【大历史数据的SSAS CUBE分区策略】
[SSAS CUBE Partition Strategy for large historical data]
我有一个大立方体，每天有 250 万个新数据。每周 1900 万。这些数据是历史数据，没有更新，没有删除，也没有change.So这种数据最好的分区策略是什么？你可以看到只有一周有很多数据。每天新建一个分区处理新数据，晚上合并成一个静态大分区好吗？
我认为最好的解决方案是使用不同的范围:
- （日期）->（分区）
- 本周 -> 每日（这有助于避免整周都重新处理并且不使用 ProcessAdd 技巧并且仅使用新数据）
- 今年->每周（53个分区即可）
- 往年 -> 每年
在每周结束时，您可以合并每日分区。每个分区 1900 万是好的，但是对于更老的年份使用每周可能会导致额外的查询和处理时间。
因此，至少在最近 40 年内（每天 7 个 + 每周 53 个 + 每年 40 个），整个度量值组的分区将少于 100 个。
并且不要忘记将 切片 添加到每个创建的分区。
删除不必要的索引（例如，对于用作属性等的高选择性属性）也可能有助于加快处理时间并减少磁盘space使用。
我有一个大立方体，每天有 250 万个新数据。每周 1900 万。这些数据是历史数据，没有更新，没有删除，也没有change.So这种数据最好的分区策略是什么？你可以看到只有一周有很多数据。每天新建一个分区处理新数据，晚上合并成一个静态大分区好吗？
我认为最好的解决方案是使用不同的范围:
- （日期）->（分区）
- 本周 -> 每日（这有助于避免整周都重新处理并且不使用 ProcessAdd 技巧并且仅使用新数据）
- 今年->每周（53个分区即可）
- 往年 -> 每年
在每周结束时，您可以合并每日分区。每个分区 1900 万是好的，但是对于更老的年份使用每周可能会导致额外的查询和处理时间。
因此，至少在最近 40 年内（每天 7 个 + 每周 53 个 + 每年 40 个），整个度量值组的分区将少于 100 个。
并且不要忘记将 切片 添加到每个创建的分区。
删除不必要的索引（例如，对于用作属性等的高选择性属性）也可能有助于加快处理时间并减少磁盘space使用。