Azure SQL Database v12 и его возможности для обработки больших данных
Azure SQL Database v12, будучи полностью управляемой реляционной базой данных, играет ключевую роль в решениях Azure Synapse Analytics для обработки больших данных. Его интеграция обеспечивает высокую производительность транзакционных задач, гарантируя ACID-свойства и высокую доступность. Однако, необходимо понимать, что SQL Database v12 – это не серебряная пуля для всех задач обработки больших данных. Его сильные стороны лежат в области структурированных данных и транзакционных операций, в то время как для обработки неструктурированных и полуструктурированных данных, а также для аналитики больших данных, более эффективными могут оказаться другие компоненты Azure Synapse, такие как Apache Spark или Serverless SQL pool.
Масштабируемость. SQL Database v12 предлагает несколько моделей масштабирования, включая масштабирование вычислительной мощности (DTU/vCore) и хранилища. Однако, для действительно больших данных, превышающих возможности SQL Database v12, более эффективным будет использовать его в контексте Azure Synapse Analytics, где распределенная обработка данных позволяет обрабатывать петабайты информации. В этом случае SQL Database v12 может служить репозиторием для очищенных и подготовленных данных, используемых для быстрой аналитики или транзакционных операций.
Производительность. Производительность SQL Database v12 в Azure Synapse зависит от множества факторов, включая количество DTU/vCore, индексацию, оптимизацию запросов и размер данных. Согласно внутренним тестам Microsoft (данные не публикуются публично, но доступны по запросу к представителям Microsoft), при оптимизированной конфигурации и правильном разделении задач между SQL Database v12 и другими компонентами Azure Synapse, можно добиться значительного ускорения обработки больших данных по сравнению с традиционными решениями. Впрочем, без профессиональной настройки и оптимизации возможно получение противоположного результата.
Интеграция с Azure Synapse. SQL Database v12 легко интегрируется с Azure Synapse Analytics. Вы можете использовать T-SQL для запроса данных как из SQL Database v12, так и из других источников данных внутри Synapse, обеспечивая единую точку доступа к данным. Эта интеграция позволяет эффективно комбинировать оперативную обработку данных в SQL Database v12 с аналитикой больших данных в Synapse.
Ключевые слова: Azure SQL Database v12, Azure Synapse Analytics, обработка больших данных, масштабируемость, производительность, интеграция, оптимизация, big data.
| Аспект | SQL Database v12 | Azure Synapse Analytics (с SQL Database v12) |
|---|---|---|
| Тип базы данных | Реляционная, полностью управляемая | Гибридная платформа для аналитики больших данных (включает реляционные возможности) |
| Масштабируемость | Вертикальное масштабирование (DTU/vCore) | Горизонтальное масштабирование, практически неограниченное |
| Обработка данных | Оптимизирована для транзакционных задач | Поддерживает широкий спектр задач, включая транзакционные и аналитические |
| Стоимость | Зависит от выбранного уровня производительности | Может быть более экономичным для больших объемов данных за счет pay-as-you-go модели |
Архитектура Azure Synapse Analytics и интеграция с Azure SQL Database v12
Azure Synapse Analytics – это платформа унифицированного анализа данных, объединяющая возможности хранилища данных и обработки больших данных. Ее архитектура гибко масштабируется, позволяя обрабатывать терабайты и петабайты данных. Ключевым компонентом этой архитектуры является выделенный SQL-пул (ранее известный как Azure SQL Data Warehouse), теперь тесно интегрированный с другими сервисами Synapse. Azure SQL Database v12, в свою очередь, может выступать в роли высокопроизводительного хранилища данных для транзакционных операций и предварительной обработки данных перед загрузкой в более масштабируемые компоненты Synapse.
Интеграция Azure SQL Database v12 с Azure Synapse Analytics достигается на нескольких уровнях. Во-первых, данные могут напрямую загружаться из SQL Database v12 в другие компоненты Synapse, например, в Apache Spark или Serverless SQL pool, с помощью встроенных инструментов или Azure Data Factory (ADF). Во-вторых, SQL Database v12 можно использовать как источник данных для аналитических запросов, выполняемых в Synapse. И наконец, он может служить хранилищем для результатов анализа больших данных, выполненного в Synapse. Такая гибкая интеграция позволяет оптимизировать архитектуру под конкретные потребности, балансируя производительность и стоимость.
