DP-900-CORE#96-2
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
様々なデータ処理シナリオについて、提案されている解決策が要件に合致するかを判定してください。データ処理パターン (ストリーミング vs バッチ) の選択は、データ到着特性と応答時間要件に基づきます。
解決策
毎日 02:00 に基幹システムから全顧客マスタ (約 100 万件) を一括エクスポートし、Azure SQL Database に取り込んで月次レポートを生成する。要件達成のため、Azure Stream Analytics でリアルタイム ストリーム処理を採用する。
この解決策は目的を満たしますか?
解説
【判定: いいえ】の理由
このシナリオは典型的なバッチ処理であり、Stream Analytics は不適切です。
正しいアプローチは Azure Data Factory または Synapse Pipelines のバッチ ETL パイプラインです。Stream Analytics はストリーミング エンジンであり、定期実行されるバッチ処理には設計されていません。
【「はい」が違う理由】
Stream Analytics をスケジュール ベースのバッチ処理に使うのは設計違反であり、コスト効率も悪く、運用上の意義もありません。バッチには Data Factory / Synapse Pipelines を選択すべきです。
出典: Microsoft Learn — Big data architectures
このシナリオは典型的なバッチ処理であり、Stream Analytics は不適切です。
| 判定基準 | このシナリオ | 判定 |
|---|---|---|
| データ到着 | 毎日 02:00 の一括エクスポート (スケジュール起動) | バッチ |
| 応答要件 | 月次レポート生成 (時間〜日単位) | バッチ |
| 処理単位 | 100 万件をまとめて処理 | バッチ |
正しいアプローチは Azure Data Factory または Synapse Pipelines のバッチ ETL パイプラインです。Stream Analytics はストリーミング エンジンであり、定期実行されるバッチ処理には設計されていません。
【「はい」が違う理由】
Stream Analytics をスケジュール ベースのバッチ処理に使うのは設計違反であり、コスト効率も悪く、運用上の意義もありません。バッチには Data Factory / Synapse Pipelines を選択すべきです。
出典: Microsoft Learn — Big data architectures
コメント