Lösungsmöglichkeiten
In diesem Artikel ist ein Lösungsvorschlag beschrieben. Ihr Cloudarchitekt kann diesen Leitfaden verwenden, um die Hauptkomponenten einer typischen Implementierung dieser Architektur zu visualisieren. Verwenden Sie diesen Artikel als Ausgangspunkt, um eine gut durchdachte Lösung zu entwerfen, die den spezifischen Anforderungen Ihrer Workload entspricht.
In diesem Artikel wird beschrieben, wie Sie Azure Data Explorer und Azure Service Bus verwenden, um eine vorhandene Nachrichtenbrokerarchitektur mit Analysen in Quasi-Echtzeit zu verbessern. Er richtet sich an IT-Administratoren, Cloudarchitekten und Betriebs- und Überwachungsteams.
Aufbau
Laden Sie eine Visio-Datei dieser Architektur herunter.
Das Grafana-Logo ist eine Marke von Raintank, Inc., dba Grafana Labs. Die Verwendung dieser Marke impliziert keine Empfehlung.
Das Diagramm zeigt zwei Datenpfade. Der Hauptpfad, der durch durchgezogene Linien und Felder 1 bis 5 dargestellt wird, ist die Erfassung von Daten aus verschiedenen Quellen in einen Servicebus, wo sie von einem Datenstromanalyseauftrag verarbeitet und in einer SQL-Datenbank gespeichert werden. Der zweite Pfad, der durch gepunktete Linien und Felder dargestellt wird, zeigt die Daten, die vom Servicebus zu einem Azure Data Explorer-Cluster fließen, wo sie über die Kusto-Abfragesprache (Kusto Query Language, KQL) abgefragt und analysiert werden können.
Service Bus wird verwendet, um ein warteschlangenbasiertes Lastenausgleichs-Muster für eine Transaktionsanwendung zu implementieren.
Der Azure Data Explorer wird verwendet, um Analysen in Quasi-Echtzeit auszuführen und Daten über APIs oder direkte Abfragen verfügbar zu machen, z. B. Power BI, Azure Managed Grafana oder Azure Data Explorer-Dashboards.
Datenfluss
Die Datenquelle in der Architektur ist eine vorhandene OLTP-Anwendung (Online Transaction Processing). Der Servicebus wird verwendet, um die Anwendung asynchron zu skalieren.
Die OLTP-Anwendung (die Datenquelle), die in Azure App Service gehostet wird, sendet Daten an Service Bus.
Daten fließen von Service Bus in zwei Richtungen:
Im vorhandenen OLTP-Anwendungsfluss lösen sie eine Funktions-App aus, um Daten in Azure SQL-Datenbank, Azure Cosmos DB oder einer ähnlichen Betriebsdatenbank zu speichern.
Im Analysefluss in Quasi-Echtzeit lösen sie einen Orchestrierungsfluss aus.
Der Orchestrierungsfluss sendet Daten an Azure Data Explorer für Analysen in Quasi-Echtzeit. Der Fluss kann eine dieser Optionen verwenden:
- Eine Funktions-App, die SDKs zum Senden von Daten in Mikrobatches verwendet oder die vom Azure Data Explorer bereitgestellte Unterstützung für verwaltete Streaming-Erfassung verwendet, wenn sie für die Streaming-Erfassung konfiguriert ist.
- Ein Abrufdienst, z. B. eine Anwendung, die auf Azure Kubernetes Service (AKS) oder einer Azure-VM gehostet wird, die Daten in Mikrobatches an Azure Data Explorer sendet. Diese Option erfordert keine Konfiguration der Azure Data Explorer-Streaming-Erfassung.
Azure Data Explorer verarbeitet die Daten mithilfe von Schemazuordnung und Updaterichtlinien und stellt sie über eine API, ein SDK oder einen Connector für interaktive Analysen oder Berichte zur Verfügung. Optional kann Azure Data Explorer auch Daten aus anderen Datenquellen wie SQL-Datenbank oder Azure Data Lake Storage erfassen oder referenzieren.
Anwendungen, benutzerdefinierte Dienste oder Berichterstellungsdienste wie Azure Data Explorer-Dashboards, Power BI und Azure Managed Grafana können die Daten im Azure Data Explorer in Quasi-Echtzeit abfragen.
Komponenten
- App Service ermöglicht das Erstellen und Hosten von Web-Apps, mobilen Back-Ends und RESTful-APIs in der Programmiersprache Ihrer Wahl, ohne eine Infrastruktur verwalten zu müssen.
- Service Bus bietet zuverlässiges Cloud Messaging-as-a-Service.
- SQL-Datenbank ist eine vollständig verwaltete SQL-Datenbank, die für die Cloud erstellt wurde. Es stellt automatische Updates, Bereitstellung, Skalierung und Sicherungen bereit.
- Azure Cosmos DB ist eine global verteilte, multimodellfähige Datenbank für Anwendungen beliebiger Größenordnungen.
- Azure Functions ist eine ereignisgesteuerte serverlose Computeplattform. Mit Azure Functions können Sie im großen Stil in der Cloud bereitstellen und arbeiten. Außerdem können Sie Trigger und Bindungen zum Integrieren von Diensten verwenden.
- AKS ist ein hochverfügbarer, hochsicherer und vollständig verwalteter Kubernetes-Dienst für Anwendungs- und Microservices-Workloads.
- Azure Data Explorer ist ein schneller, vollständig verwalteter Datenanalysedienst für Echtzeitanalysen großer Datenmengen, die von Anwendungen, Websites, IoT-Geräten usw. gestreamt werden.
- Data Lake Storage, das auf Azure Blob Storage basiert, bietet massiv skalierbare Data Lake-Funktionen.
- Mit Power BI können Sie Ihre Daten in kohärente, visuell immersive, interaktive Erkenntnisse verwandeln.
- Azure Managed Grafana ist ein vollständig verwalteter Dienst, mit dem Sie Grafana bereitstellen können, ohne Zeit für die Konfiguration aufwenden zu müssen.
Szenariodetails
Echtzeitanalysen sind der Prozess der Analyse von Daten, sobald diese generiert werden, um Einblicke in den aktuellen Zustand des Systems zu erhalten. Organisationen nutzen zunehmend Echtzeitanalysen, um einen Wettbewerbsvorteil zu erzielen. Analysen in Quasi-Echtzeit sind eine Variante von Echtzeitanalysen, die Erkenntnisse innerhalb von Sekunden oder Minuten nach der Generierung von Daten liefern.
Mit diesen Prozessen können Organisationen schneller Erkenntnisse gewinnen, bessere Entscheidungen treffen und effektiver auf sich ändernde Bedingungen reagieren. Analysen in Quasi-Echtzeit können auf verschiedene Domänen angewendet werden, z. B. E-Commerce, Gesundheitswesen, Fertigung und Finanzen. Beispielsweise kann ein E-Commerce-Unternehmen Analysen in Quasi-Echtzeit verwenden, um das Kundenverhalten zu überwachen, Preise zu optimieren und Empfehlungen zu personalisieren.
Viele Organisationen implementieren Analysen in Quasi-Echtzeit in vorhandenen Lösungen. Diese Lösungsidee veranschaulicht, wie Sie einer vorhandenen Architektur, die auf einem Nachrichtenbroker basiert, Analysen in Quasi-Echtzeit hinzufügen, und das ist Teil einer funktionsfähigen OLTP-Anwendung.
OLTP steht für Onlinetransaktionsverarbeitung (Online Transaction Processing). Es handelt sich um eine Art von Datenverarbeitung, die transaktionsorientierte Anwendungen verwaltet, in der Regel für Dateneingabe- und -abruftransaktionen in einer Echtzeitumgebung. OLTP-Systeme sind so konzipiert, dass kleine, schnelle Transaktionen verarbeitet werden, die häufig finanzell sind, z. B. Banktransaktionen oder Kreditkartenkäufe.
Mögliche Anwendungsfälle
Im Folgenden finden Sie einige Anwendungsfälle, die die Vorteile der Analyse in Quasi-Echtzeit veranschaulichen:
- Gesundheitsdienstleister können Patientenergebnisse nachverfolgen, Anomalien erkennen und die Qualität der Versorgung verbessern.
- Fertigungsunternehmen können die Produktion optimieren, Abfall reduzieren und Ausfallzeiten verhindern.
- Finanzinstitute können Transaktionen überwachen, Betrug erkennen, Risiken verwalten und die Einhaltung von Vorschriften sicherstellen.
- Commerce-Unternehmen können Kampagnen überwachen und Erkenntnisse gewinnen, um Werbung zu unterstützen.
- Unternehmen können Lieferketten überwachen, optimieren, analysieren und Prognosen für sie erstellen.
Beitragende
Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:
Hauptautor:
- Shlomo Sagir | Senior Content Developer
Andere Mitwirkende:
- Mick Alberts | Technical Writer
Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.