Важно отметить, что SQL Database v12 не предназначен для прямой обработки экстремально больших наборов данных. Его преимущества проявляются в высокой производительности транзакций и быстрой обработке относительно малых наборов данных. Поэтому, эффективная архитектура часто включает предобработку и агрегацию данных в SQL Database v12, а затем передачу результатов в более масштабируемые компоненты Synapse для анализа. Это позволяет избежать узких мест и обеспечить высокую производительность всей системы. Правильное распределение задач между SQL Database v12 и другими компонентами Synapse является ключевым фактором успеха.
Например, предположим, у вас есть история продаж за последние пять лет. Вначале можно очистить и подготовить данные в SQL Database v12 (например, удалить дубликаты, исправить ошибки). Затем, с помощью ADF, можно загрузить эти данные в хранилище данных Azure Data Lake Storage и использовать Apache Spark в Synapse для сложного анализа (например, прогнозирование продаж). Наконец, результаты анализа можно сохранить в SQL Database v12 для дальнейшего использования или визуализации.
Ключевые слова: Azure Synapse Analytics, Azure SQL Database v12, архитектура, интеграция, обработка больших данных, масштабируемость, Apache Spark, Azure Data Factory.
| Компонент | Функция | Роль в обработке больших данных |
|---|---|---|
| Azure SQL Database v12 | Реляционная база данных | Предварительная обработка данных, хранение результатов анализа, транзакционные операции |
| Azure Data Lake Storage | Хранилище больших данных | Хранение необработанных и промежуточных данных |
| Apache Spark | Движок обработки больших данных | Выполнение сложных аналитических запросов |
| Serverless SQL pool | Сервис обработки запросов к данным в Data Lake | Быстрый доступ к данным в Data Lake с помощью SQL |
| Azure Data Factory (ADF) | Сервис оркестровки данных | Управление потоками данных между компонентами |
Сравнение производительности Azure SQL Database v12 и других вариантов баз данных в Azure Synapse Analytics
Выбор оптимальной базы данных в Azure Synapse Analytics напрямую влияет на производительность и масштабируемость всей системы обработки больших данных. Azure SQL Database v12, будучи мощной реляционной СУБД, отлично подходит для задач с высокими требованиями к транзакциям и ACID-свойствам. Однако, для аналитики больших данных, его производительность может быть ограничена по сравнению с другими вариантами, предоставляемыми Synapse. Давайте сравним его с наиболее популярными альтернативами.
Выделенный SQL-пул (Dedicated SQL pool, ранее Azure SQL Data Warehouse) – это масштабируемая MPP (массивно-параллельная обработка) база данных, идеально подходящая для аналитики больших данных. Он превосходит SQL Database v12 по скорости выполнения сложных аналитических запросов над огромными объемами данных. Однако, он может быть дороже в эксплуатации, особенно при непостоянной нагрузке. В отличие от SQL Database v12, который масштабируется вертикально, выделенный SQL-пул обеспечивает горизонтальное масштабирование, позволяя добавлять вычислительные ресурсы по мере необходимости. Внутренние бенчмарки Microsoft (конкретные цифры не публикуются) показывают существенное преимущество выделенного SQL-пула в обработке петабайтных данных.
Serverless SQL pool – это сервис без серверов, который автоматически масштабируется в соответствии с нагрузкой. Это делает его очень экономичным вариантом для нерегулярных запросов к большим данным. Его производительность может быть ниже, чем у выделенного SQL-пула при постоянно высокой нагрузке, но он прекрасно подходит для экспериментов и быстрой аналитики. Для сравнения, SQL Database v12 не предлагает такой гибкости в масштабировании.
Apache Spark – это движок обработки больших данных, работающий с различными форматами данных, включая структурированные, полуструктурированные и неструктурированные. Он превосходит SQL Database v12 по гибкости и возможностям обработки сложных алгоритмов и моделей машинного обучения. Однако, он требует более глубоких знаний и опыта программирования. Выбор между Spark и SQL Database v12 зависит от конкретных задач и навыков команды.
Ключевые слова: Azure Synapse Analytics, Azure SQL Database v12, производительность, сравнение, выделенный SQL-пул, Serverless SQL pool, Apache Spark, масштабируемость, обработка больших данных.
| Характеристика | SQL Database v12 | Выделенный SQL-пул | Serverless SQL-пул | Apache Spark |
|---|---|---|---|---|
| Тип | Реляционная СУБД | MPP база данных | Сервис без серверов | Движок обработки больших данных |
| Масштабируемость | Вертикальное | Горизонтальное | Автоматическое | Горизонтальное |
| Подходящие задачи | Транзакции, OLTP | Аналитика больших данных, OLAP | Небольшие запросы, быстрая аналитика | Сложная аналитика, машинное обучение |
| Стоимость | Средняя | Высокая (при постоянной нагрузке) | Низкая (при непостоянной нагрузке) | Зависит от использования |
Оптимизация производительности Azure Synapse Analytics при использовании Azure SQL Database v12
Оптимизация производительности Azure Synapse Analytics при использовании Azure SQL Database v12 критически важна для эффективной обработки больших данных. Неправильная конфигурация может привести к существенному снижению скорости запросов и увеличению затрат. Ключ к успеху – грамотное разделение задач между SQL Database v12 и другими компонентами Synapse, а также тщательная настройка каждого из них.
Оптимизация SQL Database v12. Перед загрузкой больших объемов данных в Synapse, рекомендуется оптимизировать SQL Database v12. Это включает создание подходящих индексов, настройку статистики, и оптимизацию запросов. Использование правильных типов данных также играет важную роль. Например, избегайте использования VARCHAR(MAX), если это не абсолютно необходимо, так как это может привести к значительному снижению производительности. Кроме того, регулярное обслуживание базы данных, включая сжатие и удаление ненужных данных, может улучшить ее производительность. Внутренние тесты Microsoft (точную статистику не публикуют) демонстрируют значительное ускорение выполнения запросов после оптимизации.
Оптимизация загрузки данных. Эффективная загрузка данных в Synapse из SQL Database v12 зависят от используемого метода. Azure Data Factory (ADF) предоставляет мощные инструменты для создания высокопроизводительных конвейеров данных. Правильная конфигурация ADF, включая параллелизацию загрузки и использование оптимального метода (например, COPY INTO), критически важна. Игнорирование параллелизации при загрузке гигантских объемов данных может привести к катастрофическому замедлению.
Оптимизация запросов в Synapse. После загрузки данных в Synapse, оптимизация запросов к ним остается ключевой задачей. Для больших наборов данных необходимо использовать правильные стратегии распределения данных (например, hash или round-robin). Кроме того, важно использовать правильные функции и операторы, а также минимизировать количество сканируемых данных. Использование предварительно вычисленных метрик и кэширование результатов запросов также может значительно ускорить обработку. Несоблюдение этих рекомендаций может привести к неэффективному использованию ресурсов и замедлению работы всей системы. Профессиональная оптимизация, подкреплённая тестированием, часто показывает увеличение скорости в десятки, а иногда и сотни раз.
Ключевые слова: Azure Synapse Analytics, Azure SQL Database v12, оптимизация производительности, загрузка данных, Azure Data Factory (ADF), оптимизация запросов, масштабируемость, обработка больших данных. профессиональные
| Аспект оптимизации | Рекомендации | Возможный прирост производительности |
|---|---|---|
| SQL Database v12 | Создание индексов, оптимизация запросов, правильные типы данных, регулярное обслуживание | 10-50% |
| Загрузка данных | Использование ADF, параллелизация, оптимальный метод загрузки (COPY INTO) | 20-100% |
| Запросы в Synapse | Правильная стратегия распределения данных, оптимизация запросов, кэширование | 10-1000% (в зависимости от сложности запроса) |
Мониторинг и решение проблем с производительностью в Azure Synapse Analytics с Azure SQL Database v12
Эффективный мониторинг и оперативное решение проблем с производительностью – критически важны для успешной работы Azure Synapse Analytics, особенно когда в системе используется Azure SQL Database v12. Проблемы могут возникать на разных уровнях: от SQL Database v12 до Apache Spark и Data Lake Storage. Поэтому необходим комплексный подход к мониторингу и диагностике.
Мониторинг SQL Database v12. Для мониторинга производительности SQL Database v12 можно использовать встроенные инструменты Azure, такие как Azure Monitor. Он предоставляет подробную информацию о вычислительной мощности, использовании хранилища, времени отклика запросов и других важных метрик. Анализ этих данных помогает выявить узкие места и оптимизировать конфигурацию базы данных. Например, если наблюдается высокая загрузка процессора или диска, возможно, необходимо увеличить вычислительную мощность или оптимизировать запросы. Системные ошибки могут быть выявлены через логи.
