Data gravity
Konzept
Datengravitation beschreibt, wie große, angesammelte Datenbestände Rechenleistung, Werkzeuge, Kopien und Teams anziehen, sodass sich die Daten zunehmend schwer verschieben lassen.
Ebenfalls besprochen
In Folgen zu Data gravity geht es auch um Cost to serve, Process criticality, Azure Autoscale, Scope creep, Non-human identity und Managed Environments.
Beschreibung
Datengravitation ist ein Konzept aus der IT-Architektur, das beschreibt, wie ein großer Datenbestand Anwendungen, Dienste und andere Daten anzieht, ähnlich wie Masse in der Physik Objekte anzieht. Je mehr Daten sich an einem Ort ansammeln, desto mehr Rechenleistung, Werkzeuge, Kopien und Teams sammeln sich um sie herum, und desto schwerer wird es, sie zu verlagern. Data Lakes und Data Warehouses werden häufig als typische Beispiele für Systeme genannt, die diesen Effekt zeigen.
Der Begriff wurde 2010 vom IT-Experten Dave McCrory geprägt. Später unterschied er zwei Formen: natürliche Datengravitation, die entsteht, wenn Daten in die Cloud verlagert werden, und künstliche Gravitation, die durch äußere Einflüsse wie Gesetzgebung, Drosselung oder manipulative Preisgestaltung verursacht wird. Im Jahr 2020 veröffentlichte er den Data Gravity Index, der die Wirkung für große Unternehmen nach Ballungsraum und Branche misst.
Der zentrale Mechanismus ist die Größe. Die Gravitation wächst mit dem Datenvolumen, und das Verschieben großer Datenbestände ist teuer und langsam. Daher werden Anwendungen und Dienste eher in der Nähe der Daten platziert, die sie nutzen, und nicht umgekehrt. Dies hat mehrere praktische Folgen. Anwendungen, die weit von ihren Daten entfernt sind, haben höhere Latenzzeiten. Cloud-Egress-Gebühren können eine Migration unwirtschaftlich machen. Eine Migration bedeutet außerdem zusätzlichen Aufwand für jede Anwendung, die von den verschobenen Daten abhängt. Durch KI-, Machine-Learning- und Edge-Quellen, die zusätzliche Daten erzeugen, entstehen laufend neue Gravitationszentren.
Typische Entscheidungen im Zusammenhang mit Datengravitation betreffen den Ort, an dem Workloads platziert werden, und die Menge der Daten, die aufbewahrt werden. Als Reaktionen werden unter anderem vorgeschlagen: Anwendungen und Daten gemeinsam zu platzieren, starke Governance und Standards anzuwenden, Quellen in einen einheitlichen Speicher zu integrieren, Migrationen auf die spätere Datenmenge statt auf die aktuelle auszulegen sowie Daten am Edge zu filtern oder zu analysieren, bevor sie weitertransportiert werden.
Die M365.FM-Folge "Edge vs. Cloud in Manufacturing- Why the Wrong Architecture Costs You More" nutzt Datengravitation als eines von mehreren Kriterien für die Platzierung. Sie fragt, wie viele Daten entstehen und in welchem Format sie beim Transfer nach oben tatsächlich benötigt werden. Die Folge stellt fest, dass ein Design, das alles dauerhaft sammelt, für jedes unnötige Byte mehr als einmal bezahlt. In dieser Diskussion wird Datengravitation neben dem Ausfallverhalten abgewogen, bei dem eine Funktion kontrolliert herabgestuft werden und die Produktion innerhalb definierter lokaler Grenzen weiterlaufen sollte, sowie neben dem Umfang, bei dem ein einzelner Sensor oder Asset die lokale Platzierung begünstigt und breitere Flottenbetriebe die Verarbeitung nach oben verlagern.
Die Folge "Fix Common Azure AI Foundry Project Failures" behandelt Datengravitation als Argument für die Zentralisierung auf eine Plattform. Sie besagt, dass das Hosten von Daten und KI in Azure Latenz und Komplexität reduziert, und stellt dies als Grund dar, warum Teams bei größeren KI-Projekten Azure wählen. Dieselbe Folge weist darauf hin, dass Azure auch On-Premises-, Hybrid- und Edge-Inferenz unterstützt, sodass KI dort laufen kann, wo die Daten entstehen, anstatt die Daten zu verschieben.
Zusammengenommen zeigen die beiden Folgen das Konzept aus beiden Richtungen: Rechenleistung dorthin zu bringen, wo die Daten bereits liegen, und Daten nahe an ihrer Quelle zu reduzieren oder zu verarbeiten, sodass weniger davon überhaupt bewegt werden muss.
Überblick, mit KI aus M365.FM-Folgen und den Fakten dieser Seite zusammengestellt. Du kannst ihn unten über „Bearbeiten“ verbessern.
| Typ | Konzept |
|---|
Häufige Fragen
Mit KI markierte Fragen wurden mit KI aus den Fakten dieser Seite geschrieben.
Was ist Datengravitation? (KI)
Datengravitation ist die Tendenz großer Datenbestände, Anwendungen, Dienste und andere Daten anzuziehen, wodurch die Daten mit wachsendem Umfang schwerer und kostspieliger zu verschieben sind. Der Begriff wurde 2010 von Dave McCrory geprägt.
Warum ist Datengravitation für Cloud-Migrationen wichtig? (KI)
Das Verschieben großer Datenbestände ist langsam und teuer, Cloud-Egress-Gebühren können eine Migration unwirtschaftlich machen, und jede abhängige Anwendung erfordert zusätzlichen Aufwand. Als Reaktionen werden eine Planung auf die künftige Datenmenge und die gemeinsame Platzierung von Anwendungen und ihren Daten vorgeschlagen.
Wie setzen die M365.FM-Folgen Datengravitation mit Architekturentscheidungen in Beziehung? (KI)
Eine Folge nutzt das Konzept, um zu beurteilen, welche Daten aus Fertigungsstandorten nach oben übertragen werden sollten, während eine andere es als Grund anführt, Daten und KI gemeinsam in Azure zu hosten, um Latenz und Komplexität zu reduzieren.
Community-Wiki
Oben die Kurzinfo, unten das Wissen der Community: ergänze praktische Tipps, Beispiele oder Korrekturen. Neue Beiträge werden zuerst geprüft, bewährte Mitglieder veröffentlichen direkt.
Experten und Firmen zu diesem Thema
Dieses Thema hat noch niemand im Profil angegeben. Trag es in deinem Profil ein.
Gepflegt von Mirko Peters (Microsoft MVP) · Zuletzt aktualisiert: