Cloud-Speicher, Datenbanken und Datendienste

Ein Speicherdienst muss dazu passen, wie eine Anwendung Daten liest und ändert. Eine Datenbank, die einzelne Datensätze aktualisiert, ein Team, das gemeinsame Dokumente bearbeitet, und eine Website, die Fotos bereitstellt, haben unterschiedliche Anforderungen.

Drei Arten, Daten zu organisieren

Ein Block-Volume enthält gleich große Blöcke. Das Betriebssystem formatiert es mit einem Dateisystem, genauso wie einen physischen Datenträger. Es kann einen kleinen Teil einer Datei direkt aktualisieren. Das eignet sich für eine Datenbank mit vielen kleinen Lese- und Schreibvorgängen. Ein Volume dient normalerweise einer virtuellen Maschine. Für die direkte gemeinsame Nutzung müssen der Datenträger und die Software den Clusterzugriff unterstützen.

Dateispeicher stellt einen freigegebenen Ordner über ein Netzwerk bereit. NFS ist unter Linux verbreitet, SMB unter Windows. Mehrere Clients können dieselbe Freigabe öffnen; Dateisperren koordinieren den Zugriff. Eine bestehende Anwendung, die einen freigegebenen Pfad erwartet, kann dieses Muster beibehalten, ohne für den Aufruf einer Objekt-API umgeschrieben zu werden.

Was ein Objekt enthält

Ein Objekt enthält seine Daten, einen eindeutigen Schlüssel und Metadaten, etwa den Inhaltstyp. In einem Bucket mit flachem Namensraum ist invoices/2026/10/inv-1042.pdf ein vollständiger Schlüssel. Die Schrägstriche gruppieren Namen nach Präfix, erzeugen aber keine gewöhnlichen Datenträgerordner.

Anwendungen laden Objekte üblicherweise mit PUT-Anfragen hoch und mit GET-Anfragen über HTTPS herunter. Beim allgemeinen Objektzugriff werden Daten als Objekt behandelt: Um den Inhalt zu ersetzen, wird normalerweise ein Ersatz hochgeladen, während ein Blockdatenträger kleine direkte Schreibvorgänge unterstützt. Einige Objektdienste ergänzen spezielle Funktionen zum Anhängen oder für Verzeichnisse. Ein Bucket hat dennoch ein anderes Zugriffsmodell als ein gemeinsam genutzter Dateiserver.

Objektspeicher kann Bilder, Aufzeichnungen, Protokolle und Datensicherungen in einem Bestand aufnehmen, der wächst, ohne für jede Erweiterung einen Datenträger bereitzustellen. Standard-Onlineklassen versorgen aktive Websites und Analysen mit Zugriff in Millisekunden. Verzögerter Abruf gehört zu bestimmten Archivklassen, nicht zum Objektspeicher insgesamt.

Speicher für eine Anwendung wählen

Ein Webshop nutzt einen Blockdatenträger für seinen Datenbankserver, weil sich Datensätze häufig ändern. Fünf Webserver lesen gemeinsame Seitenvorlagen aus einer NFS-Dateifreigabe. Produktfotos und 2 TB nächtliche Datensicherungen kommen in den Objektspeicher. Dieselbe Anwendung kann alle drei Arten nutzen.

Temporärer Hostspeicher wie AWS Instance Store, Azure Temporary Disk und Google Cloud Local SSD eignet sich für Arbeitsdateien und Caches, die sich erneut erstellen lassen. Ein Hostausfall oder Ereignisse im Lebenszyklus der virtuellen Maschine können ihn löschen. Bewahre die einzige Kopie wichtiger Daten auf persistentem Speicher auf, der unabhängig von einer laufenden virtuellen Maschine besteht.

Die Preisgestaltung folgt dem Speichermodell. Objektspeicher berechnet im Allgemeinen die tatsächlich gespeicherten GB sowie Anfragen und Übertragungen. Blockspeicher berechnet die bereitgestellte Kapazität einschließlich ungenutzten Platzes. Dateispeicher kann wie EFS den genutzten Platz oder die reservierte Kapazität abrechnen. Beginne die Auswahl beim Zugriffsmuster und vergleiche dann die Rechnung für dieses Muster.

Objektspeicher trennt die Daten von dem Server, der sie nutzt. Ein Bucket oder Container enthält den Bestand, während jedes Objekt einen eigenen Schlüssel hat. Standort-, Zugriffs- und Wiederherstellungseinstellungen bestimmen, wie sicher sich der Bestand nutzen lässt.

Die Bezeichnungen der Anbieter zuordnen

Ein Azure-Speicherkonto kann auch Dateifreigaben, Warteschlangen und Tabellen enthalten. Namen von S3-Buckets für allgemeine Zwecke, Cloud-Storage-Buckets und Azure-Speicherkonten verwenden gemeinsame Namensräume. Ein Name, den ein anderer Kunde nutzt, ist daher möglicherweise nicht verfügbar. Der Name ist auch Teil der Adresse des Objekts. Ein Azure-Blob kann beispielsweise die Adresse https://shopmedia.blob.core.windows.net/images/products/lamp-01.jpg haben.

Ein S3-Bucket gehört zu einer AWS-Region. Bei Azure-Speicherkonten werden eine Region und eine Redundanzoption gewählt. Cloud Storage bietet Standorte in einer Region, zwei Regionen oder mehreren Regionen. Der Standort beeinflusst Latenz, Preis und Datenresidenz, also das Gebiet, in dem die Daten aufbewahrt werden.

Teilen, ohne den Bestand offenzulegen

Halte den Bestand privat und gewähre den von der Anwendung benötigten Zugriff über Identitätsberechtigungen und Ressourcenrichtlinien. Verwende für einen zeitlich begrenzten Download eine vorsignierte URL von S3, eine Shared Access Signature (SAS) von Azure oder eine signierte URL von Cloud Storage. Ein Rechnungslink, der nach 60 Minuten abläuft, gewährt vorübergehenden Zugriff, ohne den ganzen Bucket öffentlich zu machen. Wer einen nutzbaren signierten Link besitzt, kann während dieser Zeit die damit verbundenen Berechtigungen ausüben.

Gespeicherte Objekte werden standardmäßig mit anbieterverwalteten Schlüsseln verschlüsselt; kundenverwaltete Schlüssel geben dem Kunden mehr Kontrolle. HTTPS schützt Daten bei der Übertragung. Verschlüsselung und Berechtigungen lösen unterschiedliche Probleme: Wer eine gültige Leseberechtigung hat, kann ein verschlüsseltes Objekt über den Dienst weiterhin lesen.

Wiederherstellen, aufbewahren und hochladen

Versionierung bewahrt frühere Objektversionen auf, sodass sich eine Überschreibung rückgängig machen lässt. Gespeicherte Versionen erhöhen die Rechnung. Azure und Google Cloud bieten auch vorläufiges Löschen an, bei dem gelöschte Daten für einen Wiederherstellungszeitraum aufbewahrt werden. Unveränderlicher Speicher, auch einmal schreiben und mehrfach lesen (WORM), verhindert Änderungen und Löschungen während der Aufbewahrungsfrist. Beispiele sind S3 Object Lock, unveränderlicher Azure-Blob-Speicher und Cloud-Storage-Aufbewahrungsrichtlinien mit Bucket-Sperre.

Große Uploads lassen sich in Teile zerlegen, parallel hochladen und einzeln wiederholen. S3 nennt dies mehrteiligen Upload; Azure-Block-Uploads und zusammengesetzte Google-Uploads bieten verwandte Verfahren. Nach einem Verbindungsabbruch muss die gesamte große Übertragung nicht neu gestartet werden.

Einen wachsenden Bestand dimensionieren

Eine Million Fotos mit durchschnittlich 3 MB belegen 3.000.000 MB oder 3.000 GB: 3 TB in dezimalen Einheiten. Weitere 20.000 Fotos pro Tag fügen täglich 60 GB hinzu. Über 365 Tage sind das weitere 21,9 TB. Objektspeicher nimmt dieses Wachstum auf, ohne vorab einen Datenträger mit fester Größe zu reservieren.

In flachen Namensräumen müssen beim Verschieben eines ordnerähnlichen Präfixes Objektschlüssel geändert werden. Hierarchische Optionen ergänzen echte Verzeichnisoperationen, darunter Azure Data Lake Storage und der hierarchische Namensraum von Cloud Storage. Prüfe den Namensraum, bevor du einen angezeigten Ordner wie ein Verzeichnis behandelst.

Ordne nach der Wahl einer Speicherart deren Zugriffsmethode und Leistung einem Dienst zu. Ein Hochleistungsdatenträger und ein freigegebener Ordner können beide Dateien speichern, erfüllen aber unterschiedliche Anforderungen von Anwendungen.

Datenträger und ihre Kopien

Datenträgertypen bieten unterschiedliche Leistung. Festplattenbasierte Volumes eignen sich für große sequenzielle Lesevorgänge, SSDs für häufige kleine Vorgänge. IOPS bezeichnet Ein- und Ausgabevorgänge pro Sekunde. Wähle Kapazität und Leistung, denn ein großer Datenträger ist nicht unbedingt der richtige für eine stark beanspruchte Datenbank.

Ein EBS-Volume gehört zu einer Verfügbarkeitszone und wird an Instanzen dort angeschlossen. Azure Managed Disks sind standardmäßig lokal redundant; eine zonenredundante Option ist verfügbar. Google bietet zonale Datenträger und regionale Datenträger, die über zwei Zonen hinweg repliziert werden. Diese Standortwahl bestimmt, welche Ausfälle ein Datenträger überstehen kann.

Ein Snapshot erfasst ein Volume zu einem bestimmten Zeitpunkt. EBS- und Google-Standard-Snapshots sind inkrementell: Nach der ersten Kopie speichern spätere Snapshots geänderte Blöcke. Azure bietet vollständige und inkrementelle Snapshots. Enthält ein Volume 200 GB und ändern sich 5 GB, speichert ein inkrementeller Snapshot etwa 5 GB neue Blöcke. Die Wiederherstellung dieses Snapshots rekonstruiert dennoch das vollständige Volume, nicht nur den geänderten Teil. Daraus kann ein neuer Datenträger in einer anderen Zone entstehen; Snapshots lassen sich auch über Regionen hinweg kopieren.

Freigegebene Dateien und kompatible Software

EFS ist ein automatisch wachsendes NFS-Dateisystem für Linux-Server, auch über Verfügbarkeitszonen hinweg. FSx bietet Windows File Server, Lustre, NetApp ONTAP und OpenZFS. FSx for Windows File Server bietet SMB und Active-Directory-Integration; Lustre eignet sich für große, schnell zu verarbeitende Datenbestände im Hochleistungsrechnen.

Azure Files bietet SMB- und NFS-Freigaben für kompatible Windows-, Linux- und macOS-Clients. Azure NetApp Files unterstützt anspruchsvolle Dateiverarbeitung in Unternehmen. Filestore stellt verwaltetes NFS auf Google Cloud bereit; NetApp Volumes bietet Freigaben auf NetApp-Basis. Prüfe zuerst das benötigte Protokoll und die Dateisystemfunktionen und vergleiche dann die Kapazitätspreise.

Einen lokalen Dateiserver verbinden

AWS Storage Gateway ist eine lokale virtuelle Appliance, die vertraute Datei-, Datenträger- oder Bandschnittstellen mit AWS-Speicher verbindet. Sie speichert häufig verwendete Daten lokal zwischen. Tape Gateway ermöglicht bestehender Sicherungssoftware die Nutzung virtueller Bänder. Azure File Sync synchronisiert Windows-Dateiserver mit Azure Files; Cloudtiering hält häufig genutzte Dateien lokal vor und ruft seltener genutzte Dateien beim Öffnen ab.

Bei einer Zweigstelle mit 8 TB freigegebenen Dateien und einem lokalen Datenträger mit 2 TB kann Tiering die häufig genutzten 2 TB vor Ort halten, während die Cloud den vollständigen Bestand enthält. Das Öffnen einer selten genutzten Datei hängt dann von der Netzwerkverbindung ab.

Das Löschen einer virtuellen Maschine löscht nicht immer ihre Datenträger für Daten; ein nicht angeschlossener Datenträger kann weiterhin Kosten verursachen. Auch der Schutz durch Snapshots hängt vom Standort und der Isolation des Kontos ab. EBS- und Azure-Snapshots bleiben in der Quellregion, sofern sie nicht kopiert werden. Google-Standard-Snapshots liegen standardmäßig im nächstgelegenen multiregionalen Gebiet. Eine isolierte Wiederherstellungskopie schützt vor einem kompromittierten Quellkonto.

Die Speicherebene bestimmt mit, was du für das Aufbewahren und Abrufen von Objekten zahlst. Hot-Ebenen berechnen mehr für die Speicherung und weniger für den Zugriff. Kühlere Ebenen senken den Speicherpreis, können aber Abrufgebühren, Mindestdauern und Wiederherstellungsverzögerungen mit sich bringen.

Klassen nach Zugriffsbedarf vergleichen

S3 Standard-IA und One Zone-IA haben eine Mindestdauer von 30 Tagen. Glacier Instant Retrieval und Flexible Retrieval haben eine Mindestdauer von 90 Tagen; Deep Archive hat 180 Tage. Die Wiederherstellung bei Flexible Retrieval dauert Minuten bis Stunden. Bei Deep Archive ist der Standardabruf innerhalb von 12 Stunden abgeschlossen, der Massenabruf innerhalb von 48 Stunden. S3 Express One Zone bietet schnellen Zugriff innerhalb einer einzelnen Zone.

Azure Cool hat eine Mindestdauer von 30 Tagen, Cold von 90 Tagen und Archive von 180 Tagen. Hot, Cool und Cold bieten Zugriff in Millisekunden. Archive muss in eine Online-Ebene rehydriert werden, was bis zu 15 Stunden dauern kann. Ein Speicherkonto legt eine standardmäßige Online-Ebene fest; einzelne Blobs können eine eigene Ebene haben.

Cloud Storage Standard hat keine Mindestdauer; Nearline hat 30 Tage, Coldline 90 und Archive 365. Google Archive bleibt online, mit Zugriff in Millisekunden und Abrufgebühren. Das Wort „Archive“ allein sagt nicht, wie lange ein Lesezugriff dauert.

Die Mindestdauer ist eine Zahlungsverpflichtung

Wird ein Azure-Blob der Ebene Cool nach 21 Tagen gelöscht, bleiben 9 abrechenbare Tage der Mindestdauer von 30 Tagen. Wird ein Archiv-Blob nach 45 Tagen gelöscht, bleiben 135 Tage der Mindestdauer von 180 Tagen. Bei einem nach 100 Tagen gelöschten Cloud-Storage-Archive-Objekt bleiben 265 Tage. Auch ein vorzeitiger Wechsel aus einer Klasse kann diese Gebühr auslösen.

Die Gesamtrechnung durchgehen

Verwende beispielhafte Tarife von 0,020 US-Dollar pro GB-Monat für Hot-Speicher und 0,002 US-Dollar für Archive zuzüglich 0,02 US-Dollar pro aus dem Archiv abgerufenem GB. Für 50.000 GB, die 12 Monate aufbewahrt werden:

• Hot-Speicher kostet 12.000 US-Dollar.
• Archivspeicher kostet 1.200 US-Dollar.
• Ein vollständiger Lesezugriff auf das Archiv kostet zusätzlich 1.000 US-Dollar, insgesamt also 2.200 US-Dollar.
• Ein monatlicher vollständiger Lesezugriff kostet zusätzlich 12.000 US-Dollar, insgesamt also 13.200 US-Dollar.

Der günstigere Speicherpreis verliert seinen Vorteil bei häufigen Lesezugriffen. Eine vollständige Schätzung umfasst auch Anfragegebühren, vorzeitige Löschung und Gebühren für ausgehenden Datenverkehr aus der Cloud. Uploads über das Internet sind im Allgemeinen kostenlos; Downloads werden üblicherweise berechnet.

Zugriffsmuster über Änderungen entscheiden lassen

S3 Intelligent-Tiering verschiebt ungenutzte Objekte automatisch nach 30 und 90 Tagen und beim Zugriff wieder zurück. Es berechnet Überwachungsgebühren, aber keine Abrufgebühren. Azure Smart Tier verschiebt je nach Nutzung zwischen Hot, Cool und Cold. Cloud Storage Autoclass verwaltet Klassen für einen Bucket. Bei festen Zeitplänen für alternde Daten bieten Lebenszyklusregeln eine ausdrückliche Steuerung.

Klassen mit einer Zone tauschen Ausfallschutz gegen Kosten oder Leistung. S3 One Zone-IA eignet sich für sekundäre oder erneut erstellbare Daten, weil beim Verlust dieser Zone auch die Daten verloren gehen können.

Daten werden mit zunehmendem Alter oft weniger nützlich. Eine Lebenszyklusrichtlinie wendet dieses Muster auf jedes neue Objekt an, sodass niemand an jede Verschiebung oder Löschung denken muss.

Eine Regel hat drei Teile

Ein Filter bestimmt Objekte, etwa Schlüssel, die mit logs/ beginnen, oder Objekte mit einem bestimmten Tag. Eine Bedingung legt fest, wann die Regel gilt, etwa Tage seit der Erstellung oder bei Azure seit dem letzten Zugriff. Eine Aktion ändert die Speicherebene oder löscht das Objekt. Die Dienste heißen S3 Lifecycle, Azure Blob Storage Lifecycle Management und Cloud Storage Object Lifecycle Management.

Für Anwendungsprotokolle, die einen Monat lang häufig benötigt und sieben Jahre aufbewahrt werden, erfolgt der Wechsel in eine Ebene für seltenen Zugriff an Tag 30 und in eine Archivebene an Tag 90. In der Ebene für seltenen Zugriff bleibt jedes Protokoll 60 Tage und überschreitet damit deren Mindestdauer von 30 Tagen. Setze die Löschung nach Ablauf der vollständigen Aufbewahrungsfrist in Kalenderjahren an: Sieben Jahre können zwei Schalttage enthalten, sodass 2.557 Tage eine vorzeitige Löschung vermeiden. Eine einfache Regel mit 2.555 Tagen kann zu kurz greifen.

Die Zeit in jeder Ebene zählen

Das Alter des Objekts und seine Zeit in einer Ebene sind verschieden. Gelangt ein Objekt an Tag 30 in eine Ebene mit einer Mindestdauer von 90 Tagen und verlässt sie an Tag 60, beträgt sein Aufenthalt nur 30 Tage:

Es verlässt die Ebene, ohne die Mindestdauer um 60 Tage auszuschöpfen; diese können berechnet werden. Berechne die Zeit zwischen den Übergängen, bevor du die Kosten einer Richtlinie beurteilst. Jeder Übergang kostet außerdem eine Anfrage. Einige kühlere Klassen haben abrechenbare Mindestgrößen für Objekte, etwa 128 KB bei S3 Standard-IA. Daher können sehr kleine Objekte nach dem Verschieben wenig einsparen oder mehr kosten.

Versionen und geschützte Aufbewahrung

Lebenszyklusregeln können nicht aktuelle Versionen nach einem gewählten Zeitraum entfernen, eine begrenzte Anzahl früherer Versionen behalten und unvollständige mehrteilige Uploads bereinigen. Ohne diese Regeln können Versionen und aufgegebene Teile weiterhin kostenpflichtigen Speicher belegen.

Eine aktive Aufbewahrungssperre oder rechtliche Aufbewahrungspflicht verhindert, dass Lebenszyklusregeln geschützte Daten löschen. Für Rechnungen, die zehn Kalenderjahre aufbewahrt werden, sieht ein Plan die Archivierung nach einem Jahr und die Löschung nach 3.653 Tagen vor. Damit sind bis zu drei Schalttage berücksichtigt. Eine Sperre im Compliance-Modus verhindert eine vorzeitige Löschung auch durch Administratoren. Die Lebenszyklusregel verwaltet den Umgang mit alternden Daten; die Sperre setzt den Schutz durch.

Der Abruf ist ein separater Vorgang

Die Azure-Rehydrierung mit hoher Priorität dauert bei Blobs unter 10 GB normalerweise weniger als eine Stunde und kostet mehr. Azure-Lebenszyklusregeln können einen archivierten Blob nicht rehydrieren; für die Wiederherstellung ist eine separate Anfrage nötig. Plane eine Wiederherstellung, bevor du eine dringende Bereitstellung aus einem Offline-Archiv zusagst.

Lebenszyklusaktionen laufen im Hintergrund, üblicherweise innerhalb von ein oder zwei Tagen nach Erfüllung der Bedingung. Nutze die Richtlinie, um die Aufbewahrung einheitlich auf den Bestand anzuwenden, und berücksichtige diese Verarbeitungszeit bei der Betriebsplanung.

Daten können einen Ausfall überstehen und währenddessen dennoch unerreichbar sein. Beim Speicherschutz gibt es daher zwei getrennte Größen: Datenbeständigkeit und Verfügbarkeit.

Prozentwerte richtig lesen

Datenbeständigkeit beschreibt den Schutz vor Datenverlust über ein Jahr. S3 Standard ist auf 99,999999999 % Datenbeständigkeit ausgelegt, auch elf Neunen genannt. Der Verlustanteil beträgt eins zu 100 Milliarden pro Objekt und Jahr. Bei 10 Millionen Objekten beträgt der erwartete jährliche Verlust 0,0001 Objekte: durchschnittlich eines alle 10.000 Jahre. Das ist eine statistische Auslegungsgröße und kein Zeitplan für den Verlust eines Objekts.

Verfügbarkeit beschreibt den Zeitanteil, in dem Daten erreichbar sind. Ein Monat mit 30 Tagen hat 43.200 Minuten. Bei 99,9 % Verfügbarkeit beträgt der nicht verfügbare Anteil 0,1 % oder 43,2 Minuten. Bei 99,99 % sind es 4,32 Minuten, bei 99 % sind es 432 Minuten oder 7,2 Stunden. Die Auslegungsverfügbarkeit von S3 Standard beträgt 99,99 %. Ein SLA ist eine vertragliche Zusage, die oft durch Gutschriften abgesichert ist; ihr Wert kann vom Auslegungsziel abweichen.

Kopien auf den jeweiligen Ausfall abstimmen

Mehrere Kopien innerhalb eines Rechenzentrums schützen vor Hardwareausfällen. Kopien über Verfügbarkeitszonen hinweg schützen vor dem Ausfall eines Rechenzentrums. Kopien in einer zweiten Region begegnen einem regionalen Notfall, abhängig davon, wo und wie die Replikation erfolgt.

Synchrone Replikation bestätigt einen Schreibvorgang, nachdem die erforderlichen Kopien ihn bestätigt haben. Manche Systeme verlangen alle vorgesehenen Kopien, andere eine Mehrheit oder ein Quorum. Asynchrone Replikation bestätigt den Vorgang an der primären Kopie und sendet die Änderungen anschließend weiter. Geht die primäre Kopie verloren, können noch in Übertragung befindliche Änderungen verloren gehen. Diese Replikationsverzögerung muss innerhalb des RPO des Unternehmens bleiben, also der maximal akzeptierten Menge neuerer Datenverluste, gemessen als Zeitraum.

Azure-Redundanz entschlüsseln

LRS bietet mindestens elf Neunen Datenbeständigkeit, ZRS zwölf und georedundante Optionen sechzehn. GRS hat insgesamt sechs Kopien. Gewöhnliche sekundäre GRS-/GZRS-Daten sind bis zum Failover nicht lesbar; RA-GRS und RA-GZRS ergänzen Lesezugriff auf die sekundäre Kopie. Eine Region, in die repliziert wird, ist nicht unbedingt ein sofort aktiver Ersatz.

Die meisten S3-Klassen erstrecken sich über mindestens drei Zonen; One-Zone-Klassen nicht. S3-Replikation kann Objekte in einen anderen Bucket in derselben oder einer anderen Region kopieren. Regionale Cloud-Storage-Buckets erstrecken sich über Zonen, Dual-Region-Buckets nutzen zwei gewählte Regionen und Multi-Region-Buckets ein größeres Gebiet. Die optionale Turboreplikation zielt bei Dual-Region-Speicher darauf ab, neue Daten innerhalb von 15 Minuten zu kopieren.

Datenresidenz gilt auch für sekundäre Kopien. Prüfe bei der Anforderung, Daten in einem Land zu halten, den Standort der zweiten Region. Replikation kann je nach Dienst und Einstellungen auch unerwünschte Überschreibungen oder Löschungen übertragen. Sie liefert ausfallsichere Kopien des aktuellen Zustands; geschützte Versionen und Datensicherungen ermöglichen die Wiederherstellung nach einem fehlerhaften Zustand.

Eine Datensicherung ist eine wiederherstellbare Kopie für den Fall von Löschung, Beschädigung, Angriff oder Standortverlust. Ein brauchbarer Sicherungsplan beginnt mit der Frage, was das Unternehmen verlieren kann und wie lange es offline bleiben kann.

Zwei getrennte Ziele festlegen

Eine Datensicherung alle 24 Stunden kann fast 24 Stunden an Änderungen ungeschützt lassen, wenn ein Ausfall unmittelbar vor der nächsten Sicherung eintritt. Sie erfüllt ein RPO von 24 Stunden, aber keines von 1 Stunde. Stündliche Sicherungen oder eine ausreichend aktuelle kontinuierliche Replikation erfüllen das kürzere Ziel.

Die Wiederherstellungsgeschwindigkeit ist davon unabhängig. Dauert die Wiederherstellung von 3 TB 6 Stunden und beträgt das RTO 4 Stunden, verfehlt der Plan das Ziel, selbst wenn die Sicherung jeden benötigten Datensatz enthält. Ein schnellerer Wiederherstellungsprozess oder ein Warm Standby kann die Wiederherstellungszeit verkürzen.

Richtlinien auf mehrere Ressourcen anwenden

AWS Backup zentralisiert Sicherungsrichtlinien für Ressourcen wie EBS, RDS, DynamoDB, EFS, FSx und S3. Azure Backup deckt unter anderem virtuelle Maschinen, Managed Disks, Azure Files, Blobs und SQL Server auf virtuellen Maschinen ab. Google Cloud bietet Backup and DR Service. Richtlinien legen Häufigkeit, Aufbewahrung und Kopien in andere Regionen oder Konten fest.

Verwaltete Datenbanken erstellen ebenfalls Datensicherungen und bewahren Transaktionsprotokolle auf. RDS, Azure SQL Database und Cloud SQL unterstützen die Zeitpunktwiederherstellung auf einen gewählten Moment innerhalb der Aufbewahrungsfrist. Bei RDS kann diese Frist bis zu 35 Tage betragen. Protokolle ermöglichen die Wiederherstellung zwischen Sicherungszeitpunkten, etwa unmittelbar vor einer versehentlichen Aktualisierung.

Eine Wiederherstellungskopie isolieren

Die 3-2-1-Regel dient der Sicherungsplanung: drei Kopien auf zwei Speicherarten, davon eine außerhalb des Standorts. In der Cloud hilft eine andere Region beim Verlust eines Standorts und ein separates Konto bei der Isolation des Zugriffs. Eine gesperrte Aufbewahrung schützt zusätzlich davor, dass ein Angreifer die Datensicherung löscht: AWS Backup Vault Lock, unveränderliche Azure-Sicherungstresore und Google-Sicherungstresore mit durchgesetzter Aufbewahrung bieten diese Schutzmaßnahme.

Eine tägliche externe Kopie erfüllt bei einem regionalen Notfall kein RPO von vier Stunden. Sie kann fast einen Tag zurückliegen, selbst wenn lokale Snapshots alle vier Stunden erstellt werden.

Erstelle für eine Dateifreigabe mit 3 TB, einem RPO von vier Stunden und einem RTO von acht Stunden alle vier Stunden Snapshots für die lokale Wiederherstellung und mindestens alle vier Stunden eine wiederherstellbare regionsübergreifende Kopie. Bewahre aktuelle Snapshots sieben Tage und den täglichen Wiederherstellungsverlauf 90 Tage auf. Teste jedes Quartal eine vollständige Wiederherstellung und miss, ob sie innerhalb von acht Stunden abgeschlossen ist.

Wiederherstellungsdienste und Archive

AWS Elastic Disaster Recovery und Azure Site Recovery replizieren Server, damit sie anderswo mit kurzen Wiederherstellungszielen, oft im Minutenbereich, gegen zusätzliche Kosten starten können. Sie dienen dazu, ein funktionsfähiges System wiederherzustellen, und nicht nur dazu, alte Dateien aufzubewahren.

Ein Archiv bewahrt inaktive Datensätze zur langfristigen Nutzung oder Aufbewahrung auf. Eine Datensicherung unterstützt die Wiederherstellung eines aktuellen Systems mit fortlaufendem Verlauf. Ein günstiges Archiv kann ein nützlicher Speicher für Kopien sein, aber seine Abrufverzögerung muss zum Wiederherstellungsplan passen. Wiederherstellungstests prüfen sowohl, ob die Daten funktionieren, als auch, wie lange die Wiederherstellung tatsächlich dauert.

Eine relationale Datenbank speichert zusammengehörige Informationen in Tabellen. Ein verwalteter Dienst betreibt die Datenbankplattform für dich, während dein Team dafür verantwortlich bleibt, wie Daten und Abfragen funktionieren.

Tabellen und Schlüssel lesen

Eine Tabelle enthält Zeilen für Datensätze und Spalten für Attribute. Ihr Schema definiert diese Spalten und ihre Datentypen. Ein Primärschlüssel identifiziert eine Zeile eindeutig. Ein Fremdschlüssel verweist auf den Primärschlüssel einer anderen Tabelle und verbindet Datensätze über Tabellen hinweg.

Angenommen, customers enthält Ana mit der Kunden-ID 1 und dem Land Brasilien sowie Kofi mit der ID 2 und dem Land Ghana. Die Tabelle orders enthält die Bestellungen 501 und 503 für Kunde 2 mit Gesamtsummen von 80 und 45 sowie Bestellung 502 für Kunde 1 mit einer Gesamtsumme von 120. SQL liest und ändert die Daten:

SELECT name FROM customers WHERE country = 'Ghana';

Dies gibt Kofi zurück. Die Verknüpfung über customer_id verbindet Kofi mit den Bestellungen 501 und 503, deren Gesamtsumme 125 beträgt. Der Kundenname muss nicht in jeder Bestellung wiederholt werden.

Eine Transaktion zusammenhalten

Eine Transaktion fasst Änderungen zu einer Einheit zusammen. Die ACID-Eigenschaften beschreiben ihre Garantien:

• Atomarität: Alle Schritte gelingen oder keiner.
• Konsistenz: Bestätigte Daten entsprechen ihren festgelegten Regeln.
• Isolation: Gleichzeitige Transaktionen werden daran gehindert, sich auf eine Weise zu beeinflussen, die die Isolationsstufe nicht zulässt.
• Dauerhaftigkeit: Eine bestätigte Änderung übersteht einen Absturz.

Eine Überweisung von 50 belastet ein Konto und schreibt den Betrag einem anderen gut. Schlägt die zweite Änderung fehl, macht die Atomarität auch die erste rückgängig. Deshalb eignen sich relationale Datenbanken für Bestellungen, Lagerbestände und Zahlungen: Zusammengehörige Änderungen können gemeinsam bestätigt werden.

Festlegen, wer die Plattform betreibt

Ein verwalteter PostgreSQL-Dienst bietet einer neuen Anwendung automatische Plattformwartung. Eine ältere Datenbank, die eine alte Engine-Version und ein Betriebssystem-Plug-in benötigt, braucht möglicherweise eine virtuelle Maschine. Ein verwalteter Dienst bedeutet nicht, dass der Anbieter dein Schema wählt, langsame Abfragen behebt oder den richtigen Nutzern Zugriff gewährt. Dein Team wählt außerdem Größe, Region und Verfügbarkeitseinstellungen.

Zusätzliche Kopien unterscheiden

Ein Standby-Replikat in einer anderen Zone unterstützt das Failover, falls die primäre Datenbank ausfällt. Beispiele sind RDS Multi-AZ, zonenredundante Azure SQL Database und Cloud SQL mit Hochverfügbarkeit. Ein Failover kann den Dienst kurz unterbrechen; es bedeutet keine Ausfallzeit von null.

Ein Lesereplikat verteilt den Leseverkehr und kann in einer anderen Region platziert werden. Es erhält Änderungen üblicherweise asynchron und kann daher kurz nach einem Schreibvorgang einen älteren Wert anzeigen. Es ist weder dasselbe wie ein Standby für Failover noch eine historische Datensicherung.

Vertikale Skalierung ergänzt Prozessoren oder Arbeitsspeicher, oft mit einer kurzen Unterbrechung. Lesereplikate verteilen den Leseverkehr, während automatisches Speicherwachstum Datenträgerkapazität hinzufügt. Datensicherungen und Transaktionsprotokolle unterstützen die Zeitpunktwiederherstellung nach einer schädlichen Änderung, die Replikate möglicherweise bereits kopiert haben.

Beginne die Wahl einer Datenbank bei der Anwendung: ihrer Engine, den benötigten Funktionen und dem Umfang. Dieselbe Engine beizubehalten vermeidet oft Codeänderungen. Eine kompatible Cloud-Engine kann ein anderes Speicher- und Skalierungsverhalten bieten, ohne mit dem Original identisch zu sein.

Die wichtigsten Dienste vergleichen

Amazon RDS unterstützt MySQL, PostgreSQL, MariaDB, Oracle, SQL Server und IBM Db2. Aurora ist eine eigenständige AWS-Engine, die mit MySQL oder PostgreSQL kompatibel ist. Sie speichert sechs Kopien über drei Verfügbarkeitszonen hinweg, erweitert den Speicher automatisch und bietet Aurora Serverless für wechselnden Rechenbedarf.

Azure SQL Database nutzt die SQL-Server-Engine und bietet Serverless- und Hyperscale-Optionen. SQL Managed Instance unterstützt nahezu das gesamte SQL-Server-Verhalten auf Instanzebene. Das ist für bestehende Datenbanken nützlich, die von Funktionen wie SQL-Server-Agent-Aufträgen abhängen. Azure Database for PostgreSQL und Azure Database for MySQL betreiben ihre Open-Source-Engines als verwaltete Flexible Server. SQL Server auf Azure Virtual Machines bietet volle Kontrolle über das Betriebssystem bei kundenseitig verwalteter Wartung.

Cloud SQL betreibt MySQL, PostgreSQL und SQL Server. AlloyDB for PostgreSQL bietet einen PostgreSQL-kompatiblen Dienst, der für anspruchsvolle Workloads einschließlich analytischer Abfragen optimiert ist. Spanner verteilt relationale Daten global, skaliert horizontal und hält starke Konsistenz über Regionen hinweg aufrecht. Multiregionale Konfigurationen bieten ein SLA mit bis zu 99,999 % Verfügbarkeit.

Nach der entscheidenden Funktion wählen

Ein regionaler Einzelhändler mit MySQL kann RDS for MySQL, Azure Database for MySQL oder Cloud SQL for MySQL nutzen. Eine SQL-Server-Anwendung, die von Aufträgen auf Instanzebene abhängt, benötigt einen instanzkompatiblen Dienst wie SQL Managed Instance. Prüfe für jedes Ziel, ob die konkreten Funktionen unterstützt werden. Für eine anspruchsvolle PostgreSQL-Anwendung kommen Aurora PostgreSQL oder AlloyDB in Betracht.

Globale Replikation funktioniert nicht überall gleich. Aurora Global Database hat eine primäre Region für Schreibvorgänge und asynchrone sekundäre Regionen für lokale Lesezugriffe und Notfallwiederherstellung. Spanner unterstützt global verteilte, stark konsistente Transaktionen. Eine kleine Anwendung in einer einzelnen Region benötigt diese globale Komplexität gewöhnlich nicht.

Ist die Workload unvorhersehbar oder oft im Leerlauf, kann eine Serverless-Option die Kapazität anpassen. Benötigt die Anwendung Betriebssystemzugriff, wähle eine virtuelle Maschine. „Verwaltet“ und „serverlos“ beschreiben Betriebsentscheidungen; sie machen nicht jede Engine-Funktion austauschbar.

Lizenzen und Nutzung in die Rechnung aufnehmen

Kommerzielle Engines wie Oracle, SQL Server und Db2 benötigen eine enthaltene Lizenz oder eine gültige Vereinbarung zum Mitbringen eigener Lizenzen, BYOL genannt. Der Azure-Hybridvorteil ermöglicht die Wiederverwendung berechtigter SQL-Server-Lizenzen. Für Open-Source-Engines wie MySQL und PostgreSQL fällt keine Engine-Lizenzgebühr an.

Typische Kosten umfassen Rechenleistung, GB-Monate Speicher, zusätzlichen Sicherungsspeicher, ausgehende Datenübertragungen und manchmal Ein- und Ausgabevorgänge. Serverless-Kosten richten sich nach der über die Zeit genutzten Kapazität. Vergleiche den gesamten Dienst und die Lizenzvereinbarung, nicht nur den stündlichen Preis für Rechenleistung.

NoSQL-Datenbanken organisieren Daten nach bestimmten Zugriffsmustern. „Nicht nur SQL“ umfasst mehrere Modelle und ist kein einzelner Ersatz für jede relationale Datenbank. Wähle ein Modell anhand der Fragen, die die Anwendung stellt, und der Garantien, die ihre Antworten benötigen.

Das Modell der Frage zuordnen

Ein Schlüssel-Wert-Speicher ruft cart:58213 schnell über den bekannten Schlüssel ab. Er bietet weniger Möglichkeiten, beliebige Attribute zu durchsuchen. Ein Dokument fasst zusammengehörige Felder zusammen, und Dokumente können unterschiedlich aufgebaut sein:

{"orderId":"A-1042","customer":{"name":"Ana"},"items":[{"sku":"LAMP-01","qty":2},{"sku":"BULB-07","qty":4}]}

Die Anwendung kann diese Bestellung und ihre Artikel zusammen lesen. Der flexible Aufbau hebt die Struktur nicht auf: Die Anwendung benötigt weiterhin nutzbare Felder und sorgfältig gewählte Schlüssel. Einige Dienste setzen außerdem Validierungsregeln durch.

Spaltenfamilien-Datenbanken verarbeiten enorme Schreibmengen, etwa Messwerte von Millionen Sensoren. Graphdatenbanken stellen Beziehungen als Kanten zwischen Knoten ausdrücklich dar. Verbindungen zwischen Konten nachzuverfolgen ist ein Graphproblem, während das wiederholte Suchen eines Kontos anhand seiner ID eine Schlüsselsuche ist.

Arbeitsspeicher für wiederholte Lesezugriffe nutzen

Ein In-Memory-Speicher hält Daten im Arbeitsspeicher für sehr schnellen Zugriff, oft unter einer Millisekunde. Ein verbreitetes Muster ist Cache-Aside: Zuerst wird der Cache geprüft. Bei einem Fehltreffer werden die Daten aus der Datenbank gelesen und mit einer Ablaufzeit im Cache gespeichert.

Bei einer Cache-Abfrage von 1 ms, einer Datenbankabfrage von 50 ms und einer Trefferquote von 90 % kostet ein Treffer 1 ms und ein Fehltreffer 51 ms. Der Durchschnitt beträgt:

Der Fehltreffer schließt die erfolglose Cache-Abfrage ein. Zwischengespeicherte Daten können ablaufen oder verdrängt werden. Daher sollte ein gewöhnlicher Cache nicht die einzige maßgebliche Kopie enthalten. Dauerhafte In-Memory-Datenbankdienste sind eine andere Wahl.

Konsistenz bewusst wählen

Bei starker Konsistenz gibt ein Lesezugriff den letzten bestätigten Schreibvorgang zurück. Eventual Consistency erlaubt, dass ein Replikat kurz einen älteren Wert zeigt, während Aktualisierungen aufgeholt werden. Das kann niedrigere Latenz, geringere Kosten oder bessere Verfügbarkeit bei bestimmten Ausfällen ermöglichen. Das erforderliche Verhalten hängt von der Aufgabe ab: Ein gerade aktualisierter Kontostand und ein Empfehlungszähler können unterschiedliche Anforderungen haben.

DynamoDB bietet für unterstützte Vorgänge Lesezugriffe mit Eventual Consistency und starker Konsistenz. Cosmos DB bietet fünf Konsistenzstufen. NoSQL bedeutet nicht „keine Transaktionen“: Viele Dienste unterstützen Transaktionen, wobei sich der unterstützte Umfang unterscheidet.

Relationale Datenbanken eignen sich für vielfältige Beziehungen, Verknüpfungen und Transaktionen über mehrere Zeilen. NoSQL eignet sich für sehr große Skalierung, flexible Datensätze und bekannte Zugriffsmuster. Eine Anwendung kann Bestellungen in einem relationalen Speicher, Profile in einer Dokumentendatenbank und wiederholt gelesene Produktdaten in einem Cache halten.

Cloud-NoSQL-Dienste verbinden unterschiedliche Modelle und Betriebsoptionen. Ermittle zuerst, ob die Workload Dokumente, Verbindungen, Spaltenfamiliendaten oder einen Cache benötigt. Vergleiche dann Kompatibilität und Kapazitätskosten.

Die Dienstfamilien erkennen

Die Tabelle gruppiert Dienste nach ihrem Zweck; sie bedeutet nicht, dass sie identische APIs haben. DynamoDB ist serverlos, unterstützt Schlüssel-Wert- und Dokumentenzugriff und bietet globale Tabellen über Regionen hinweg. DocumentDB ist auf MongoDB-Kompatibilität ausgelegt. Keyspaces ist Cassandra-kompatibel und Neptune speichert Graphen.

Cosmos DB ist global verteilt und bietet APIs für NoSQL, MongoDB, Cassandra, Gremlin und Table. Ein Konto nutzt eine API. Der Dienst bietet außerdem fünf Konsistenzstufen. Azure Table Storage ist ein separater, einfacher Schlüssel-Wert-Dienst innerhalb eines Speicherkontos. Die gemeinsame Table-Schnittstelle verschafft ihm nicht alle Funktionen von Cosmos DB für globale Verteilung und Konsistenz.

Firestore ist eine Serverless-Dokumentendatenbank mit Echtzeitaktualisierungen und Offline-Unterstützung auf Geräten. Bigtable verarbeitet große Spaltenfamilien-Workloads mit niedriger Latenz und unterstützt die HBase-API. Häufige Anwendungen sind Sensorverläufe und Personalisierung in sehr großem Umfang.

Caching und dauerhafter Arbeitsspeicher sind verschieden

ElastiCache unterstützt Valkey, Redis OSS und Memcached. Memorystore bietet Valkey, Redis und Memcached, während Azure Managed Redis verwaltetes Redis-Caching bereitstellt. Häufig wiederholte Produktabfragen können diese Caches nutzen, um wiederholte Datenbankzugriffe zu vermeiden.

Amazon MemoryDB ist als dauerhafte In-Memory-Datenbank ausgelegt. Ein gewöhnlicher Cache kann einen Eintrag verdrängen oder verlieren; MemoryDB hat eine andere Rolle als dauerhafte Datenbank. Entscheide, ob die Daten eine ersetzbare Kopie sind, bevor du allein nach Antwortzeit wählst.

Reservierten oder tatsächlichen Datendurchsatz bezahlen

Bei bereitgestellter Kapazität reservierst du den Datendurchsatz vorab. DynamoDB nutzt Lese- und Schreibkapazitätseinheiten; Cosmos DB nutzt Anfrageeinheiten pro Sekunde oder RU/s. Bei vorhersehbarem, gleichmäßigem Bedarf kann das wirtschaftlich sein. Bei bedarfsgesteuerter oder Serverless-Kapazität richten sich die Kosten nach den Anfragen und die Kapazität passt sich dem Bedarf an. Speicher wird separat abgerechnet.

Ein neuer Warenkorb mit unvorhersehbaren Spitzen kann mit DynamoDB On-Demand oder Cosmos DB Serverless beginnen. Für eine mobile Dokumenten-App, die offline funktionieren muss, passen die Gerätefunktionen von Firestore. Ein Betrugserkennungsteam, das Verbindungen zwischen Konten verfolgt, benötigt einen Graphdienst und nicht nur eine schnellere Schlüsselsuche.

Der separate Dienst Cosmos DB for PostgreSQL wird eingestellt; er ist keine weitere Konto-API. Microsoft verweist neue verteilte PostgreSQL-Projekte auf Elastic Clusters in Azure Database for PostgreSQL. Prüfe den konkreten Dienst und die API, bevor du die Kompatibilität einer bestehenden Anwendung annimmst.

Vor der Wahl eines Werkzeugs für einen großen Upload steht eine Rechnung. Ermittle, wie viel Netzwerkkapazität der Umzug tatsächlich nutzen kann, und vergleiche diese Zeit dann mit dem vollständigen Ablauf einer Offline-Übertragung.

Größe und Geschwindigkeit in passende Einheiten bringen

Speicher verwendet Byte, Netzwerke Bit pro Sekunde. Ein Byte enthält 8 Bit. Bei dezimalen Einheiten ist 1 GB eine Milliarde Byte, 1 TB sind 1.000 GB und 1 Gbps ist eine Milliarde Bit pro Sekunde. Ein binäres GiB entspricht etwa 1,074 GB. Prüfe daher, welche Einheit ein Werkzeug anzeigt.

Bei 100 TB über 1 Gbps enthalten die Daten 800 Billionen Bit. Dividiert durch eine Milliarde ergibt das 800.000 Sekunden, etwa 9,3 Tage. Bei 80 % effektiver Auslastung dividierst du durch 0,8 Gbps: 1.000.000 Sekunden, etwa 11,6 Tage. Bei 100 Mbps dauert es selbst bei voller Auslastung etwa 93 Tage. Eine Verbindung mit 1 Gbps überträgt höchstens 125 MB/s oder etwa 10,8 TB täglich, nicht 1 GB/s.

Online-Werkzeuge der Schnittstelle zuordnen

DataSync umfasst Zeitplanung, Verschlüsselung und Integritätsprüfungen und kann unterstützte Dateisystem- oder Objektquellen nach S3, EFS oder FSx übertragen. Transfer Family eignet sich für Partner, die Dateien bereits über etablierte Übertragungsprotokolle senden. Eine einmalige Kopie und fortlaufende Synchronisierung sind unterschiedliche Aufgaben.

Mit der Offline-Übertragung vergleichen

Azure-Data-Box-Geräte bieten bis zu 120 TB oder 525 TB, Data Box Disk ist für kleinere Bestände vorgesehen. Google Transfer Appliance überträgt Daten ebenfalls auf versendeter Hardware. Berücksichtige die Zeit für Bestellung, Kopieren, Versand und Upload durch den Anbieter; der gesamte Vorgang kann etwa eine bis einige Wochen dauern. Verschlüssele das Gerät und prüfe die übertragenen Daten.

AWS Snowball Edge steht Neukunden nicht mehr offen und der Support in kommerziellen Regionen endet am 31. Dezember 2026. Aktuelle AWS-Wege umfassen DataSync und Data Transfer Terminal, einen reservierten physischen Standort, an den Kunden Laufwerke für Hochgeschwindigkeits-Uploads bringen.

Ein Standort hat eine Verbindung mit 200 Mbps, von der die Hälfte für die Migration verfügbar ist. Die effektive Rate beträgt 100 Mbps. Die Übertragung von 300 TB dauert 24 Millionen Sekunden, etwa 278 Tage. Damit ist ein Offline-Gerät attraktiv. Die Übertragung von 2 TB dauert 160.000 Sekunden, etwa 1,9 Tage, sodass der Versand eine Verzögerung bedeuten würde.

Wiederholte Übertragungen brauchen einen dauerhaften Weg

AWS Direct Connect, Azure ExpressRoute und Google Cloud Interconnect bieten dedizierte private Verbindungen mit gleichmäßigerer Geschwindigkeit und Latenz. Sie können sich für große fortlaufende Übertragungen eignen. Ein Offline-Gerät erstellt eine erste Kopie, hält spätere Änderungen aber nicht synchron.

Berücksichtige in der Schätzung Gebühren für Übertragungsdienste und späteren ausgehenden Datenverkehr. Eingehender Datenverkehr über das Internet ist im Allgemeinen kostenlos; Cloud-Downloads kosten üblicherweise pro GB. Nutze Verschlüsselung bei der Übertragung sowie Prüfsummen oder gleichwertige Integritätsprüfungen, um die Vollständigkeit der Zielkopie zu bestätigen.

Die Übertragung der Datenbankbytes ist nur ein Teil der Migration. Das Ziel muss das Schema verstehen, die Anwendung muss damit funktionieren und die letzten Änderungen müssen eintreffen, bevor die Nutzer umgeschaltet werden.

Einordnen, was sich ändert

Eine homogene Migration behält die Engine bei, etwa von PostgreSQL zu verwaltetem PostgreSQL. Eine heterogene Migration ändert sie, etwa von Oracle zu PostgreSQL. Das kann die Konvertierung von Datentypen, Schemata, gespeicherten Prozeduren und Anwendungscode erfordern.

Auch ein Umzug mit derselben Engine kann Prüfungen von Versionen oder Funktionen erfordern. Ein Konvertierungsbericht ist gerade deshalb nützlich, weil er zeigt, was nicht automatisch übertragen wird.

Die Ausfallzeit begrenzen

Eine Offline-Migration stoppt die Anwendung für Export, Übertragung und Import. Eine Online-Migration beginnt mit einem vollständigen Laden, während die Quelle in Nutzung bleibt. Change Data Capture (CDC) sendet anschließend neue Änderungen an das Ziel. Die erste Kopie allein ist bereits veraltet, wenn Nutzer währenddessen weitergeschrieben haben.

Die Produktivumschaltung erfordert eine kontrollierte Abfolge:

1. Schreibvorgänge auf die Quelle stoppen.
2. Die verbleibenden erfassten Änderungen übernehmen und bestätigen, dass das Ziel aufgeholt hat.
3. Das Ziel bei Bedarf zu einer unabhängigen Datenbank machen.
4. Die Anwendung umleiten und ihre Funktion prüfen.

Kontinuierliche Replikation verkürzt das abschließende Zeitfenster; sie macht weder dieses Zeitfenster noch Tests überflüssig. Die alte Quelle für eine gewisse Zeit schreibgeschützt zu behalten, kann eine Rückfallmöglichkeit bieten, ohne konkurrierende Schreibvorgänge zuzulassen.

Werkzeuge zur Erfassung, Konvertierung und Migration wählen

AWS DMS überträgt Datenbanken und unterstützt fortlaufende Replikation. AWS SCT und DMS Schema Conversion bewerten und konvertieren Datenbankstrukturen und Code. Application Discovery Service sammelt Serverinformationen; Application Migration Service führt Rehosting von Servern durch. Migration Hub verfolgt die Arbeit und Migration Evaluator unterstützt die Wirtschaftlichkeitsbetrachtung.

Azure Migrate erfasst, bewertet und migriert Server, Datenbanken und Webanwendungen. Azure Database Migration Service übernimmt unterstützte Migrationen von SQL Server, PostgreSQL und MySQL mit Online- oder Offline-Methoden. Data Box transportiert große Offline-Datenkopien; eine Schemakonvertierung führt es nicht durch.

Google Database Migration Service unterstützt Migrationen zu Cloud SQL oder AlloyDB, einschließlich unterstützter kontinuierlicher Migrationen und heterogener Konvertierungen zu PostgreSQL. Migration Center erfasst und bewertet Ressourcen und schätzt Kosten. Wähle einen unterstützten Weg von der Quelle zum Ziel und nicht nur einen Dienst mit „Migration“ im Namen.

Eine Migration mit Engine-Wechsel durchgehen

Ein Shop, der 24 Stunden am Tag und 7 Tage die Woche geöffnet ist, migriert eine Oracle-Datenbank mit 2 TB zu einem PostgreSQL-kompatiblen verwalteten Ziel. Bewerte zuerst die Konvertierung. Erstelle das Ziel und konvertiere das Schema, schreibe die zur manuellen Bearbeitung markierten Prozeduren neu und starte das vollständige Laden sowie CDC. Teste die Anwendung, während die Replikation weiterläuft. Führe dann die kontrollierte Produktivumschaltung durch. Ein Ordner mit exportierten Dateien in einem Bucket ist ein nützliches Übertragungsartefakt, aber die Nutzer brauchen eine konsistente, laufende Zieldatenbank.

Das System, das heutige Transaktionen erfasst, hat eine andere Aufgabe als das System, das fünf Jahre Geschäftshistorie erklärt. Analysen führen Daten aus vielen Quellen zusammen, ohne dass alltägliche Transaktionen auf umfangreiche Datendurchläufe warten müssen.

Datenstrukturen und Workloads erkennen

Strukturierte Daten haben ein festes Format, etwa eine Verkaufstabelle. Semistrukturierte Daten tragen Bezeichnungen, aber keine feste Tabellenform, etwa JSON oder XML. Unstrukturierte Daten umfassen Bilder, Audio und frei gestaltete Dokumente.

OLTP, die Online-Transaktionsverarbeitung, bearbeitet viele kleine Lese- und Schreibvorgänge auf aktuellen Datensätzen. OLAP, die analytische Onlineverarbeitung, führt große Abfragen über historische Daten aus. Aufwendige Berichte auf einer Produktivdatenbank können Bestellungen und Zahlungen verlangsamen. Daher nutzen Analysen üblicherweise eine separate Kopie.

Data Lake, Data Warehouse und Lakehouse vergleichen

Ein Data Warehouse führt Quellen zu einheitlichen Tabellen zusammen. Seine spaltenorientierte Speicherung kann nur die benötigten Spalten lesen. Hat eine Tabelle mit 2 TB 100 gleich große Spalten und benötigt eine Abfrage drei, werden näherungsweise 60 GB statt 2 TB durchsucht.

Ein Data Lake bewahrt Rohdateien für Erkundung, Datenwissenschaft und maschinelles Lernen auf, einschließlich Daten, deren spätere Verwendung noch nicht bekannt ist. Ohne Katalog und Verantwortliche wird es schwierig, etwas zu finden oder den Daten zu vertrauen: Es entsteht ein „Datensumpf“. Lakehouses ergänzen Verwaltungsfunktionen nach Art eines Data Warehouses mit Formaten wie Apache Iceberg und Delta Lake. Data Lake und Data Warehouse können nebeneinander bestehen, weil sie unterschiedlichen Stufen und Anforderungen dienen.

Einer Pipeline folgen

Eine Datenpipeline übernimmt Daten, speichert, transformiert und analysiert sie und stellt Ergebnisse dar oder reagiert darauf. Bei ETL folgt auf die Extraktion die Transformation und dann das Laden. Bei ELT werden Daten zuerst geladen und am Ziel transformiert. Cloud-Data-Warehouses können die Rechenkapazität für ELT bereitstellen.

Stapelverarbeitung verarbeitet Daten, die über einen Zeitraum gesammelt wurden, etwa das nächtliche Laden von Verkaufsdaten. Stromverarbeitung verarbeitet Ereignisse bei ihrem Eintreffen und eignet sich für Live-Dashboards, verdächtige Zahlungen oder Sensorwarnungen. Ein historischer Monatsbericht lässt sich gut in Stapeln erstellen; eine binnen Sekunden nötige Reaktion verlangt Stromverarbeitung.

Daten nutzbar und vertrauenswürdig halten

Governance legt Regeln und Prozesse für Zugriff, Aufbewahrung, Bedeutung und Qualität fest. Ein Katalog erfasst, welche Daten existieren und was sie bedeuten. Die Datenherkunft verfolgt, woher Daten stammen und welche Transformationen sie verändert haben. Zusammen helfen sie einem Team, eine Zahl auf einem Dashboard zu erklären.

Qualitätsprüfungen betreffen Vollständigkeit, Genauigkeit, Konsistenz, Aktualität, Gültigkeit und Eindeutigkeit. Ein fehlender Regionscode beeinträchtigt die Vollständigkeit, doppelte Zahlungen die Eindeutigkeit und ein veralteter Datenstrom die Aktualität. Qualität ist sowohl vor Analysen als auch vor KI-Anwendungen nützlich. Offene Formate und interoperable Werkzeuge erleichtern das Teilen und verringern isolierte Datensilos und die Abhängigkeit von einem Anbieter.

Ein Analysedienst hat einen bestimmten Platz auf dem Weg von Ereignissen zu Entscheidungen. Bestimme diese Aufgabe, bevor du ein Anbieterprodukt wählst: Einen Datenstrom erfassen, bereinigen, abfragen und darstellen sind unterschiedliche Vorgänge.

Data Warehouses und Abfragen über Dateien

Redshift bietet bereitgestellte und Serverless-Data-Warehouses. BigQuery ist serverlos, trennt Speicher von Rechenleistung und bietet eine Abrechnung von Abfragen nach durchsuchter Datenmenge oder nach Kapazität. Microsoft Fabric verbindet Data-Warehouse- und Lakehouse-Funktionen; Synapse Analytics bleibt verfügbar, während neue Entwicklungen auf Fabric ausgerichtet werden.

Athena führt Serverless-SQL auf Dateien in S3 aus; es speichert die abgefragten Daten nicht. Externe BigQuery-Tabellen können Cloud-Storage-Dateien lesen, und Fabric-Lakehouse-Tabellen in OneLake haben einen SQL-Analyseendpunkt. Dateien direkt am Speicherort abzufragen ist etwas anderes, als eine weitere Kopie in eine Datenbank zu laden.

Daten aufbereiten und Ereignisse verarbeiten

AWS Glue transformiert Daten und pflegt einen Datenkatalog, der Struktur und Speicherort beschreibt. Azure Data Factory erstellt und plant Pipelines. Google Dataflow führt sowohl Stapel- als auch Stromverarbeitung mit Apache Beam aus.

Für Spark und verwandte Big-Data-Frameworks nutze Amazon EMR, Azure Databricks oder Fabric Spark sowie Googles Managed Service for Apache Spark, früher Dataproc. Sie stellen Verarbeitungsframeworks bereit und erfüllen nicht dieselbe Rolle wie ein Dashboard oder ein Nachrichtendienst.

Für Datenströme erfasst und verarbeitet Amazon Kinesis Echtzeitdaten und Data Firehose lädt Datenströme in Zielsysteme. Azure Event Hubs nimmt Ereignisse auf; Stream Analytics oder Fabric Real-Time Intelligence analysiert sie. Google Pub/Sub überträgt Nachrichten und Dataflow verarbeitet sie.

Ein Ereignis bis zum Dashboard verfolgen

Für ein Live-Dashboard eines Shops gelangen Bestellereignisse in Kinesis, Event Hubs oder Pub/Sub. Rohkopien landen in S3, Azure Data Lake Storage oder Cloud Storage. Glue, Data Factory oder Dataflow bereinigt die Datensätze. Redshift, Fabric oder BigQuery unterstützt die Analyse und Quick Sight, Power BI oder Looker zeigt die Ergebnisse.

Looker kann Geschäftsmetriken zentral definieren, sodass Teams für Größen wie Umsatz dieselbe Bedeutung verwenden. Amazon OpenSearch Service hat eine andere Aufgabe: Es indexiert Texte und Protokolle für Suche und Analyse.

Abfragekosten nach durchsuchter Datenmenge senken

Bei einem beispielhaften Tarif von 5 US-Dollar pro durchsuchtem TB kostet das Lesen von 2 TB 10 US-Dollar. Wenn ein spaltenorientiertes Format wie Parquet der Abfrage erlaubt, drei von 100 gleich großen Spalten zu lesen, liest sie 60 GB oder 0,06 TB und kostet 0,30 US-Dollar. Sind die Dateien zusätzlich nach Tagen partitioniert und benötigt die Abfrage nur einen von 30 gleich großen Tagen, sinkt die durchsuchte Datenmenge auf 2 GB und die Kosten betragen 0,01 US-Dollar.

Die Einsparungen entstehen dadurch, dass nicht benötigte Spalten und Partitionen tatsächlich ausgeschlossen werden. Eine Datei lediglich im Objektspeicher abzulegen, garantiert keine geringe durchsuchte Datenmenge. BigQuery-Kapazitätsreservierungen sind eine Abrechnungsoption; sie machen die Verwaltung der Data-Warehouse-Server durch den Kunden nicht erforderlich.

Cloud-KI-Dienste reichen von fertigen APIs bis zu Plattformen zum Trainieren von Modellen. Die beste Einstiegsebene hängt von der betrieblichen Aufgabe, den Daten und dem Fachwissen des Teams ab.

Die Grundgedanken verbinden

Künstliche Intelligenz umfasst Systeme, die Aufgaben wie Bilderkennung oder Sprachverständnis ausführen. Maschinelles Lernen ist ein Ansatz innerhalb der KI: Ein Modell lernt Muster aus Daten. Deep Learning nutzt vielschichtige neuronale Netze. Generative KI erzeugt anhand einer Eingabeaufforderung Inhalte wie Text, Bilder oder Code. Ein Basismodell wird breit trainiert, damit es an viele Aufgaben angepasst werden kann; ein großes Sprachmodell oder LLM konzentriert sich auf Sprache.

Training erzeugt oder verändert ein Modell anhand von Daten. Inferenz nutzt ein trainiertes Modell für neue Eingaben. Das Training eines kleinen Modells benötigt möglicherweise nur einen gewöhnlichen Prozessor; große Deep-Learning-Modelle benötigen oft GPUs oder TPUs. Einen neuen Kauf auf Betrug zu bewerten ist Inferenz, selbst wenn das Modell Monate zuvor trainiert wurde.

Klassifikation sagt eine Kategorie voraus, Regression eine Zahl. Diese Methoden können komplizierte Regeln vereinfachen, Nachfrage vorhersagen, Empfehlungen personalisieren und Anomalien erkennen. Agentische KI ergänzt Planung und Werkzeugnutzung, sodass ein Agent eine Aufgabe ausführen kann, etwa Informationen suchen und eine Anwendung aufrufen.

Eine Dienstebene wählen

1. Vortrainierte APIs übernehmen etablierte Aufgaben wie Übersetzung oder Spracherkennung, ohne ein Modell zu erstellen.
2. Plattformen für generative KI bieten Basismodelle, Fundierung und Werkzeuge für Agenten: Amazon Bedrock, Microsoft Foundry und Gemini Enterprise Agent Platform, früher Vertex AI.
3. Plattformen für maschinelles Lernen erstellen, trainieren und implementieren eigene Modelle: SageMaker AI, Azure Machine Learning und Gemini Enterprise Agent Platform. AutoML verringert den Codeaufwand für das Training mit deinen Daten.
4. Maschinelles Lernen in Datendiensten, etwa BigQuery ML und Redshift ML, lässt Teams über SQL dort arbeiten, wo die Daten bereits liegen.

Ein Einzelhändler, der Beschreibungen übersetzt, kann eine Übersetzungs-API nutzen. Ein Chat-Assistent, der anhand von Unternehmenshandbüchern antwortet, kann abrufgestützte Generierung (RAG) nutzen: Relevante Handbuchpassagen werden abgerufen und mit jeder Frage bereitgestellt. Eine Nachfrageprognose auf Basis der eigenen Verkäufe des Einzelhändlers kann AutoML, maschinelles Lernen in der Datenbank oder eine Plattform für maschinelles Lernen nutzen. Eine Neuentwicklung verursacht zusätzlichen Aufwand, wenn ein vorhandener Dienst bereits passt.

Daten und Ausgaben bewerten

Fehlende, veraltete oder verzerrte Trainingsbeispiele können schlechte oder unfaire Ergebnisse erzeugen. Prüfe Vollständigkeit, Genauigkeit, Konsistenz, Aktualität, Gültigkeit und Eindeutigkeit. Verantwortungsvolle KI verlangt außerdem Fairness, Datenschutz, Sicherheit, Transparenz, Erklärbarkeit, menschliche Aufsicht und klare Verantwortlichkeit.

Eine überzeugend klingende generierte Antwort kann eine Halluzination enthalten, also eine flüssig formulierte, aber falsche Aussage. Fundiere wichtige Ausgaben auf vertrauenswürdigen Informationen und überprüfe sie. Der Anbieter sichert seinen Dienst ab; der Kunde kontrolliert bereitgestellte Daten, Zugriff und die Nutzung der Ausgaben. RAG liefert dem Modell Belege, garantiert aber allein noch keine richtige Antwort.

Für viele gängige KI-Aufgaben gibt es bereits einen vortrainierten Dienst. Eine Anwendung sendet Eingaben über eine API und erhält Ergebnisse, ohne dass ihre Entwickler zuerst ein Modell trainieren müssen.

Eingabe und Ausgabe zuordnen

Bildverarbeitung findet Objekte, Szenen und Text in Bildern; Googles Video Intelligence API übernimmt die Videoanalyse. Spracherkennung transkribiert Audio, während Sprachsynthese gesprochene Ausgabe aus geschriebenem Text erzeugt. Textanalyse erkennt Sentiment, Entitäten, Schlüsselbegriffe oder Kategorien. Übersetzung ändert die Sprache des Textes.

Dokumentendienste erhalten Beziehungen innerhalb von Formularen, etwa welches Datum zur Bezeichnung „Rechnungsdatum“ gehört oder welcher Betrag eine Tabellensumme ist. Allgemeine Texterkennung in Bildern findet Text, bietet aber nicht dasselbe Formularverständnis. Ein Rechnungsprozess benötigt daher Dokumentenextraktion und nicht nur Bildlabels.

Dienste für einen Geschäftsprozess kombinieren

Ein Kontaktcenter kann aufgezeichnete Gespräche transkribieren, das Sentiment in jedem Transkript analysieren und wiederkehrende Themen, die Unzufriedenheit auslösen, auf einem Dashboard anzeigen. Die Transkription liefert die Wörter; die Sprachanalyse deutet Aspekte dieser Wörter.

Ein Versicherer kann mit einem Dokumentendienst Namen, Datumsangaben und Beträge aus Schadensmeldungen extrahieren und Ergebnisse mit niedriger Konfidenz an eine Person weiterleiten. Diese Prüfung ist Teil des Prozesses: Ein erkanntes Feld ist eine Vorhersage und keine Garantie, dass der Wert richtig ist.

Mit Amazon Lex lassen sich Sprach- oder Textchatbots erstellen und mit Amazon Connect, einem Cloud-Kontaktcenter, verbinden. Amazon Q bietet generative Unterstützung für Geschäftsanwender und Entwickler. Microsoft Foundry und Gemini Enterprise Agent Platform bieten Werkzeuge für Dialogassistenten und Agenten. Azure Vision, Speech, Language und verwandte APIs gehören zu Foundry Tools, früher Azure AI Services.

Vor dem Preis die Nutzung schätzen

Dienste können pro Bild, Audiominute, Seite, übersetztem Zeichen oder erzeugtem Token abrechnen. Zähle die relevante Einheit und wende dann den Tarif an. Nutze einen beispielhaften Übersetzungstarif von 15 US-Dollar pro Million Zeichen. Zweitausend Beschreibungen mit je 500 Zeichen enthalten eine Million Zeichen. Die Übersetzung in zehn Sprachen verarbeitet zehn Millionen Zeichen und kostet 150 US-Dollar. Wer nur den Ausgangstext zählt, übersieht die wiederholte Verarbeitung für jede Sprache.

Vortrainiert bedeutet nicht immer festes Verhalten. Benutzerdefiniertes Transkriptionsvokabular kann bei Produktnamen helfen; benutzerdefinierte Bildlabels können Produkte eines Unternehmens erkennen; benutzerdefinierte Dokumentenklassifikatoren können dessen Formulare sortieren. Diese Optionen passen einen Dienst an, ohne ein vollständiges Projekt zur Modellentwicklung zu benötigen.

Bilder, Stimmen und Dokumente können personenbezogene Daten enthalten. Stelle sie für einen rechtmäßigen Zweck bereit, hole gegebenenfalls eine Einwilligung ein und steuere Zugriff und Aufbewahrung. Wähle den Dienst nach seiner Aufgabe und seinem Datenbedarf, bevor du entscheidest, dass eigenes Training nötig ist.