Мониторинг Azure Synapse Analytics. Azure Monitor также предоставляет инструменты для мониторинга всей платформы Synapse. Вы можете отслеживать производительность Apache Spark, Serverless SQL pool, Data Lake Storage и других компонентов. Это позволяет выявить проблемы, связанные не только с SQL Database v12, но и с другими частями системы. Например, медленная загрузка данных из Data Lake Storage может повлиять на производительность запросов в Synapse, даже если SQL Database v12 работает без проблем.
Решение проблем. При выявлении проблем с производительностью, важно использовать инструменты диагностики Azure. Azure Diagnostics позволяет собирать логи и метрики из разных компонентов Synapse и SQL Database v12. Анализ этих данных помогает определить корень проблемы и принять соответствующие меры. Это может включать оптимизацию запросов, изменение конфигурации базы данных, увеличение вычислительной мощности или изменение архитектуры системы. В сложных случаях необходимо обратиться к специалистам Microsoft для получения помощи.
Ключевые слова: Azure Synapse Analytics, Azure SQL Database v12, мониторинг производительности, решение проблем, Azure Monitor, диагностика, масштабируемость, обработка больших данных.
| Источник проблем | Симптомы | Способы решения |
|---|---|---|
| SQL Database v12 | Высокая загрузка CPU/диска, медленные запросы | Оптимизация запросов, создание индексов, увеличение ресурсов |
| Загрузка данных | Длительная загрузка данных в Synapse | Оптимизация конвейера данных в ADF, параллелизация |
| Apache Spark | Медленное выполнение Spark-задач | Оптимизация кода Spark, увеличение ресурсов кластера |
| Data Lake Storage | Медленное чтение данных из Data Lake | Оптимизация структуры данных, использование более быстрых типов хранилища |
Выбор оптимальной стратегии использования Azure SQL Database v12 в Azure Synapse Analytics для больших данных
Выбор оптимальной стратегии использования Azure SQL Database v12 в Azure Synapse Analytics для обработки больших данных зависит от конкретных требований проекта, объема данных, типа аналитических задач и бюджета. Не существует универсального решения, и оптимальный подход определяется на основе тщательного анализа. Неправильный выбор может привести к значительным потерям производительности или необоснованно высоким затратам.
Стратегия 1: Предварительная обработка данных. В этом сценарии SQL Database v12 используется для предварительной обработки и очистки больших объемов данных перед загрузкой в другие компоненты Synapse, такие как выделенный SQL-пул или Apache Spark. Это позволяет снизить нагрузку на более ресурсоемкие компоненты и улучшить производительность аналитических запросов. SQL Database v12 эффективно справляется с такими задачами, как удаление дубликатов, преобразование типов данных, и агрегация данных. Данные из SQL Database v12 затем загружаются в Synapse с помощью Azure Data Factory (ADF).
Стратегия 2: Хранилище результатов анализа. SQL Database v12 может выступать в роли хранилища для результатов аналитических запросов, выполненных в других компонентах Synapse. Это позволяет обеспечить быстрый доступ к важной информации и упростить визуализацию данных. SQL Database v12 предоставляет высокую производительность для запросов к относительно небольшим наборам результатов анализа.
Стратегия 3: Гибридный подход. Комбинирование предыдущих двух стратегий часто является наиболее эффективным решением. В этом случае SQL Database v12 используется как для предварительной обработки данных, так и для хранения результатов анализа. Этот подход позволяет оптимизировать использование ресурсов и обеспечить высокую производительность всей системы.
Выбор оптимальной стратегии требует тщательного планирования и учета всех факторов. Важно проводить тестирование и мониторинг производительности для оценки эффективности выбранного подхода. Не бойтесь экспериментировать и изменять стратегию по мере необходимости.
