Delen via

Gegevensmodellen begrijpen

Moderne oplossingen verwerken diverse gegevens, zoals transacties, gebeurtenissen, documenten, telemetrie, binaire activa en analytische feiten. Eén gegevensarchief voldoet zelden aan alle toegangspatronen. De meeste productiesystemen gebruiken polyglot persistence, wat betekent dat u meerdere opslagmodellen selecteert. Dit artikel centraliseert de canonieke definities van de primaire gegevensopslagmodellen die beschikbaar zijn in Azure en biedt vergelijkende tabellen om modelselectie te versnellen voordat u specifieke services kiest.

Gebruik de volgende stappen om uw gegevensmodellen te selecteren:

  1. Identificeer toegangspatronen voor werkbelastingen, zoals puntleesbewerkingen, aggregaties, volledige tekst, overeenkomsten, tijdvensterscans en objectlevering.

  2. Wijs patronen toe aan de opslagmodellen in de volgende secties.

  3. Maak een korte lijst met Azure-services waarmee deze modellen worden geïmplementeerd.

  4. Evaluatiecriteria toepassen, zoals consistentie, latentie, schaal, governance en kosten.

  5. Combineer modellen alleen wanneer toegangspatronen of levenscycli duidelijk afwijken.

Deze handleiding gebruiken

Elke modelsectie bevat een beknopte definitie, typische workloads, gegevenskenmerken, voorbeeldscenario's en koppelingen naar representatieve Azure-services. Elke sectie bevat ook een tabel om u te helpen bij het kiezen van de juiste Azure-service voor uw use-case. In sommige gevallen kunt u andere artikelen gebruiken om meer geïnformeerde keuzes te maken over azure-serviceopties. De respectieve modelsecties verwijzen naar deze artikelen.

Twee vergelijkende tabellen geven een overzicht van niet-relationele modeleigenschappen, zodat u snel opties kunt evalueren zonder dat u de inhoud in verschillende secties hoeft te herhalen.

Overzicht van classificatie

Categorie Primair doel Typische Azure-servicevoorbeelden
Relationeel (OLTP) Consistente transactionele bewerkingen Azure SQL Database, Azure Database for PostgreSQL of Azure Database for MySQL
Niet-relationeel, zoals document, sleutelwaarde, kolomfamilie en grafiek Flexibele schema- of relatiegerichte werkbelastingen Azure Cosmos DB-API's, Azure Managed Redis, Managed Cassandra of HBase
Tijdreeks Tijdsgebonden metingen en gebeurtenissen met hoge opnamecapaciteit Azure-gegevensverkenner
Object en bestand Grote binaire of semi-gestructureerd bestandsopslag Azure Blob Storage of Azure Data Lake Storage
Zoeken en indexeren Relevantie voor volledige tekst en meerdere velden, secundaire indexering Azure AI Search
Vector Semantische of bij benadering dichtstbijzijnde buur (ANN) gelijkenis Azure AI Search of Azure Cosmos DB-varianten
Analytics, online analytical processing (OLAP), massively parallel processing (MPP) Grootschalige historische aggregatie of business intelligence (BI) Microsoft Fabric, Azure Synapse Analytics, Azure Data Explorer, Azure Analysis Services of Azure Databricks

Opmerking

Een enkele service kan meerdere modellen bieden, ook wel multimodel genoemd. Kies het best passende model in plaats van modellen te combineren op een manier die bewerkingen ingewikkeld maakt.

Relationele gegevensarchieven

Relationele databasebeheersystemen organiseren gegevens in genormaliseerde tabellen met behulp van schema-on-write. Ze dwingen integriteit af en ondersteunen atomiciteit, consistentie, isolatie en duurzaamheid (ACID) transacties en uitgebreide SQL-query's.

Sterktes: Transactionele consistentie met meerdere rijen, complexe joins, sterke relationele beperkingen en volwassen hulpprogramma's voor rapportage, beheer en governance.

Overwegingen: Horizontale schaal vereist over het algemeen sharding of partitionering, en normalisatie kan de joinkosten verhogen voor leesintensieve gedenormaliseerde weergaven.

Werkbelasting: Orderbeheer, voorraadtracking, opname van financiële grootboekgegevens, facturering en operationele rapportage.

Een Azure-service selecteren voor relationele gegevensarchieven

  • SQL Database is een beheerde relationele database voor moderne cloudtoepassingen die gebruikmaken van de SQL Server-engine.

  • Azure SQL Managed Instance is een bijna volledige SQL Server-omgeving in de cloud die ideaal is voor lift-and-shift-migraties.

  • SQL Database (Hyperscale) is een zeer schaalbare SQL-laag die is ontworpen voor enorme workloads met snelle automatische schaalaanpassing en snelle back-ups.

  • Azure Database for PostgreSQL is een beheerde PostgreSQL-service die ondersteuning biedt voor opensource-extensies en flexibele implementatieopties.

  • Azure Database for MySQL is een beheerde MySQL-database voor web-apps en opensource-workloads.

  • SQL Database in Fabric is een beschrijvende transactionele database die geschikt is voor ontwikkelaars, op basis van SQL Database, die u kunt gebruiken om eenvoudig een operationele database in Fabric te maken.

Gebruik de volgende tabel om te bepalen welke Azure-service voldoet aan uw use-casevereisten.

Dienst Ideaal voor Belangrijkste kenmerken Voorbeeld van use case
SQL Database Cloud-native toepassingen Beheerde, elastische pools, Hyperscale, ingebouwde hoge beschikbaarheid, geavanceerde beveiliging Een saaS-toepassing (software as a service) bouwen met behulp van een schaalbare SQL-back-end
sql Managed Instance- Verouderde bedrijfsapps Volledige SQL Server-compatibiliteit, lift-and-shift-ondersteuning, virtuele netwerken, geavanceerde controle Een on-premises SQL Server-app migreren met minimale codewijzigingen
SQL Database (Hyperscale) Wereldwijde distributie Leesbaarheid voor meerdere regio's, geo-replicatie, snelle automatische schaalaanpassing Het leveren van een wereldwijd gedistribueerde app die een hoge leescapaciteit vereist
Azure Database for PostgreSQL Open-source en analytics workloads PostGIS, Hyperscale, Flexible Server, open-source extensies Een georuimtelijke analyse-app ontwikkelen met PostgreSQL en PostGIS
Azure Database voor MySQL Lichtgewicht web-apps Flexibele server, opensource-compatibiliteit, rendabel Een e-commercesite op basis van WordPress hosten
SQL Database in Fabric OLTP-workloads (Online Transaction Processing) in het Fabric-ecosysteem Gebouwd op de SQL Database-engine, schaalbaar en geïntegreerd in Fabric AI-apps bouwen op een operationeel, relationeel gegevensmodel met systeemeigen vectorzoekmogelijkheden

Niet-relationele gegevensarchieven

Niet-relationele databases, ook wel NoSQL-databases genoemd, optimaliseren voor flexibele schema's, horizontale schaal en specifieke toegangs- of aggregatiepatronen. Ze versoepelen doorgaans enkele aspecten van relationeel gedrag, zoals schemaflexibiliteit en transactiebereik, voor schaalbaarheid of flexibiliteit.

Documentgegevensopslag

Gebruik documentgegevensarchieven om semi-gestructureerde documenten op te slaan, vaak in JSON-indeling, waarbij elk document benoemde velden en gegevens bevat. De gegevens kunnen eenvoudige waarden of complexe elementen zijn, zoals lijsten en subverzamelingen. Flexibiliteit van schema per document maakt geleidelijke evolutie mogelijk.

Sterktes: Toewijzing van natuurlijke toepassingsobjecten, gedenormaliseerde aggregaties, indexering met meerdere velden

Overwegingen: Groei van documentgrootte, selectief transactioneel bereik, behoefte aan zorgvuldig ontwerp van gegevensshapes voor grootschalige query's

Werkbelasting: Productcatalogussen, inhoudsbeheer, profielarchieven

Een Azure-service selecteren voor documentgegevensarchieven

  • Azure Cosmos DB voor NoSQL is een schemaloze, multi-region NoSQL-database met lage-latentie reads en writes.

  • Azure Cosmos DB voor MongoDB is een wereldwijd gedistribueerde database met compatibiliteit met mongoDB-wire-protocol en automatische schaalaanpassing.

  • Azure Cosmos DB in Fabric is een NoSQL-database zonder schema, met lees- en schrijfbewerkingen met lage latentie, vereenvoudigd beheer en ingebouwde Fabric-analyse.

Gebruik de volgende tabel om te bepalen welke Azure-service voldoet aan uw use-casevereisten.

Dienst Ideaal voor Belangrijkste kenmerken Voorbeeld van use case
Azure Cosmos DB voor NoSQL Aangepaste JSON-documentmodellen die SQL-achtige query's ondersteunen Uitgebreide querytaal, schrijfbewerkingen voor meerdere regio's, time to live (TTL), wijzigingenfeed Een SaaS-platform met meerdere tenants bouwen dat flexibele schema's ondersteunt
Azure Cosmos DB voor MongoDB Apps die gebruikmaken van MongoDB-stuurprogramma's of JSON-gerichte API's Wereldwijde distributie, automatische schaalaanpassing, systeemeigen MongoDB-wire-protocol Een Node.js-app migreren van MongoDB naar Azure
Azure Cosmos DB in Fabric Realtime analyses via NoSQL-gegevens Automatisch extraheren, transformeren en laden (ETL) naar OneLake via Fabric-integratie Transactionele apps met realtime analytische dashboards

Kolomfamiliegegevensopslag

Een kolomfamiliedatabase, ook wel een database met brede kolommen genoemd, slaat sparsegegevens op in rijen en organiseert dynamische kolommen in kolomfamilies ter ondersteuning van co-toegang. De kolomoriëntatie verbetert scans over geselecteerde kolomverzamelingen.

Sterktes: Hoge schrijfdoorvoer, efficiënt ophalen van brede of sparse gegevenssets, dynamisch schema binnen families

Overwegingen: Ontwerp van de voorste rijsleutel en kolomfamilie, ondersteuning voor secundaire index varieert, queryflexibiliteit lager dan bij relationele databases

Werkbelasting: IoT-telemetrie (Internet of Things), persoonlijke instellingen, voorafaggregatie van analyses, tijdreeksstijl lange gegevens wanneer u geen toegewezen tijdreeksdatabase gebruikt

Een Azure-service selecteren voor kolomfamiliegegevensarchieven

Gebruik de volgende tabel om te bepalen welke Azure-service voldoet aan uw use-casevereisten.

Dienst Ideaal voor Belangrijkste kenmerken Voorbeeld van use case
Azure Managed Instance voor Apache Cassandra Nieuwe en gemigreerde Cassandra-workloads Beheerd, systeemeigen Apache Cassandra Telemetrieopname van IoT-apparaten die ondersteuning biedt voor Cassandra-compatibiliteit
Apache HBase in HDInsight Hadoop-ecosysteem, batchanalyse HdFS-integratie (Hadoop Distributed File System), grootschalige batchverwerking Batchverwerking van sensorgegevens in een productiefabriek
Azure Data Explorer (Kusto) Telemetrie met hoge opname, tijdreeksanalyse KQL, snelle ad-hocquery's, functies voor tijdvensters Realtime analyse voor toepassingslogboeken en metrische gegevens

Sleutelwaardegegevensarchieven

Een sleutel-waardegegevensarchief koppelt elke gegevenswaarde aan een unieke sleutel. De meeste sleutel-waardeopslag ondersteunen alleen eenvoudige bewerkingen zoals query's, invoegen en verwijderen. Als u een waarde gedeeltelijk of volledig wilt wijzigen, moet een toepassing de bestaande gegevens voor de gehele waarde overschrijven. In de meeste implementaties is het lezen of schrijven van één waarde een atomische bewerking.

Sterktes: Eenvoud, lage latentie, lineaire schaalbaarheid

Overwegingen: Beperkte expressiviteit van query's, herontwerp nodig voor op waarden gebaseerde zoekacties, kosten voor overschrijven van grote waarden

Werkbelasting: Caching, sessies, functievlagmen, gebruikersprofielen, opzoekacties voor aanbevelingen

Selecteer een Azure-service voor sleutel-waardegegevensopslag

  • Azure Managed Redis is een beheerd gegevensarchief in het geheugen op basis van de nieuwste Redis Enterprise-versie die lage latentie en hoge doorvoer biedt.

  • Azure Cosmos DB for Table is een sleutel-waardearchief dat is geoptimaliseerd voor snelle toegang tot gestructureerde NoSQL-gegevens.

  • Azure Cosmos DB for NoSQL is een documentgegevensarchief dat is geoptimaliseerd voor snelle toegang tot gestructureerde NoSQL-gegevens en horizontale schaalbaarheid biedt.

Gebruik de volgende tabel om te bepalen welke Azure-service voldoet aan uw use-casevereisten.

Dienst Ideaal voor Belangrijkste kenmerken Voorbeeld van use case
Azure Managed Redis Snelle caching, sessiestatus, publiceren-abonneren In-memory opslag, latentie van submilliseconden, Redis-protocol Productpagina's opslaan in cache voor een e-commercesite
Azure Cosmos DB voor tabel Bestaande Azure Table Storage-workloads migreren Compatibiliteit met Table Storage-API Gebruikersvoorkeuren en -instellingen opslaan in een mobiele app
Azure Cosmos DB voor NoSQL Snelle caching met enorme schaal en hoge beschikbaarheid Schemaloos, in meerdere regio's, automatisch schalen Cache, sessiestatus, serverlaag

Grafiekgegevensarchieven

In een grafiekdatabase worden gegevens opgeslagen als knooppunten en randen. Randen definiëren relaties en beide knooppunten en randen kunnen eigenschappen hebben die vergelijkbaar zijn met tabelkolommen. U kunt verbindingen tussen entiteiten, zoals werknemers en afdelingen, analyseren.

Sterktes: Relatie-eerst query-patronen, efficiënte doorlopende zoekacties met diepte die varieert

Overwegingen: Overhead als relaties ondiep zijn, vereist zorgvuldige modellering voor prestaties, niet ideaal voor bulkanalysescans

Werkbelasting: Sociale netwerken, frauderingen, kennisgrafieken, toeleveringsketenafhankelijkheden

Een Azure-service selecteren voor grafiekgegevensarchieven

Gebruik SQL Server-grafiekextensies voor het opslaan van grafiekgegevens. De grafiekextensie breidt de mogelijkheden van SQL Server, SQL Database en SQL Managed Instance uit om complexe relaties te modelleren en er query's op uit te voeren met behulp van grafiekstructuren rechtstreeks in een relationele database.

Tijdreeksgegevensarchieven

Gegevensarchieven van tijdreeksen beheren een set waarden die zijn geordend op tijd. Ze ondersteunen functies zoals op tijd gebaseerde query's en aggregaties en zijn geoptimaliseerd voor het opnemen en analyseren van grote hoeveelheden gegevens in bijna realtime.

Sterktes: Compressie, queryprestaties met vensters, verwerking van invoer buiten de volgorde

Overwegingen: Beheer van tag-kardinaliteit, retentiekosten, strategie voor downsampling

Werkbelasting: Metrische ioT-sensorgegevens, toepassingstelemetrie, bewaking, industriële gegevens

Een Azure-service selecteren voor tijdreeksgegevensarchieven

Gebruik Azure Data Explorer voor het opslaan van tijdreeksgegevens. Azure Data Explorer is een beheerd, high-performance, big data analytics-platform waarmee u eenvoudig grote hoeveelheden gegevens in bijna realtime kunt analyseren.

Objectgegevensarchieven

Sla grote binaire of semi-gestructureerde objecten op en voeg metagegevens toe die zelden worden gewijzigd of onveranderbaar blijven.

Sterktes: Vrijwel onbeperkte schaal, gelaagde kosten, duurzaamheid, parallelle leesmogelijkheden

Overwegingen: Bewerkingen voor hele objecten, beperkt metagegevensquery, gedrag bij uiteindelijke vermeldingen

Werkbelasting: Mediaassets, back-ups, onbewerkte zones van Data Lake, logboekarchieven

Een Azure-service selecteren voor objectgegevensarchieven

  • Data Lake Storage is een voor big data geoptimaliseerd objectarchief dat hiërarchische naamruimte en HDFS-compatibiliteit combineert voor geavanceerde analyse en grootschalige gegevensverwerking.

  • Blob Storage is een schaalbaar objectarchief voor ongestructureerde gegevens, zoals afbeeldingen, documenten en back-ups met gelaagde toegang voor kostenoptimalisatie.

Gebruik de volgende tabel om te bepalen welke Azure-service voldoet aan uw use-casevereisten.

Dienst Ideaal voor Belangrijkste kenmerken Voorbeeld van use case
Data Lake Storage- Analyse van big data en hiërarchische gegevens HDFS, hiërarchische naamruimte, geoptimaliseerd voor analyse Petabytes aan gestructureerde en ongestructureerde gegevens opslaan en er query's op uitvoeren met behulp van Azure Synapse Analytics of Azure Databricks
Blob Storage Objectopslag voor algemeen gebruik Platte naamruimte, eenvoudige REST API en gelaagde opslag met hot, cool en archive Afbeeldingen, documenten, back-ups en statische website-inhoud hosten

Gegevensarchieven zoeken en indexeren

Met een zoekmachinedatabase kunnen toepassingen zoeken naar informatie in externe gegevensarchieven. Een zoekmachinedatabase kan enorme hoeveelheden gegevens indexeren en bijna realtime toegang bieden tot deze indexen.

Sterktes: Volledige tekst queries, scoreberekening, taalkundige analyse, benaderende overeenkomsten

Overwegingen: Uiteindelijke consistentie van indexen, afzonderlijke opname- of indexeringspijplijn, kosten van grote indexupdates

Werkbelasting: Site- of productzoekopdrachten, zoeken in logboeken, filteren van metagegevens, detectie van meerdere kenmerken

Een Azure-service selecteren voor zoekgegevensarchieven

Zie Een zoekgegevensarchief kiezen in Azure voor meer informatie.

Vectorzoekgegevensopslagen

Met vectorzoekgegevens worden high-dimensionale vectorweergaven van gegevens opgeslagen en opgehaald, die vaak worden gegenereerd door machine learning-modellen.

Sterktes: Semantisch zoeken, ANN-algoritmen

Overwegingen: Indexering van complexiteit, opslagoverhead, latentie versus nauwkeurigheid, integratieuitdagingen

Werkbelasting: Semantische documentzoekopdrachten, aanbevelingsengines, het ophalen van afbeeldingen en video's, fraude en anomaliedetectie

Een Azure-service selecteren voor vectorzoekgegevensarchieven

Zie Een Azure-service kiezen voor vectorzoekopdrachten voor meer informatie.

Analysegegevensopslag

In analysegegevensarchieven worden big data opgeslagen en gedurende een levenscyclus van een analysepijplijn bewaard.

Sterktes: Schaalbare berekening en opslag, ondersteuning voor SQL en Spark, integratie met BI-hulpprogramma's, tijdreeks- en telemetrieanalyse

Overwegingen: Kosten en complexiteit van orkestratie, querylatentie voor ad-hocworkloads, governance in meerdere datadomeinen

Werkbelasting: Bedrijfsrapportage, big data-analyses, telemetrieaggregatie, operationele dashboards, data science-pijplijnen

Een Azure-service selecteren voor analysegegevensarchieven

Zie Een analytische gegevensopslag kiezen in Azure voor meer informatie.

Vergelijkende kenmerken (niet-relationele kernmodellen)

Kenmerk Document Kolomfamilie Sleutelwaarde Graph
Normalisatie Gedenormaliseerd Gedenormaliseerd Gedenormaliseerd Genormaliseerde relaties
Schemabenadering Schema tijdens het lezen Gedefinieerde kolomfamilies, dynamisch kolommenschema tijdens het lezen Schema tijdens het lezen Schema tijdens het lezen
Consistentie (typisch) Instelbaar voor elk item Voor elke rij of familie Voor elke sleutel Voor elke rand of doorkruisingssemantiek
Atomiciteitsbereik Document Rij of familie, afhankelijk van de tabel-implementatie Eén sleutel Grafiektransactie (varieert)
Vergrendelen en gelijktijdigheid Optimistisch (ETag) Pessimistisch of optimistisch, afhankelijk van de implementatie Optimistisch (sleutel) Optimistisch (patroon)
Toegangspatroon Aggregaat (entiteit) Brede spaarzame aggregaties Puntzoekactie op sleutel Relatiekruisingen
Indexeren Primaire en secundaire Primaire en beperkte secundaire Primair (sleutel) Primaire en soms secundaire
Gegevensstructuur Flexibele hiërarchische Schaars, tabellair breed Ondoorzichtige waarde Knooppunten en randen
Sparse/Brede toepasbaarheid Ja/Ja Ja/Ja Yes/No Nee/Nee
Typische datumgrootte Klein-middelgroot Middelgroot Klein Klein
Schaaldimension Aantal partities Breedte van partitie- en kolomfamilie Sleutelruimte Aantal knooppunten of randen

Vergelijkende kenmerken (gespecialiseerde niet-relationele modellen)

Kenmerk Tijdreeks Object (blob) Zoeken/indexeren
Normalisatie Genormaliseerd Gedenormaliseerd Gedenormaliseerd
Schema Schema tijdens lezen (tags) Ondoorzichtige waarde en metagegevens Schema tijdens schrijven (indexmapping)
Atomiciteitsbereik N/B (toevoeg) Object Voor elke document- of indexbewerking
Toegangspatroon Tijdssegmentscans, vensteraggregatie Bewerkingen voor hele objecten Tekstquery's en filters
Indexeren Tijd en optionele secundaire functie Alleen sleutel (pad) Omgekeerde en optionele facetten
Gegevensstructuur Tabellair (tijdstempel, tags, waarde) Binair of blob met metagegevens Tokenized tekst en gestructureerde gegevensvelden
Profiel schrijven Hoge snelheid toevoegen Bulksgewijs of onregelmatige updates Batch- of streamingindex
Profiel lezen Geaggregeerde bereiken Volledige of gedeeltelijke downloads Geordende resultatenreeksen
Groeimotor Gebeurtenissnelheid vermenigvuldigd met retentie Aantal en grootte van objecten Geïndexeerd documentvolume
Consistentietolerantie Uiteindelijk voor late gegevens Lezen na schrijven voor elk object Eventueel voor nieuwe documenten

Kiezen tussen modellen (heuristiek)

Nodig hebben Prefereren
Strikte transacties met meerdere entiteiten Relationeel
Evoluerende aggregaatvorm, JSON-centrische API's Document
Sleutelzoekopdrachten met extreem lage latentie of caching Sleutelwaarde
Brede, sparse, schrijfintensieve telemetrie Kolommenfamilie of tijdserie
Diepe relatieverkenning Graph
Enorme historische analytische scans Analytics of OLAP
Grote ongestructureerde binaire bestanden of meerzones Object
Relevantie en filtering van volledige tekst Zoeken en indexeren
Tijdstempelstatistieken met een hoge opname en raamqueries Tijdreeks
Snelle vergelijkbaarheid (semantisch of vector) Zoeken met vectoren

Modellen combineren en valkuilen voorkomen

Gebruik meer dan één model wanneer de volgende scenario's van toepassing zijn:

  • Toegangspatronen verschillen, zoals puntzoekactie versus brede analytische scan versus relevantie voor volledige tekst.
  • Levenscyclus en retentie verschillen, zoals onveranderbare onbewerkte versus gecureerde gestructureerde gegevens.
  • Latentie versus doorvoervereisten conflicteren.

Vermijd voortijdige fragmentatie:

  • Gebruik één service wanneer deze nog steeds voldoet aan de doelstellingen voor prestaties, schaal en governance.
  • Centraliseer de logica voor gedeelde classificatie en vermijd dubbele transformatiepijplijnen in verschillende winkels, tenzij dat nodig is.

Bekijk de volgende veelvoorkomende antipatronen:

  • Meerdere microservices delen één database, waardoor koppeling wordt gemaakt.
  • Teams voegen een ander model toe zonder operationele volwassenheid, zoals bewaking of back-ups.
  • Een zoekindex wordt het primaire gegevensarchief, wat leidt tot misbruik.

Wanneer u uw modelkeuze opnieuw wilt evalueren

Signaal Mogelijke actie
Ad-hoc koppelingen vermeerderen in een documentopslag Relationeel leesmodel introduceren
Hoog CPU-gebruik van zoekindex vanwege analytische aggregaties Overdragen naar de analyse-engine
Grote gedenormaliseerde documenten veroorzaken gedeeltelijke updateverstoringen. Aggregaties opnieuw vormgeven of splitsen
nl-NL: Traagheid bij vragen over tijdvensters in column-family-opslag Adopteer een speciaal voor dit doel ontworpen tijdreeksdatabase
Latentie van puntzoektijd neemt toe met doorkruisingsdiepte van grafieken Afgeleide gematerialiseerde weergaven toevoegen

Volgende stappen

Gebruik de volgende artikelen om een gespecialiseerd gegevensarchief te kiezen:

Meer informatie over referentiearchitecturen die gebruikmaken van de Azure-services in dit artikel: