Empfehlungen für die Optimierung der Datenleistung

Gilt für diese Power Platform Well-Architected Performance Efficiency-Checkliste-Empfehlung:

In dieser Anleitung werden die Empfehlungen zur Optimierung der Datenleistung beschrieben. Bei der Optimierung der Datenleistung geht es darum, die Effizienz zu verbessern, mit welcher der Workload Daten verarbeitet und speichert. Jeder Workload-Vorgang, jede Transaktion oder Berechnung hängt normalerweise vom schnellen und genauen Abrufen, Verarbeiten und Speichern von Daten ab. Ist die Datenleistung optimiert, läuft der Workload reibungslos. Eine beeinträchtigte Datenleistung führt zu einem Dominoeffekt geringerer Workload-Effizienz. Wenn die Datenleistung nicht optimiert wird, führt dies zu Reaktionsverzögerungen, erhöhter Latenz und eingeschränkter Skalierbarkeit. Sie gefährdet die Effizienz des gesamten Workloads.

Definitionen

Wichtige Designstrategien

Um die Datennutzung zu optimieren, stellen Sie sicher, dass die Datenspeicher für ihren beabsichtigten und tatsächlichen Zweck in einem Workload optimiert sind. Eine optimierte Datennutzung kann die Abfrageleistung verbessern, den Ressourcenverbrauch senken und die Gesamtsystemleistung steigern. Erwägen Sie die folgenden Strategien:

• Erstellen Sie Profile von Daten. Verstehen Sie Ihre Daten und stellen Sie sicher, dass Ihr Datenmodell für Ihre Arbeitslast gut geeignet ist. Berücksichtigen Sie Faktoren wie Datennormalisierung und Partitionierungstechniken. Stellen Sie für einen effizienten Datenabruf sicher, dass Sie geeignete Datentypen auswählen und Beziehungen zwischen Tabellen definieren.

• Optimieren Sie die Abfrageleistung. Analysieren und optimieren Sie Abfragen, die in der Arbeitslast ausgeführt werden. Verwenden Sie Techniken wie Abfrageoptimierung und Caching. Verwenden Sie serverseitige Ansichten, um Daten vorzufiltern. Identifizieren Sie Engpässe mithilfe von Tools zur Leistungsüberwachung und nehmen Sie dann die erforderlichen Verbesserungen vor.

• Überwachen und optimieren Sie das System regelmäßig. Überwachen Sie kontinuierlich die Leistung Ihres Workloads und iterieren Sie die Datenspeicherkonfiguration und Abfrageoptimierungen. Analysieren Sie auf der Grundlage bewährter Methoden zur Leistungsoptimierung Systemmetriken, identifizieren Sie Verbesserungsbereiche und implementieren Sie Änderungen. Wenn die Datenmenge wächst, müssen Sie Ihre Abfragen möglicherweise aktualisieren, um die Leistung aufrechtzuerhalten.

Profildaten

Beim Datenprofiling werden die Daten einer Quelle untersucht und Informationen darüber gesammelt. Ziel ist es, die Qualität, Struktur und Eigenschaften von Workload-Daten zu verstehen. Dieser Prozess ermöglicht die Identifizierung von Problemen wie fehlenden Werten, Duplikaten, inkonsistenten Formaten und anderen Anomalien.

Berücksichtigen Sie für eine effektive Datenprofilierung die folgenden Strategien:

• Verstehen Sie die Datenstruktur. Untersuchen Sie die Struktur Ihrer Daten, einschließlich Tabellen, Spalten und Beziehungen. Bestimmen Sie die Datentypen, Längen und Einschränkungen, die auf jede Spalte angewendet werden. Durch die Auswertung der Datenstruktur können Sie besser verstehen, wie die Daten organisiert sind und in welcher Beziehung sie zu anderen Datenelementen stehen.

• Analysieren Sie das Datenvolumen. Bewerten Sie das Volumen Ihrer Daten, um die Gesamtgröße und Wachstumsmuster zu verstehen. Bestimmen Sie die Anzahl der Datensätze oder Dokumente und die Größe einzelner Tabellen oder Sammlungen. Mithilfe dieser Informationen können Sie den Speicherbedarf abschätzen und Skalierbarkeitsprobleme erkennen.

• Identifizieren Sie Datenbeziehungen. Erkunden Sie die Beziehungen zwischen Datenelementen. Machen Sie sich mit den Datenverbindungen vertraut, damit Sie ermitteln können, wie sich Änderungen in einer Tabelle oder einem Dokument auf zugehörige Daten auswirken können.

• Bewerten Sie die Datenqualität. Bewerten Sie die Qualität Ihrer Daten, indem Sie Faktoren wie Vollständigkeit, Genauigkeit, Konsistenz und Eindeutigkeit untersuchen. Identifizieren Sie Datenanomalien, fehlende Werte oder doppelte Datensätze, die die Datenintegrität und Abfrageleistung beeinträchtigen könnten. Dieser Schritt hilft Ihnen dabei, Bereiche zu identifizieren, in denen Daten bereinigt und verbessert werden müssen.

• Erfassen Sie die Datenverteilung. Analysieren Sie die Verteilung der Werte innerhalb jeder Spalte, um Datenmuster zu erkennen. Identifizieren Sie häufige und seltene Werte, Ausreißer und Datenverzerrungen. Um die Abfrageleistung zu optimieren, analysieren Sie, ob alternative Schlüssel zur Leistungsverbesserung geeignet wären.

Die Datenleistung überwachen

Unter Datenleistungsüberwachung versteht man die kontinuierliche Verfolgung der Effizienz von Datenspeichern. Dabei werden leistungsspezifische Kennzahlen für Datenvorgänge erfasst und analysiert. Dabei kommen Tools zum Einsatz, die auf Überwachungslösungen auf Systemebene, datenbankspezifisch oder von Drittanbietern zugeschnitten sind. Durch eine effektive Überwachung der Datenleistung können Sie potenzielle Engpässe proaktiv identifizieren und beseitigen und so sicherstellen, dass datenbezogene Prozesse und Aufgaben effizient ablaufen.

Berücksichtigen Sie zur Überwachung der Datenleistung die folgenden Strategien:

• Sammeln Sie datenspezifische Metriken. Erfassen Sie wichtige Kennzahlen, die sich direkt auf die Datenleistung beziehen. Zu diesen Kennzahlen gehören die Antwortzeiten für Abfragen und der Datendurchsatz.

• Richten Sie Datenwarnungen ein. Richten Sie Warnungen speziell für Datenmetriken ein. Verwenden Sie vordefinierte Schwellenwerte oder Anomalien in diesen Metriken, um Warnungen auszulösen. Mithilfe von Warnungen können Sie Benachrichtigungen erhalten, wenn die Leistungsmesswerte akzeptable Bereiche überschreiten oder ein abnormales Verhalten aufweisen. Dies ist beispielsweise der Fall, wenn eine Datenbankabfrage länger als erwartet dauert oder der Datendurchsatz erheblich sinkt. Sie können diese Warnungen mit speziellen Überwachungstools oder benutzerdefinierten Skripts einrichten.

• Diagnostizieren Sie Datenleistungsprobleme. Überprüfen Sie regelmäßig die erfassten Datenmetriken, um potenzielle Leistungsengpässe oder -verschlechterungen bei Datenvorgängen zu identifizieren. Visualisierungstools oder Dashboards können in diesem Prozess von unschätzbarem Wert sein, da sie dabei helfen, Trends, Engpässe und Ausreißer in der Datenleistung hervorzuheben. Sobald die Ursachen dieser Probleme identifiziert sind, untersuchen Sie sie und planen Sie entsprechende Maßnahmen zur Behebung.

Daten partitionieren

Bei der Partitionierung werden große Datensätze oder umfangreiche Arbeitslasten in kleinere, überschaubarere Teilmengen aufgeteilt. Durch die Partitionierung wird die Datenleistung durch die Verteilung des Workload und die Verbesserung der Parallelverarbeitung effizienter. Darüber hinaus gewährleistet es einen effektiveren Datenzugriff basierend auf spezifischen Anforderungen und Abfragemustern. Sie können Daten vertikal oder horizontal partitionieren (auch Sharding genannt). Wenn Sie beispielsweise elastische Dataverse-Tabellen verwenden, überlegen Sie, was der Partitionierungsschlüssel sein soll.

Um Ihre Daten zu partitionieren, beachten Sie die folgenden Schritte:

• Analysieren Sie Daten und Abfrage. Analysieren Sie Daten und Abfragemuster, um geeignete Partitionierungs- oder Sharding-Strategien zu ermitteln. Verstehen Sie die Art der Daten, Zugriffsmuster und Verteilungsanforderungen.

• Bestimmen Sie einen Schlüssel. Wählen Sie einen Partitionierungs- oder Sharding-Schlüssel, um Daten auf Partitionen oder Shards zu verteilen. Wählen Sie den Schlüssel sorgfältig basierend auf den Dateneigenschaften und den Abfrageanforderungen aus.

• Bestimmen Sie die Logik. Bestimmen Sie eine Partitionierungs- oder Sharding-Logik basierend auf dem gewählten Schlüssel. Überlegen Sie, die Daten in Bereiche aufzuteilen, Hashing-Algorithmen anzuwenden oder andere Partitionierungstechniken einzusetzen.

Abfragen optimieren

Durch die Optimierung von Abfragen werden diese verfeinert, um die Anzahl der in Frage kommenden Daten und der zurückgegebenen Daten zu reduzieren. Diese Anpassungen erhöhen die Effizienz und Geschwindigkeit des Datenabrufs. Dadurch wird die Datenbank weniger belastet, die Ressourcen arbeiten effizienter und die Benutzer profitieren von einer reibungsloseren Interaktion.

Um Datenbankabfragen zu optimieren, sollten Sie die folgenden Strategien berücksichtigen:

• Abfragen neu schreiben. Überprüfen und analysieren Sie komplexe Abfragen, um Möglichkeiten zu deren Umformulierung zu ermitteln. Erwägen Sie eine Umstrukturierung der Abfragelogik, die Beseitigung redundanter Vorgänge oder eine Vereinfachung der Abfragesyntax.

• Vermeiden Sie das N+1-Abfrageproblem. Minimieren Sie die Anzahl der Roundtrips zur Datenbank, indem Sie Verknüpfungen und Batch-Abrufe verwenden, um zugehörige Daten effizient abzurufen.

• Verknüpfungen neu anordnen. Bewerten Sie die Verknüpfungsreihenfolge und ziehen Sie eine Neuanordnung in Betracht, um die Anzahl der Zeilen in jedem Verknüpfungsvorgang zu minimieren. Die Reihenfolge, in der Sie Tabellen verknüpfen, kann sich auf die Abfrageleistung auswirken.

• Speichern Sie Abfragen zwischen. Speichern Sie die Ergebnisse häufig ausgeführter Abfragen zur einfachen Wiederverwendung. Durch die Zwischenspeicherung von Abfragen entfällt die Notwendigkeit, dieselbe Abfrage wiederholt auszuführen, und der Abfrageverarbeitungsaufwand wird verringert.

• Nehmen Sie eine Überwachung und Feinabstimmung vor. Überwachen Sie Abfrageleistungsmetriken wie Laufzeit, Ressourcennutzung und Abfragedurchsatz. Verwenden Sie Datenbank-Profiling-Tools und Überwachungsfunktionen, um Abfragen mit schlechter Leistung zu identifizieren. Verwenden Sie diese Informationen, um die Abfrageleistung zu optimieren.

Daten archivieren und löschen

Archivieren und Bereinigen sind Strategien zur Optimierung der Datenspeicherung. Durch die Archivierung werden ältere, weniger häufig abgerufene Daten auf einen kostengünstigeren Speicher verlagert. Durch die Datenbereinigung werden redundante Daten dauerhaft entfernt. Beide Methoden tragen zur Leistungseffizienz bei, indem sie das Datenvolumen reduzieren, die Datenzugriffsgeschwindigkeit erhöhen und die Sicherungs- und Wiederherstellungszeiten verkürzen.

• Reduzierung des Datenvolumens: Weniger Daten bedeuten schnellere Verarbeitungszeiten und gewährleisten so schnelle Reaktionen auf Benutzeranfragen.
• Erhöhte Datenzugriffsgeschwindigkeit: Ein gekürztes DataSet ermöglicht schnellere Abfragen und Datenabrufe und optimiert so die Systemreaktionsfähigkeit.
• Verkürzung der Sicherungs- und Wiederherstellungszeiten: Kleiner-Datensätze beschleunigen Sicherungs- und Wiederherstellungsprozesse, minimieren Ausfallzeiten und gewährleisten eine gleichbleibende Leistung.

Archivierung und Bereinigung sind für die Aufrechterhaltung der maximalen Leistungseffizienz datengesteuerter Systeme von entscheidender Bedeutung.

Optimieren der Speicherauslastung

Wird die Speicherlast optimiert, werden die Anforderungen an das Speichersystem rationalisiert. Es trägt dazu bei, unnötige Anfragen zu vermeiden, verbessert den Datenabruf und vermeidet eine Überlastung des Speichersystems. Durch die Optimierung der Speicherlast wird sichergestellt, dass das Speichersystem weiterhin auf legitime Anforderungen reagiert und die Spitzenleistung aufrechterhält. Implementieren Sie Strategien zur Reduzierung der Verarbeitungslast im Datenspeicher. Um die Datenspeicherauslastung zu optimieren, sollten Sie die folgenden Strategien berücksichtigen.

Zwischenspeichern verwenden

Beim Caching werden häufig aufgerufene Daten in einem Speicherbereich mit Schnellzugriff gespeichert. Dadurch können die Daten schneller abgerufen werden als wenn sie aus der Hauptquelle abgerufen werden. Diese Technik steigert die Datenleistung, indem sie die Zugriffszeiten verkürzt und wiederholte Datenabrufe vermeidet. Durch das Zwischenspeichern werden die Lesegeschwindigkeit und die Antwortzeiten für die Benutzenden verbessert, insbesondere bei häufig abgerufenen Daten. Diese Methode ist am effektivsten bei statischen Daten oder Daten, die sich selten ändern.

Um eine optimale Caching-Effizienz sicherzustellen, berücksichtigen Sie Faktoren wie Ablaufrichtlinien, Räumungsstrategien und die Verwaltung der Cache-Größe. Passen Sie Einstellungen wie die Time to Live (TTL) für optimale Leistung an. Um einen Cache zur Optimierung der Speicherlast zu verwenden, sollten Sie die folgenden Strategien in Betracht ziehen:

• In-Memory-Caching: Führen Sie In-Memory-Caching durch, um häufig aufgerufene Daten im Speicher zu speichern und schnell abrufen zu können. Sie können diese Technik für Anwendungsdaten verwenden, deren Berechnung oder Abruf aus einer Datenbank teuer ist. Die Zwischenspeicherung im Arbeitsspeicher ist für Daten nützlich, die Sie häufig lesen, die sich aber nicht häufig ändern. Sie können beispielsweise Variablen in Cloud-Flows oder Sammlungen in Canvas-Apps verwenden, um Daten zwischenzuspeichern.

• Zwischenspeichern von Datenbankabfragen: Verwenden Sie diese Technik, um die Ergebnisse von Datenbankabfragen zwischenzuspeichern und so zu vermeiden, dass dieselbe Abfrage mehrmals ausgeführt wird. Das Zwischenspeichern von Datenbankabfragen ist bei komplexen und zeitaufwändigen Datenbankabfragen nützlich. Wenn Sie die Ergebnisse einer Abfrage zwischenspeichern, werden nachfolgende Anforderungen für dieselbe Abfrage schneller zurückgegeben. Erwägen Sie außerdem, wenn möglich, serverseitige Ansichten zu verwenden, um Daten vorzufiltern und so die für Ihre Abfrage relevanten Daten einzugrenzen.

• Content Delivery Network Caching: Verwenden Sie diese Technik, um Webinhalte auf verteilten Netzwerkservern zwischenzuspeichern, um die Latenz zu verringern und die Inhaltsbereitstellung zu verbessern. Das Caching des Content Delivery Network ist für statische Inhalte wie Bilder, CSS Dateien und JavaScript-Dateien effektiv. Content-Delivery-Networks speichern Kopien von Inhalten an mehreren Standorten weltweit, sodass Benutzer auf die Inhalte von einem Server zugreifen können, der sich in ihrer geografischen Nähe befindet.

Optimieren Sie Datenaktualisierungen

Bei der Optimierung von Datenaktualisierungen geht es darum, die durchgeführten Datenaktualisierungen zu bewerten, um ihre Effizienz sicherzustellen. Aktualisierungen können die Leistung stärker beeinträchtigen als andere Vorgänge, da sie unnötige Arbeit auslösen und Sperrkonflikte verursachen können.

Um zu beurteilen, wie Datenaktualisierungen optimiert werden können, sollten Sie Folgendes berücksichtigen:

• Datenänderungen. Optimieren Sie die Automatisierung, indem Sie Vorabbilder der Daten oder Filter verwenden, um den Arbeitsaufwand zu minimieren, wenn keine tatsächliche Änderung stattgefunden hat. Vermeiden Sie das Auslösen von Automatisierungen für unveränderte Daten.

• Automatisierung. Bewerten Sie, wann und wie Updates basierend auf Datenänderungen ausgelöst werden, und optimieren Sie Trigger, um einen Filter mit aufzunehmen. Beispielsweise, um die Automatisierung nur auszulösen, wenn ein bestimmtes Feld in der Datenquelle geändert wird. Bewerten Sie Updates, die Automatisierungen inkrementell mehrmals auslösen. Überlegen Sie stattdessen, ob Sie eine benutzerdefinierte Operation erstellen können, die die gesamte Verarbeitung übernimmt. Wenn beispielsweise eine Bestellung versendet wird und das Versanddatum und die Sendungsverfolgungsnummer separat aktualisiert werden, können sie beide gleichzeitig in einem benutzerdefinierten „ShipOrder“-Vorgang aktualisiert werden.

• Deadlocks. Bewerten Sie langsame Aktualisierungsvorgänge, die möglicherweise Probleme verursachen, weil mehrere Flows dieselben Daten in unterschiedlicher Reihenfolge aktualisieren. Diese Ineffizienz kann zu Sperrkonflikten oder sogar potenziellen Deadlocks führen und somit unnötige Nacharbeiten zur Folge haben. Aktualisieren Sie die verschiedenen Ressourcen in der gleichen Reihenfolge, um Konflikte zu minimieren.

• Massenaktualisierungen. Wenn Sie Vorgänge für mehrere Zeilen einer Tabelle ausführen, sollten Sie in Erwägung ziehen Massenvorgänge zu verwenden.

Optimieren Sie die Datenbewegung und -verarbeitung

Bei der Optimierung der Datenverschiebung und -verarbeitung geht es darum, die Effizienz und Leistung von Vorgängen im Zusammenhang mit der Extraktion, Transformation, dem Laden und der Verarbeitung von Daten zu verbessern. Berücksichtigen Sie bei der Optimierung der Datenbewegung und -verarbeitung die folgenden wichtigen Aspekte:

• Extrahieren, Transformieren und Laden (ETL)-Optimierung: Optimieren Sie ETL-Prozesse, um die Verarbeitungszeit zu minimieren. Sie können den Extraktionsprozess rationalisieren, effiziente Transformationsalgorithmen implementieren und den Ladevorgang optimieren. Wenn Sie jeden Schritt effizient gestalten, optimieren Sie den gesamten Arbeitsablauf.

• Parallelverarbeitung: Verwenden Sie Parallelverarbeitungstechniken, um die Leistung zu verbessern. Wenn Sie Datenverarbeitungsaufgaben auf mehrere Threads oder Knoten verteilen, können Sie die Arbeitslast aufteilen und gleichzeitig verarbeiten, was zu einer schnellen Verarbeitung führt.

• Stapelverarbeitung: Gruppieren Sie ähnliche Aufgaben, um den durch wiederholte Vorgänge verursachten Mehraufwand zu reduzieren. Verarbeiten Sie mehrere Aufgaben im Stapel, um die Gesamtverarbeitungszeit zu verkürzen.

Design für Datennähe

Unter Datennähe versteht man die strategische Platzierung von Daten näher an den Benutzern oder Diensten, die am häufigsten auf sie zugreifen. Durch die Verringerung der physischen oder logischen Distanz zwischen den Daten und ihren Benutzern werden ein schnellerer Datenzugriff und eine verbesserte Reaktionsfähigkeit gewährleistet. Um das Design für die unmittelbare Nähe zu optimieren, sollten Sie die folgenden Strategien berücksichtigen:

• Datenzugriffsmuster auswerten: Bewerten Sie die Zugriffsmuster Ihrer Arbeitslast und die Daten, auf die häufig zugegriffen wird. Mithilfe dieser Analyse können Sie feststellen, wo die Daten am besten platziert werden, um den größtmöglichen Nutzen zu erzielen.

• Wählen Sie Lösungen, die die Datenverlagerung unterstützen: Erwägen Sie Lösungen, die eine dynamische Datenverlagerung basierend auf sich ändernden Zugriffsmustern bieten und so eine optimale Datenpositionierung gewährleisten.

