Databasesharding refererer til processen med at opdele en stor database i mindre, mere håndterbare segmenter kendt som shards. Det understøtter horisontal skalering, så programmer og systemer kan håndtere voksende datamængder og brugerantal uden at påvirke ydeevne eller tilgængelighed. Organisationer bruger sharding-strategier til at overvinde lagerbegrænsninger og andre udfordringer forbundet med skalering af databaser i moderne cloudmiljøer.
Databasesharding er en teknik, der bruges til at skalere store databaser horisontalt ved at opdele dem i mindre, uafhængige dele kaldet shards. Hver shard fungerer som en separat database, der indeholder et særskilt datasæt af den samlede data, men bevarer det samme skema. Dette gør det muligt for shards samlet at danne en enkelt, logisk database, selvom de kører på separate servere.
Databasesharding følger en SNA (Shared Nothing Architecture), en distribueret beregningsmodel, hvor hver shard fungerer separat uden at dele behandlings-, hukommelses- eller lagerressourcer med andre shards.
En shard-nøgle – et specifikt felt eller en kombination af felter i dataene – bestemmer, hvilken data der gemmes på hver shard. Når et program skal læse eller skrive data, bruger den shard-nøglen til at dirigere forespørgslen til den relevante shard.
Sharding-strategier
Organisationer administrerer data, der distribueres på tværs af flere shards på forskellige måder. Her er nogle almindelige strategier:
Få mere at vide om databaser.
Databasesharding kræver omhyggeligt valg af shard-nøgler og en sharding-strategi samt optimering af forespørgselsdirigering. Her er nogle vigtige fordele ved databasesharding:
Hjælper med at optimere AI-arbejdsbelastninger: komplekse, monolitiske databaser kan gøre AI i stand til at få adgang til data, foretage forudsigelser og lære med tiden. Sharding muliggør oprettelsen af et distribueret miljø med store datamængder, hvor kunstig intelligens kan fungere mere effektivt.
Databasesharding er især værdifuld for skybaserede løsninger, der oplever hurtig vækst eller uforudsigelige stigninger i data- eller brugertrafik. Følgende use cases viser måder, hvorpå sharding kan anvendes på tværs af brancher:
Få mere at vide om, hvordan analyse af big data fungerer.
Ved at distribuere data på tværs af flere uafhængige servere reducerer sharding belastningen på en enkelt server, minimerer flaskehalse og forbedrer systemets tilgængelighed og reaktionsevne. Fordelene ved at bruge databasesharding i moderne cloudmiljøer øges kun i takt med, at kunstig intelligens og andre relaterede teknologier fortsætter med at udvikle sig.
Tendenser, du skal holde øje med, inkluderer følgende:
Arbejdsprocesser til AI-assisteret sharding
Intelligente funktioner, såsom automatisk valg af shard-nøgler, omfordeling af arbejdsbyrden og routing af forespørgsler, vil blive mere udbredte.
Fordel: Forenklede og optimerede handlinger og uovertruffen skalerbarhed
Resharding uden nedetid
Moderne dataplatforme vil i stigende grad understøtte ændringer af shard-nøgler uden at kræve nedetid eller komplicerede datamigreringer.
Fordel: Større fleksibilitet til at opdatere sharding-strategier, efterhånden som arbejdsbelastninger udvikler sig
Sharding kombineret med serveruafhængige databaser
Serveruafhængige databaser klargører og administrerer selvstændigt servere for hver shard. De skalerer også kapaciteten op eller ned efter behov baseret på hændelsesdrevne forespørgsler.
Fordel: Reduktion af driftsomkostningerne
Tilpasset, politikdrevet geosharding
Arbejdsprocesser med automatiseret sharding dirigerer automatisk data på tværs af geografiske shards baseret på geo-specifikke politikregler indlejret i koden. Fordel: Hurtigere overholdelse af ændrede krav til lovgivningen og beskyttelse af personlige oplysninger
Få mere at vide om cloudcomputing.
Få Azure-mobilappen 
