儲存與資料庫架構選型

GCP 儲存服務概覽

資料層是所有雲端架構的基石。選錯儲存或資料庫服務，輕則效能低落、成本失控，重則架構重構。作為 PCA，你必須根據資料特性、存取模式和業務需求，精準選擇最適合的服務組合。

Cloud Storage（物件儲存）

Cloud Storage 是 GCP 最基礎的非結構化資料儲存服務，適用於圖片、影片、備份、日誌等場景。四種儲存類別對應不同的存取頻率和成本取捨：

Autoclass 是 v6.1 考試的重點功能——啟用後 Cloud Storage 會根據物件的實際存取頻率自動調整儲存類別，無需手動設定生命週期規則。對於存取模式不可預測的工作負載，Autoclass 能自動優化成本。

生命週期管理（Lifecycle Management） 則適用於存取模式明確的場景，你可以定義規則，例如：物件建立 30 天後移至 Nearline、90 天後移至 Coldline、365 天後刪除。

💡 考試小提示：題目出現「存取模式不確定」或「多種存取頻率混合」，優先選 Autoclass；出現「明確的保留政策」或「法規要求特定保留期限」，選 Lifecycle Policy。

Persistent Disk 與 Filestore

• Persistent Disk — 區塊儲存，掛載到 Compute Engine 或 GKE 節點。分為 pd-standard（HDD）、pd-balanced（SSD）和 pd-ssd（高效能 SSD）三種等級
• Hyperdisk — 新一代區塊儲存，提供更高的 IOPS 和吞吐量，且可獨立調整容量、IOPS 和吞吐量。包含 Hyperdisk Balanced（一般用途）、Hyperdisk Extreme（最高 IOPS，適合 SAP HANA、大型資料庫）、Hyperdisk ML（高吞吐量唯讀，適合 AI/ML 模型載入）和 Hyperdisk Throughput（大量循序 I/O）
• Filestore — 全代管 NFS 檔案系統，適合需要共享檔案系統的傳統應用遷移（如 CMS、EDA 工作負載）

關聯式資料庫

Cloud SQL

Cloud SQL 是全代管的關聯式資料庫服務，支援 MySQL、PostgreSQL、SQL Server 三種引擎。它適合中小規模的 OLTP 工作負載，最大支援 128 vCPU、864 GB RAM，並提供自動備份、高可用（Regional HA）和讀取副本。

適用場景： 傳統 Web 應用、內容管理系統、中小型電商——大多數從地端遷移上雲的關聯式資料庫都應先評估 Cloud SQL。

AlloyDB

AlloyDB 是 v6.1 考試新增的重點服務，務必掌握。它是 Google 基於 PostgreSQL 打造的全代管資料庫，核心賣點：

• 效能 — 交易處理速度比標準 PostgreSQL 快 4 倍，分析查詢快 100 倍
• 完全相容 PostgreSQL — 現有 PostgreSQL 應用無需修改程式碼即可遷移
• AI-Ready — 內建向量嵌入（Vector Embeddings）支援，可直接在資料庫層進行相似度搜尋，免去外部向量資料庫
• 智慧儲存引擎 — 運算與儲存分離架構，支援自動快取和列式引擎加速分析

適用場景： 需要高效能 PostgreSQL 的企業應用、AI/ML 驅動的推薦系統、需要在同一資料庫同時處理交易和分析查詢的 HTAP 場景。

💡 考試小提示：題目提到「PostgreSQL 相容」且需要「高效能」或「向量搜尋 / AI 整合」，答案很可能是 AlloyDB。它是 v6.1 新增的明星服務，出題機率高。

Cloud Spanner

Cloud Spanner 是 Google 獨家的全球分散式關聯式資料庫，提供 99.999% SLA（每年停機不超過 5.26 分鐘）。核心特色：

• 強一致性（Strong Consistency） — 即使跨大洲部署也能保證 ACID 交易
• 水平擴展 — 像 NoSQL 一樣水平擴展，同時保持完整的關聯式語義
• 全球部署 — 多區域配置支援全球低延遲讀寫

適用場景： 全球金融交易系統、跨國 ERP、需要強一致性且 Cloud SQL 單機效能不足的場景。

NoSQL 資料庫

Firestore

Firestore 是全代管的文件型（Document） NoSQL 資料庫，以 JSON-like 文件和集合（Collection）組織資料。支援即時同步（Realtime Listeners）、離線存取、自動擴縮至零。

適用場景： 行動應用後端、使用者個人化設定、購物車、遊戲排行榜。

Bigtable

Bigtable 是全代管的寬列型（Wide-column） NoSQL 資料庫，專為大規模、低延遲的寫入密集工作負載設計。支援 PB 級資料量，讀寫延遲穩定在個位數毫秒。

適用場景： IoT 感測器時序資料、金融市場行情資料、廣告技術的使用者行為追蹤。

💡 考試小提示：看到「IoT」、「時序資料（time-series）」、「高吞吐量寫入」這些關鍵字，答案通常是 Bigtable；看到「文件型」、「行動應用」、「即時同步」，選 Firestore。

資料倉儲與分析

BigQuery

BigQuery 是 GCP 的無伺服器資料倉儲，同時也是 ML 平台（BigQuery ML）。核心能力：

• 無伺服器分析 — 不需佈建叢集，按掃描量或 Slot 計費
• PB 級查詢 — 列式儲存 + 分散式運算，TB 級查詢秒級完成
• BigQuery ML — 直接用 SQL 建立、訓練、部署機器學習模型，無需資料搬移
• 串流匯入 — 支援即時資料匯入，搭配 Pub/Sub + Dataflow 實現即時分析

適用場景： 企業數據倉儲、商業智慧報表、ML 模型訓練、日誌與事件分析。

Dataflow

Dataflow 是基於 Apache Beam 的全代管串流與批次處理引擎。它負責資料的 ETL（擷取、轉換、載入）流水線：

• 統一模型 — 同一套程式碼同時支援串流（Stream）和批次（Batch）處理
• 自動擴縮 — 根據資料量動態調整 Worker 數量
• 常見管線 — Pub/Sub → Dataflow → BigQuery（即時分析）；Cloud Storage → Dataflow → BigQuery（批次匯入）

資料庫選型決策框架

面對考試或實務中的選型題，你可以用以下決策矩陣快速判斷：

實戰情境

情境一：電商商品目錄系統

需求： 百萬級商品、複雜查詢（分類/篩選/全文搜尋）、讀取為主、加上 AI 推薦引擎

架構選型： AlloyDB 作為主要資料庫（PostgreSQL 相容 + 向量嵌入支援推薦引擎），搭配 Memorystore 快取熱門商品，商品圖片存放在 Cloud Storage（啟用 Autoclass）。

情境二：全球金融交易平台

需求： 跨 3 大洲即時交易、強一致性、99.999% 可用性、每秒萬筆交易

架構選型： Cloud Spanner（多區域配置保證全球強一致性），交易日誌串流至 BigQuery 進行風控分析，使用 Dataflow 進行即時異常偵測管線。

情境三：IoT 感測器資料平台

需求： 10 萬台設備每秒回傳資料、時序資料儲存 3 年、即時儀表板 + 歷史趨勢分析

架構選型： 設備資料透過 Pub/Sub 匯入，Dataflow 串流處理後寫入 Bigtable（即時查詢）和 BigQuery（歷史分析），原始資料歸檔至 Cloud Storage Coldline。

💡 考試小提示：PCA 考試的儲存選型題通常不會只問你選哪一個服務，而是要你設計完整的資料架構——包含主資料庫、快取層、分析層和歸檔策略。練習時養成「全鏈路思考」的習慣。

重點整理

• Cloud Storage 四種類別對應不同存取頻率，Autoclass 自動優化、Lifecycle Policy 手動控制
• AlloyDB 是 v6.1 新增重點：PostgreSQL 相容、4 倍效能、原生向量嵌入
• Cloud Spanner 唯一提供全球強一致性 + 水平擴展的關聯式資料庫，SLA 99.999%
• BigQuery 身兼資料倉儲與 ML 平台，題目出現「分析」幾乎必選
• Dataflow 統一串流與批次處理，是 GCP 資料管線的核心引擎
• 選型決策從資料結構、工作負載、擴展需求、規模量級、計費模式五個維度切入

下一步

在下一課中，我們將學習如何從業務需求出發，運用 Architecture Framework 和 trade-off 分析做出最佳架構決策，掌握 PCA 案例題的核心思維。