• Wählen Sie Lösungen, die die Datensynchronisierung unterstützen: Wenn Sie eine verteilte Benutzerbasis bedienen, wählen Sie Lösungen, die die Datensynchronisierung über die verschiedenen Regionen hinweg ermöglichen, um sicherzustellen, dass Datenreplikate in der Nähe der Benutzer verfügbar sind.

Kompromiss: Wenn sich die zugrunde liegenden Daten häufig ändern, implementieren Sie einen Mechanismus zur Ungültigkeitserklärung des Caches, um sicherzustellen, dass die zwischengespeicherten Daten auf dem neuesten Stand bleiben.

Umsetzung in Power Platform

Datenleistung überwachen: Erwägen Sie zur Überwachung der Datenleistung die Verwendung von Azure Monitor , um Infrastrukturmetriken, Protokolle und Anwendungsdaten zu erfassen und zu analysieren. Sie können Monitor mit anderen Diensten wie Application Insights integrieren. Application Insights bietet Anwendungsleistungsüberwachung und unterstützt viele Plattformen.

Application Insights sammelt Nutzungs- und Leistungsdaten. Sie können Log Analytics verwenden, um diese Daten mit Konfigurations- und Leistungsdaten aller Azure-Ressourcen zu korrelieren. Der Datenstrom Application Insights für Dataverse liefert derzeit Leistungsdaten zu eingehenden Aufrufen von der Dataverse-API, von Dataverse-Plug-In-Ausführungsaufrufen und Dataverse-SDK-Aufrufen.

Optimieren Sie Abfragedatenmuster in Canvas-Apps: folgen die dokumentierten Anleitungen und Vorschläge. Weitere Informationen finden Sie unter Optimierte Abfragedatenmuster in Power Apps.

Optimieren Sie Ihre Anpassung, Erweiterung oder Integration mit Dataverse: folgen den dokumentierten Best Practices und Anleitungen. Weitere Informationen finden Sie unter Bewährte Verfahren und Hilfen für die Verwendung von Microsoft Dataverse.

Optimieren Sie Datenbankabfragen und Indexleistung: Verwenden Sie die Abfrageleistungs-Insight-Funktion von Azure SQL-Datenbank, um Abfragen, Tabellen und Datenbanken zu optimieren. Sie können diese Funktion auch verwenden, um Probleme mit der Abfrageleistung zu identifizieren und zu beheben.

Befolgen Sie bei relationalen Datenbanken die Richtlinien zum Indexentwurf, die SQL Server-Indexrichtlinien und die Azure Cosmos DB-Indexrichtlinien. Verwenden Sie SQL Database, um eine automatische Optimierung für Abfragen durchzuführen und so deren Leistung zu verbessern.

Bei SQL-Datenbanken sollten Sie die Indizes regelmäßig reorganisieren oder neu erstellen. Identifizieren Sie langsame Abfragen und optimieren Sie sie, um die Leistung zu verbessern. Viele Datenbankmodule verfügen über Funktionen zur Abfrageoptimierung. Weitere Informationen finden Sie in den Best Practices zur Abfrageleistung.

Azure Cosmos DB verfügt über eine Standardindizierungsrichtlinie , die jede Eigenschaft jedes Elements indiziert und Bereichsindizes für alle Zeichenfolgen und Zahlen erzwingt. Diese Richtlinie bietet Ihnen eine effiziente Abfrageleistung und Sie müssen die Indizes nicht im Voraus verwalten.

Speicherlast optimieren: Viele Azure-Datenbankdienste unterstützen Lese-Replikate. Die Verfügbarkeit und Konfiguration von Lesereplikaten variieren je nach Azure-Datenbankdienst. Lesen Sie die offizielle Dokumentation der einzelnen Dienste, um mehr über die Einzelheiten und Optionen zu erfahren.

Verwandte Informationen

• Übersicht über die Erstellung von leistungsfähigen Power Apps
• Auswählen und Azure Datenspeicher für Ihre Anwendung
• Passen Sie einen Power Automate Flow Trigger durch Hinzufügen von Bedingungen an
• Dataverse elastische Tabellen

Leistungsfähigkeitscheckliste

Lesen Sie die vollständigen Empfehlungen.