Azure doit-il utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • AAzure Synapse Serverless SQL pool

Explication

Azure Synapse Serverless SQL pool est le bon choix car il permet d'interroger des pétaoctets de données dans Azure Data Lake Storage Gen2 en utilisant du T-SQL standard sans provisionner aucune infrastructure de calcul. Il facture uniquement la quantité de données traitées par requête (modèle pay-per-query) et prend en charge la création de vues pour les rapports Power BI, répondant à toutes les exigences énoncées.

Pourquoi chaque option est juste ou fausse

A

Juste

Azure Synapse Serverless SQL pool

Le pool SQL serverless interroge directement les fichiers Parquet dans Data Lake Storage Gen2 via OPENROWSET, facturant par téraoctet de données traitées sans infrastructure à gérer. Son moteur distribué renvoie des résultats en quelques secondes, et il prend en charge la création de vues que Power BI peut consommer, satisfaisant toutes les contraintes énoncées.

B

Fausse

Azure SQL Database

Azure SQL Database est un moteur transactionnel avec une taille maximale de 8 To, il ne peut donc pas interroger des fichiers Parquet de pétaoctets dans Data Lake Storage Gen2 sur place. Il est tentant comme surface SQL familière, mais l'échelle, l'interrogation de fichiers externes et le modèle de paiement par données traitées nécessitent un moteur analytique serverless.

C

Fausse

Azure Synapse Dedicated SQL pool

Un pool SQL dédié provisionne des unités de calcul fixes facturées à l'heure quel que soit le volume de requêtes, et les données doivent être ingérées dans son propre stockage plutôt qu'interrogées sur place depuis Data Lake Storage Gen2. Il convient à l'entreposage à haute concurrence soutenu, pas aux requêtes ad-hoc peu fréquentes payées au téraoctet.

D

Fausse

Azure HDInsight with Spark

HDInsight avec Spark provisionne et gère le calcul de cluster, facturé à l'heure que les requêtes s'exécutent ou non, et Spark SQL ne fournit pas le modèle serverless en quelques secondes requis. Il est tentant pour le traitement Spark à l'échelle du pétaoctet, mais l'exigence de paiement par données traitées et sans infrastructure pointe vers un moteur de requête serverless.

Pour aller plus loin

Les pools SQL serverless Azure Synapse interrogent les fichiers directement dans Data Lake Storage Gen2 en utilisant la fonction OPENROWSET avec une clause FORMAT='PARQUET', facturant par téraoctet de données analysées plutôt que pour le calcul provisionné. Comme il n'y a aucune infrastructure à gérer, cela convient à l'exploration ad-hoc peu fréquente de données Parquet à l'échelle du pétaoctet, et les instructions CREATE VIEW permettent aux analystes d'exposer des jeux de données simplifiés que Power BI peut consommer via DirectQuery ou import. Les performances dépendent fortement de la disposition des fichiers : le partitionnement et la sélection uniquement des colonnes nécessaires réduisent les octets analysés et donc le coût et la latence. Les pools SQL dédiés nécessitent des DWU provisionnées, et HDInsight Spark nécessite une gestion de cluster, donc aucun ne correspond à l'exigence de paiement par requête et sans opération.

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.