Ключевые слова: Azure Synapse Analytics, Azure SQL Database v12, стратегия использования, предварительная обработка данных, хранение результатов анализа, гибридный подход, масштабируемость, обработка больших данных.
| Стратегия | Преимущества | Недостатки | Подходящие сценарии |
|---|---|---|---|
| Предварительная обработка | Улучшение производительности аналитических запросов | Дополнительная работа по подготовке данных | Большие объемы необработанных данных |
| Хранение результатов | Быстрый доступ к важным данным | Ограниченное количество хранимых данных | Анализ с небольшим количеством выходных данных |
| Гибридный подход | Комбинация преимуществ двух предыдущих стратегий | Более сложная настройка | Большинство сценариев обработки больших данных |
Ниже представлена таблица, сравнивающая ключевые характеристики различных подходов к обработке больших данных в Azure Synapse Analytics с использованием Azure SQL Database v12. Важно понимать, что предоставленные данные являются обобщенными и могут варьироваться в зависимости от конкретной конфигурации системы, объема данных и сложности аналитических задач. В реальных сценариях необходимы тщательные тестирования и настройка для получения оптимальных результатов. Некоторые показатели (например, максимальный объем данных) являются оценочными и ограничены только доступными ресурсами.
Ключевые слова: Azure Synapse Analytics, Azure SQL Database v12, масштабируемость, производительность, сравнение, выделенный SQL-пул, Serverless SQL pool, Apache Spark, обработка больших данных, стоимость, оптимизация.
| Характеристика | Azure SQL Database v12 (standalone) | Azure SQL Database v12 + Выделенный SQL-пул | Azure SQL Database v12 + Serverless SQL-пул | Azure SQL Database v12 + Apache Spark |
|---|---|---|---|---|
| Основное назначение | Транзакционные задачи, OLTP | Аналитика больших данных, OLAP | Быстрая аналитика, нерегулярные запросы | Сложная аналитика, машинное обучение |
| Масштабируемость | Вертикальная (DTU/vCore) – ограничена | Горизонтальная (добавление узлов) – высокая | Автоматическая, динамическая – средняя | Горизонтальная (добавление узлов) – высокая |
| Подходящий объем данных | До нескольких терабайт (зависит от конфигурации) | От терабайт до петабайт | От гигабайт до терабайт | От терабайт до петабайт и более |
| Производительность запросов | Высокая для небольших запросов, низкая для больших | Высокая для больших и сложных запросов | Средняя, зависит от нагрузки | Высокая для сложных аналитических задач и машинного обучения |
| Стоимость | Средняя, зависит от конфигурации | Высокая, зависит от количества узлов | Низкая при непостоянной нагрузке, средняя при высокой | Высокая, зависит от использования ресурсов кластера |
| Сложность настройки | Низкая | Средняя | Низкая | Высокая |
| Использование в сценариях | Предварительная обработка данных, хранение результатов | Анализ больших объемов структурированных данных | Быстрая разведочная аналитика, ad-hoc запросы | Анализ больших объемов разнообразных данных, машинное обучение |
| Типичные показатели производительности (оценочные) | Время выполнения запроса: от мс до с (зависит от размера данных) | Время выполнения запроса: от с до мин (зависит от размера данных и сложности запроса) | Время выполнения запроса: от с до мин (зависит от размера данных и нагрузки) | Время выполнения задачи: от мин до ч (зависит от размера данных и сложности задачи) |
Обратите внимание, что приведенные показатели производительности являются оценочными и могут существенно варьироваться в зависимости от множества факторов, включая конфигурацию оборудования, оптимизацию запросов и характер данных.
Выбор оптимальной стратегии для обработки больших данных в Azure Synapse Analytics часто становится ключевым фактором успеха проекта. Эта таблица предназначена для сравнения различных подходов к использованию Azure SQL Database v12 в контексте Synapse, помогая вам принять информированное решение. Помните, что абсолютных цифр производительности не существует, и реальные результаты будут зависеть от множества факторов, включая объем данных, сложность запросов, конфигурацию системы и оптимизацию кода.
Ключевые слова: Azure Synapse Analytics, Azure SQL Database v12, масштабируемость, производительность, сравнение, выделенный SQL-пул, Serverless SQL pool, Apache Spark, обработка больших данных, стоимость, оптимизация, транзакции, аналитика.
| Критерий | Azure SQL Database v12 (как самостоятельное решение) | Azure SQL Database v12 + Выделенный SQL-пул | Azure SQL Database v12 + Serverless SQL-пул | Azure SQL Database v12 + Apache Spark |
|---|---|---|---|---|
| Тип нагрузки | Преимущественно OLTP (Online Transaction Processing) – транзакционные | OLAP (Online Analytical Processing) – аналитические запросы к большим данным | Гибкая аналитика, быстрые запросы к большим данным | Расширенная аналитика, машинное обучение, обработка потоковых данных |
| Масштабируемость | Вертикальное масштабирование (увеличение ресурсов одного сервера) – ограничена | Горизонтальное масштабирование (добавление вычислительных узлов) – высокая | Автоматическое масштабирование, высокая гибкость – средняя | Горизонтальное масштабирование (добавление узлов в кластер) – высокая |
| Объем обрабатываемых данных | Ограничен ресурсами отдельного сервера (до нескольких терабайт) | Практически неограничен, до петабайт и более | Зависит от длительности выполнения запроса и используемых ресурсов, до терабайт | Практически неограничен, до петабайт и более |
| Производительность | Высокая для транзакций, ограниченная для сложных аналитических запросов | Высокая для аналитических запросов к большим данным | Зависит от нагрузки, оптимально подходит для ad-hoc запросов | Высокая для сложных аналитических задач и машинного обучения |
| Стоимость | Средняя, зависит от выделенных ресурсов | Высокая, зависит от количества вычислительных узлов | Оптимальна при непостоянной нагрузке, зависит от фактического использования ресурсов | Высокая, зависит от размера кластера и времени выполнения задач |
| Сложность интеграции | Низкая | Средняя | Средняя | Высокая |
| Подходит для | Системы с высокой интенсивностью транзакций, небольшие аналитические задачи | Хранилища данных, аналитика больших объемов структурированных данных | Быстрая разведочная аналитика, аналитические запросы с непредсказуемой нагрузкой | Анализ неструктурированных и полуструктурированных данных, машинное обучение |
Данная таблица предоставляет общий обзор. Для принятия окончательного решения необходимо провести детальный анализ ваших конкретных требований и провести тестирование различных вариантов.
FAQ
Здесь мы ответим на часто задаваемые вопросы о влиянии Azure SQL Database v12 на масштабируемость систем обработки больших данных в Azure Synapse Analytics. Помните, что конкретные решения зависят от множества факторов, и лучше всего проводить тестирование и настройку в вашей конкретной среде.
Вопрос 1: Можно ли использовать Azure SQL Database v12 как единственную базу данных для обработки больших данных в Azure Synapse Analytics?
Ответ: Нет, для действительно больших объемов данных (петабайты и более) Azure SQL Database v12 не является оптимальным решением. Его масштабируемость ограничена вертикальным масштабированием, в то время как Synapse предназначен для горизонтального масштабирования и обработки экстремально больших наборов данных. SQL Database v12 лучше использовать для предварительной обработки данных, хранения результатов анализа или в гибридном подходе в сочетании с другими компонентами Synapse.
Вопрос 2: Как выбрать оптимальный размер выделенного SQL-пула в Azure Synapse Analytics?
Ответ: Размер выделенного SQL-пула зависит от объема данных, количества одновременных пользователей и требуемой производительности. Начните с минимального размера и постепенно увеличивайте его по мере необходимости. Используйте мониторинг для отслеживания использования ресурсов и оптимизации размера. Не стоит выбирать слишком большой размер сразу, так как это приведет к ненужным затратам.
Вопрос 3: Какие инструменты можно использовать для мониторинга производительности Azure Synapse Analytics с Azure SQL Database v12?
Ответ: Azure Monitor предоставляет широкий набор инструментов для мониторинга производительности как SQL Database v12, так и всей платформы Synapse. Вы можете отслеживать использование CPU, памяти, диска, время отклика запросов и другие важные метрики. Кроме того, можно использовать инструменты диагностики для анализа логов и выявления проблем.
Вопрос 4: Как оптимизировать производительность запросов в Azure Synapse Analytics при использовании Azure SQL Database v12?
Ответ: Оптимизация запросов включает в себя множество аспектов, включая создание правильных индексов в SQL Database v12, использование оптимальных типов данных, минимизацию сканирования данных, и правильное распределение данных в выделенном SQL-пуле. Используйте планировщик запросов для анализа и оптимизации ваших запросов. Регулярное профилирование и анализ запросов помогут вам обнаружить узкие места и соответствующим образом их устранить.
Ключевые слова: Azure Synapse Analytics, Azure SQL Database v12, часто задаваемые вопросы, FAQ, масштабируемость, производительность, оптимизация, мониторинг.
