Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Menentukan pendekatan migrasi
Untuk memutuskan pendekatan migrasi, Anda menggunakan analisis yang Anda lakukan pada pola yang ada di fase sebelumnya. Kebutuhan data dan analitik masa depan organisasi Anda adalah pertimbangan yang sama pentingnya. Alat ETL lokal tradisional menangani model data relasional dan data terstruktur. Jika Anda memiliki data semi-terstruktur dan tidak terstruktur untuk diproses, Anda dapat menggunakan AWS layanan seperti atau AWS Glue Amazon EMR untuk migrasi. Faktor-faktor lain yang dapat mempengaruhi pendekatan migrasi meliputi:
-
Apakah Anda ingin menggunakan antarmuka grafis (seperti AWS Glue Studio) atau kerangka kerja khusus (seperti pustaka Spark/Python)
-
Apakah Anda memiliki akses aman ke sumber dan AWS target lokal
-
Keterampilan dan pelatihan yang dibutuhkan untuk tim
-
Persyaratan audit dan kepatuhan
Anda dapat memilih dari tiga pendekatan migrasi: big bang, phased, dan lift and shift. Tabel berikut membandingkan ketiga pendekatan ini.
Pendekatan | Deskripsi | Kasus penggunaan | Keuntungan dan kerugian |
---|---|---|---|
Dentuman besar | Migrasikan semua paket SSIS dalam jangka waktu tertentu. |
|
|
Bertahap | Identifikasi satu paket SSIS untuk setiap pola dan kompleksitas yang berbeda. Migrasikan paket ke AWS, uji, dan bandingkan hasil dengan arsitektur yang ada. |
|
|
Angkat dan geser | Migrasikan arsitektur saat ini sebagaimana adanya. AWS |
|
|
Perbandingan data pada sumber dan sistem target sangat penting untuk migrasi yang sukses. Karena sistem produksi yang ada mendapat pembaruan rutin dari sistem sumber, perbandingan ini mungkin menjadi membingungkan. Untuk alasan ini, saat Anda menentukan pendekatan migrasi, sebaiknya Anda juga memutuskan strategi validasi data Anda.
-
Ambil cadangan semua database dan file yang berlaku dari lingkungan produksi pada sistem sumber pada tanggal dan waktu tertentu.
-
Ambil cadangan semua database dari lingkungan produksi pada sistem target setelah semua pekerjaan berhasil memuat data dari data sumber yang dicadangkan.
-
Kembalikan data sumber di lingkungan pengujian, dan jalankan pekerjaan baru.
-
Setujui persentase perbedaan yang valid antara basis data sumber dan target (lama dan baru). Misalnya, Anda mungkin memutuskan bahwa perbedaan kurang dari 1% dapat diterima.
-
Buat daftar semua aturan validasi yang akan dicakup.
-
Otomatiskan perbandingan sebanyak mungkin, dan tutupi semua aturan.