Data Lake Storage til Big Data-analyse

OVERSIGT

Skab et fundament for din højtydende analyse

Fjern datasiloer med en enkelt lagerplatform. Optimer omkostninger med niveauinddelt lager- og politikadministration. Godkend data ved hjælp af Microsoft Entra ID (tidligere Azure Active Directory) og rollebaseret adgangskontrol (RBAC). Og få hjælp til at beskytte data med sikkerhedsfunktioner som kryptering ved inaktive data og avanceret trusselsbeskyttelse.

Opfyld eventuelle kapacitetskrav, og administrer nemt data med den globale Azure-infrastruktur. Kør analyseforespørgsler i stor skala med en konsekvent høj ydeevne.
Beskyt dine data med egenskaber, der spænder over kryptering, dataadgang og kontrol på netværksniveau – det hele designet til at hjælpe dig med at få indsigt på en mere sikker måde.
Indtag data via skalering ved hjælp af en lang række værktøjer til dataindtagelse. Behandl data ved hjælp af Azure Databricks, Azure Synapse Analytics eller Azure HDInsight. Og visualiser dataene med Microsoft Power BI for at få transformationsindsigt.
Optimer omkostninger ved at skalere lager og beregning uafhængigt af hinanden – hvilket du ikke kan gøre med datasøer i det lokale miljø. Skaler op eller ned baseret på forbrug, og brug de automatiserede politikker for administration af livscyklus til at optimere lageromkostningerne.

Funktioner

Nøglefunktioner til opbevaringsplatform

Sikkerhed

Integreret sikkerhed og overholdelse af angivne standarder

34,000

Ingeniører på tilsvarende fuldtidsbasis, der er dedikeret til sikkerhedsinitiativer hos Microsoft.

15.000

Partnere med specialiseret sikkerhedsekspertise.

>100

Overholdelsescertificeringer, herunder mere end 50, der er specifikke for globale regioner og lande.

Få mere at vide om sikkerhed i Azure

En kvinde kigger på den bærbare computer.

Prisfastsættelse

Fleksibel prisfastsættelse for oprettelse af datasøer

Du kan vælge mellem forskellige prismuligheder, herunder niveauinddeling, reservationer og administration af livscyklus.

Få mere at vide

Kundehistorier

Betroet af virksomheder i alle størrelser

En gruppe personer, der sidder ved et bord med en bærbar computer.

"Med Azure har vi nu mulighed for hurtigt at skabe værdi ud fra vores data. Den indsigt, der kan handles på, fra de datamodeller, vi opretter, hjælper os med at øge indtægten, reducere omkostningerne og minimere risikoen."

Ahmed Adnani, Director of Applications and Analytics, Smiths Group

En bygning med et skilt på siden, der viser M&S.

"Microsoft Azure giver os god værdi, når vi har brug for store klynger i et par dage for at udføre et job, og derefter lader os slippe af med dem for at spare plads, hvorimod datacentret er næsten fuldstændig urealistisk. Det har været en stor, stor game-changer for os."

James Ferguson, Product Manager, Marks & Spencer

Ressourcer

Ressourcer til udviklere

To kvinder sidder ved et bord med en bærbar computer.

Oversigt over Azure Data Lake Storage

Få en introduktion til Azure Data Lake Storage Gen2 og forstå dets nøglefunktioner til analyse af big data.

Få mere at vide

Adgangskontrol for dine data

Få mere at vide om, hvordan adgangskontrol fungerer i Azure Data Lake Storage Gen2, herunder tilladelsesmodeller og sikkerhedsindstillinger.

Få mere at vide

En kvinde sidder ved et skrivebord og smiler.

Bedste praksis for Azure Data Lake Storage

Udforsk bedste praksis for brug af Azure Data Lake Storage Gen2 til at optimere ydeevne, sikkerhed og omkostninger.

Få mere at vide

Ofte stillede spørgsmål

Hvis du tilføjer det hierarkiske navneområde øverst i blobs, kan du bevare de omkostningsmæssige fordele ved clouden uden at gå på kompromis med de grænseflader for filsystemer, som analysestrukturer for Big Data er designet til.

Et simpelt eksempel er et ofte forekommende mønster for et analysejob, der skriver outputdata til en midlertidig mappe og derefter omdøber mappen til det endelige navn i bekræftelsesfasen. I et objektlager (der som standard ikke understøtter begrebet mapper), kan disse omdøbninger være langvarige handlinger, der omfatter N antal kopierings- og slettehandlinger, hvor N er antallet af filer i mappen. Med det hierarkiske navneområde er disse handlinger til manipulation af mapper atomiske, og de forbedrer ydeevnen og omkostningerne. Derudover gør understøttende mapper som elementer i filsystemet det muligt at anvende POSIX-kompatible adgangskontrollister (ACL'er), der bruger overordnede mapper til at overføre tilladelser.
På samme måde som andre cloudlagertjenester faktureres Data Lake Storage i forhold til mængden af lagrede data plus eventuelle omkostninger til handlinger, der udføres på disse data. Se en omkostningsopdeling.
Data Lake Storage er primært udviklet til at arbejde sammen med Hadoop og alle strukturer, der bruger Hadoop-filsystemet som deres lag af dataadgang (f.eks. Spark og Presto). Se detaljer.

I Azure er Data Lake Storage interoperative med:

Azure Data Factory
Azure HDInsight
Azure Databricks
Azure Synapse Analytics
Power BI
Tjenesten er også inkluderet i Azure Blob Storage-økosystemet.
Data Lake Storage indeholder flere mekanismer til dataadgangskontrol. Ved at tilbyde det hierarkiske navneområde er tjenesten det eneste cloudanalyselager, der indeholder POSIX-kompatible adgangskontrollister (ACL'er), som danner grundlag for tilladelser til Hadoop-distribueret filsystem (HDFS). Data Lake Storage indeholder også funktioner til sikkerhed på transportniveau via lagerfirewalls, private slutpunkter, håndhævelse af TLS 1.2, og kryptering ved inaktive data ved at bruge nøgler, der leveres af systemet eller kunden.