Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
SUS03-BP05 Verwenden von Softwaremustern und Architekturen, die Datenzugriffs- und Speichermuster optimal unterstützen
Identifizieren Sie, wie Daten in Ihrer Workload verwendet, von Benutzern genutzt, übertragen und gespeichert werden. Verwenden Sie Softwaremuster und Architekturen, die den Datenzugriff und die Speicherung optimal unterstützen, um die zur Unterstützung der Workload erforderlichen Datenverarbeitungs-, Netzwerk- und Speicherressourcen zu reduzieren.
Typische Anti-Muster:
-
Sie gehen davon aus, dass für alle Workloads ähnliche Datenspeicher- und Zugriffsmuster gelten.
-
Sie verwenden nur eine Speicherebene, vorausgesetzt, dass alle Workloads in diese Ebene passen.
-
Sie gehen davon aus, dass Datenzugriffsmuster im Laufe der Zeit konsistent bleiben.
-
Ihre Architektur unterstützt potenzielle hohe Bursts beim Datenzugriff, was dazu führt, dass die Ressourcen die meiste Zeit ungenutzt bleiben.
Vorteile der Nutzung dieser bewährten Methode: Die Auswahl und Optimierung Ihrer Architektur auf der Grundlage von Datenzugriffs- und Speichermustern hilft bei der Reduzierung der Entwicklungskomplexität und der Steigerung der allgemeinen Nutzung. Das Verständnis, wann globale Tabellen, Datenpartitionen und Caching verwendet werden sollen, hilft Ihnen dabei, den Betriebsaufwand zu verringern und basierend auf Ihren Workload-Anforderungen zu skalieren.
Risikostufe, wenn diese bewährte Methode nicht eingeführt wird: Mittel
Implementierungsleitfaden
Verwenden Sie zur Verbesserung der langfristigen Workload-Nachhaltigkeit Architekturmuster, die Datenzugriff- und Speichereigenschaften für Ihren Workload unterstützen. Diese Muster helfen Ihnen, Daten effizient abzurufen und zu verarbeiten. Sie können beispielsweise eine moderne Datenarchitektur in AWS
Implementierungsschritte
-
Informationen zu Dateneigenschaften: Analysieren Sie die Eigenschaften Ihrer Daten und die Zugriffsmuster, um die korrekte Konfiguration für Ihre Cloud-Ressourcen zu identifizieren. Zu den berücksichtigenden Schlüsselmerkmalen gehören:
-
Datentyp: strukturiert, semistrukturiert, unstrukturiert
-
Datenwachstum: begrenzt, unbegrenzt
-
Lebensdauer von Daten: anhaltend, flüchtig, vorübergehend
-
Zugriffsmuster: Lese- oder Schreibzugriff, Häufigkeit von Aktualisierungen, schwankend oder konsistent
-
-
Verwenden optimaler Architekturmuster: Verwenden Sie Architekturmuster, die Datenzugriffs- und Speichermuster optimal unterstützen.
-
Verwenden speziell entwickelter Services: Verwenden Sie Technologien, die für den jeweiligen Zweck geeignet sind.
-
Nutzen Sie Technologien, die nativ mit komprimierten Daten funktionieren.
-
Verwenden Sie zweckgerichtet erstellte Analytikservices
für die Datenverarbeitung in Ihrer Architektur. Ausführlichere Informationen zu speziell entwickelten Analytikservices von AWS finden Sie unter AWS re:Invent 2.022 - Building modern data architectures on AWS . -
Verwenden Sie die Datenbank-Engine, die das dominierende Abfragemuster jeweils am besten unterstützt. Verwalten Sie Ihre Datenbankindizes im Hinblick auf die effiziente Ausführung von Abfragen. Weitere Details finden Sie unter AWS-Datenbanken
und AWS re:Invent 2.022 - Modernize apps with purpose-built databases .
-
-
Minimieren von Datenübertragungen: Wählen Sie Netzwerkprotokolle aus, die die Menge der Netzwerkkapazitäten reduzieren, die in Ihrer Architektur verbraucht werden.
Ressourcen
Zugehörige Dokumente:
Zugehörige Videos:
-
AWS re:Invent 2.022 - Building data mesh architectures on AWS
-
AWS re:Invent 2.023 - Deep dive into Amazon Aurora and its innovations
-
AWS re:Invent 2.023 - Improve Amazon EBS efficiency and be more cost-efficient
-
AWS re:Invent 2.023 - Optimizing storage price and performance with Amazon S3
-
AWS re:Invent 2.023 - Building and optimizing a data lake on Amazon S3
-
AWS re:Invent 2023 – Advanced event-driven patterns with Amazon EventBridge
Zugehörige Beispiele: