A partir des résultats de mes tests et des conclusions qui en découlent, je propose ces quelques recommandations en matière de partitionnement. Pour toutes les requêtes :
des chevauchements de partitions.
Concernant les requêtes telles que celle du listing 3, qui accède uniquement à des pré-agrégations :
Concernant les requêtes telles que celle du listing 2, qui calcule de nombreuses agrégations à la volée :
Si vous avez de nombreuses requêtes lentes présentant des besoins de partitionnement différents, envisagez de créer des cubes distincts pour chacune d’elles. Concernant les utilisateurs ad hoc d’ordinateurs de bureau qui ne peuvent récupérer qu’un écran de résultats à la fois, le recours à plusieurs cubes peut être problématique. En revanche, pour les applications personnalisées (telles que les applications Web et de reporting) nécessitant des résultats complets, vous pouvez au choix accéder à plusieurs cubes, voire à plusieurs bases de données en arrière-plan pour des performances optimales.
Le terme « tuning » signifie que vous devez expérimenter différentes approches afin d’atteindre les performances optimales pour votre système. Les techniques et recommandations exposées dans cet article n’aboutiront pas forcément immédiatement à des performances optimales, mais si vous prenez le temps d’examiner l’utilisation de vos requêtes et d’identifier celles dont l’exécution est lente, d’évaluer les partitions susceptibles d’éviter les analyses séquentielles et de tester les partitions en question, nul doute que vous vous rapprocherez des niveaux de performances recherchés.
Compte tenu de l'ampleur des changements que l'IA est susceptible d'entraîner, les organisations doivent élaborer une stratégie pour se préparer à adopter et à sécuriser l'IA. Découvrez dans ce Livre blanc Kaspersky quatre stratégies efficaces pour sécuriser l'IA et l'IoT.
