Data gravity
Concept
Data gravity beschreibt, wie große, angesammelte Datenbestände Rechenleistung, Werkzeuge, Kopien und Teams anziehen und die Daten dadurch zunehmend schwer zu verschieben sind.
Juga dibahas
Episode tentang Data gravity juga membahas Cost to serve, Process criticality, Azure Autoscale, Scope creep, Non-human identity, dan Managed Environments.
Description
Data Gravity 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 schwieriger wird es, sie zu verlagern. Data Lakes und Data Warehouses gelten häufig als typische Beispiele für Systeme, die diesen Effekt zeigen.
Der Begriff wurde 2010 vom IT-Experten Dave McCrory geprägt. Später unterschied er zwei Formen: natürliche Data Gravity, die entsteht, wenn Daten in die Cloud verlagert werden, und künstliche Gravity, die durch äußere Einflüsse wie Gesetzgebung, Drosselung oder manipulative Preisgestaltung verursacht wird. Im Jahr 2020 veröffentlichte er den Data Gravity Index, der diesen Effekt für große Unternehmen nach Metropolregion und Branche misst.
Der zentrale Mechanismus ist die Größe. Die Gravitation wächst mit dem Datenvolumen, und das Verschieben großer Datenbestände ist teuer und langsam. Deshalb werden Anwendungen und Dienste eher in der Nähe der Daten platziert, die sie nutzen, und nicht umgekehrt. Daraus ergeben sich mehrere praktische Folgen. Anwendungen, die weit entfernt von ihren Daten liegen, haben höhere Latenzzeiten. Egress-Gebühren in der Cloud können eine Migration unwirtschaftlich machen. Eine Migration erzeugt außerdem zusätzlichen Aufwand für jede Anwendung, die von den verschobenen Daten abhängt. Mit KI, maschinellem Lernen und Edge-Quellen, die zusätzliche Daten erzeugen, entsteht ständig neue Gravitation.
Typische Entscheidungen im Zusammenhang mit Data Gravity betreffen die Frage, wo Workloads platziert und wie viele Daten vorgehalten werden sollen. Als Reaktionen werden unter anderem empfohlen: Anwendungen und Daten gemeinsam zu platzieren, starke Governance und Standards anzuwenden, Datenquellen in einem einheitlichen Speicher zu integrieren, Migrationen auf die absehbare künftige Datenmenge statt auf die heutige auszulegen sowie Daten am Edge zu filtern oder zu analysieren, bevor sie weitergeleitet werden.
Die M365.FM-Episode "Edge vs. Cloud in Manufacturing- Why the Wrong Architecture Costs You More" nutzt Data Gravity als eines von mehreren Kriterien für die Platzierung. Sie fragt, wie viele Daten erzeugt werden und welches Format sie tatsächlich benötigen, wenn sie nach oben übertragen werden. Die Episode betont, dass ein Design, das alles dauerhaft sammelt, jedes unnötige Byte mehrfach bezahlt. In dieser Diskussion wird Data Gravity zusammen mit dem Ausfallverhalten abgewogen, bei dem eine Funktion kontrolliert herabgestuft werden und die Produktion innerhalb definierter lokaler Grenzen weiterlaufen soll, sowie mit dem Umfang, bei dem ein einzelner Sensor oder Asset eine lokale Platzierung begünstigt, während breitere Flottenbetriebe die Arbeit nach oben verlagern.
Die Episode "Fix Common Azure AI Foundry Project Failures" behandelt Data Gravity als Argument für die Zentralisierung auf einer Plattform. Sie erklärt, dass das Hosting 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 Episode weist darauf hin, dass Azure auch On-Premises-, Hybrid- und Edge-Inferenz unterstützt, sodass KI dort laufen kann, wo die Daten entstehen, anstatt dass die Daten verschoben werden.
Zusammengenommen zeigen die beiden Episoden das Konzept aus beiden Richtungen: Rechenleistung dorthin zu bringen, wo die Daten bereits liegen, und Daten nahe ihrer Quelle zu reduzieren oder zu verarbeiten, damit weniger davon bewegt werden muss.
Overview compiled with AI from M365.FM episodes and the facts on this page. You can improve it with the edit button below.
| Type | Concept |
|---|
Frequently asked questions
Questions marked with AI were written with AI from the facts on this page.
Was ist Data Gravity? (AI)
Data Gravity beschreibt die Tendenz großer Datenbestände, Anwendungen, Dienste und andere Daten anzuziehen, wodurch die Daten mit wachsender Größe schwerer und kostspieliger zu verschieben sind. Den Begriff hat Dave McCrory im Jahr 2010 geprägt.
Warum ist Data Gravity für Cloud-Migrationen wichtig? (AI)
Das Verschieben großer Datenbestände ist langsam und teuer, Egress-Gebühren in der Cloud können eine Migration unwirtschaftlich machen, und jede abhängige Anwendung benötigt zusätzlichen Aufwand. Als Reaktionen werden die Planung auf die absehbare künftige Datenmenge und die gemeinsame Platzierung von Anwendungen und ihren Daten empfohlen.
Wie setzen die M365.FM-Episoden Data Gravity mit Architekturentscheidungen in Beziehung? (AI)
Eine Episode nutzt das Konzept, um zu beurteilen, welche Daten von 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
Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.
Experts and companies for this topic
Nobody has listed this topic yet. Add it to your profile.
Maintained by Mirko Peters (Microsoft MVP) · Last updated: