Azure 数据资源管理器（ADX）是一个完全托管的分析平台，用于实时分析大规模遥测和日志数据。 本文介绍如何在 Azure 数据资源管理器中计算每 GB 引入的成本、驱动因素以及如何优化群集以提高效率。 大数据分析平台使用不同的定价模型。 许多平台基于查询量、数据引入、存储持续时间和计算资源等因素进行定价。 这种复杂性使得很难比较产品之间的定价。
为了帮助了解使用 Azure 数据资源管理器的成本，本文采用指标 每 GB 摄取的成本。 此指标是 群集总成本 （计算、存储、网络和服务标记）除以在此期间 引入的原始大小数据总数 。
2025 年 6 月 ADX 群集的代表快照用于建立示例分析。 以下部分显示了 分析的主要结果、解释 哪些驱动 成本变化，以及用户如何 优化引入的每 GB 成本 ，而不会影响性能。
注释
- 本文中的所有成本数字都显示了列表价格，不包括折扣或基于承诺的节省。
- 为了进行此示例分析，每个 GB 的成本以 样本成本单位（SCU）表示，其中每个 SCU 表示一个通用成本单位，例如一美分。
每 GB 引入成本分析
下图显示了每个成本组中原始大小（Y 轴）中的每日引入 GB 的中位数与每 GB 引入成本的中位数（X 轴）。 气泡大小代表该组在引入到服务的总数据中的份额。
每 GB 摄入成本因群集而异，但有几个模式十分显著：
大多数数据 (>75%)的引入成本在每 GB 2 到 10 个 SCU（折扣前）。
少于 5% 的数据的引入成本为每 GB 少于 2 个 SCU。
即使在相同的使用类别（或“气泡”）中，你也会看到显著变化。 例如，在最大的气泡中，一个群集以每 GB 2 个 SCU 引入，而另一个群集则达到每个 GB 10 个 SCU。 这是5倍的差异。 后续部分介绍此变体的主要原因。
每 GB 成本较高的群集较为罕见，且通常数据引入量较低。 通常，较小的数据量意味着每 GB 的成本更高。
重要
气泡图显示，每 GB 引入成本因群集而异。 此变体并不表示良好或不良的做法。 它反映了服务的不同方案、配置和使用模式。
例如，一个群集可能会保留更长的数据，以符合性，这会增加存储成本。 另一种更新策略可能会在引入期间处理数据，从而增加计算资源使用。 这些方案是有意的设计选择，符合特定目标，它们自然会影响每 GB 的成本。
影响每 GB 引入成本的因素有哪些
这些关键因素导致每个群集中每 GB 摄取的成本差异：
存储持续时间：存储数据的时间越长，成本就越高。 请参阅 保留策略。
高 CPU 使用率：作（如大量查询、数据处理或转换）会导致 CPU 使用率较高。
缓存设置：缓存更多数据可提升性能，但可能会增加成本。 请参阅 缓存策略。
冷数据使用情况：访问冷数据的查询会触发读取事务并增加成本。 查看 热缓存和冷缓存。
数据转换和优化：更新策略、具体化视图和分区等功能消耗 CPU 资源，并可能降低成本。 请参阅 更新策略、 具体化视图和 分区。
摄取量：群集在更高的摄取量下更具成本效益地运行。
架构设计：包含许多列的宽表需要更多的计算和存储资源，这会增加成本。
高级功能：关注者、专用终结点和 Python 沙盒等选项消耗更多资源，并可以增加成本。
自动缩放：没有自动缩放的群集通常成本更高，因为它们不会按需调整其大小。
你可以配置其中大多数因素来优化性能和成本。
深入了解关键成本驱动因素
本部分探讨影响 Azure 数据资源管理器中引入的每 GB 成本的关键因素，提供有关如何管理和优化这些成本的见解。
数据保留对成本的影响
在 ADX 中，所有引入的数据都存储在永久性存储中。 每个表和具体化视图都有一个 保留策略 ，用于定义数据的保留时间。 数据保留的时间越长，成本越高，根据 Azure 存储定价。 当您需要长期存储（例如为了合规性）时，每 GB 存储的成本会上升，因为它包括持续的存储费用。
除了群集报告的盘区大小外，还有两个额外的成本驱动因素：
- 保留缓冲区：默认存储额外的 7 天数据，以防止意外数据丢失。
- 可恢复性开销：对于启用了 可恢复性设置 的表（默认值），数据将保留 14 天。 这包括在合并和重新生成作期间生成的中间 Blob。
群集大小
群集大小是群集中的计算机数（节点）。 每台计算机都会增加成本，具体取决于其类型（SKU）。 自动缩放 根据 CPU 使用率调整群集大小，因此系统可以通过避免空闲或冗余资源来优化成本和性能。
自动缩放可调整群集大小，以确保缓存的数据适合可用 SSD 空间。 因此，大型缓存可能会增加群集大小，如果 CPU 使用率较低，这可能会导致每个 GB 的成本更高。 有关优化缓存大小的详细信息，请参阅 “缓存”选项卡群集见解工具 。
运行许多查询或执行 CPU 密集型任务的群集（例如具体化视图、更新策略或分区）可以缩放群集，从而增加每 GB 的成本。 请注意，这些功能可以显著提高查询性能并减少查询 CPU 使用率，从而提高整体效率。
引入的数据量
随着群集的增长，将添加更多节点，增加总成本。 该成本分布在所有引入的数据中，因此引入的数据越多，每 GB 的成本就越低。
冷数据使用情况
当查询经常访问存储在磁盘上的冷数据时，它们会导致读取事务使用更多资源，并会增加整体群集成本。
流式处理与排队引入
每个引入方法具有不同的成本、延迟和功能特征，因此每个引入方法都更适合不同的方案。 出于成本考虑，流式引入 在引入包含缓慢流动的数据的小型表时更便宜，而 排队引入 对于大型表而言更具成本效益。
小窍门
优化每 GB 摄取的成本
检查 关键成本驱动因素 的配置，以确保它们符合群集的需求和服务要求，以提高效率。 特别是：
- 最大程度地减少对冷数据的查询，以减少读取事务。
- 启用自动缩放以动态匹配群集大小以满足需求。