本頁提供相關策略，說明如何規劃及執行 Spanner 概念驗證 (POC)。這份指南提供深入的參考資料和洞察資訊，協助您瞭解概念驗證的重要環節，例如執行個體設定、結構定義設計、資料載入和效能評估。這份指南著重於評估 Spanner 功能的重要步驟，協助您找出採用 Spanner 的潛在風險和優點。
除了驗證 Spanner 的技術能力外，概念性驗證還具有兩個目的：
- 協助您瞭解 Spanner 為您的用途帶來的優勢
- 協助您識別採用 Spanner 相關風險
Spanner POC 涵蓋各種評估層面，每個層面都會根據您的特定業務和技術目標進行調整，如下圖所示。
本文件中的指南可協助您評估上述各個領域。
效能和可擴充性可協助您瞭解 Spanner 如何處理特定工作負載、延遲時間需求，以及各種執行個體設定的影響。這些測試可證明 Spanner 能夠順暢地擴充。
監控功能可協助您評估 Spanner 是否提供有效資料庫作業所需的洞察資訊。這項評估包括：
- 分析查詢執行計畫的選項
- 系統資源使用率
- 設定快訊的選項
POC 可找出需要解決的缺口，進而充分提升作業效率。
安全性和法規遵循是判斷 Spanner 是否適合貴機構的關鍵。包括評估，確保 Spanner 能降低安全風險，同時提供強大的法規遵循優勢，例如：
- 加密選項，例如用於傳輸中和靜態資料的 CMEK 或 EKM
- 最低權限存取權控管狀態
- 稽核記錄
- 遵守法規要求
備份和災難復原 (DR) 功能是確保營運和資料復原力的必要條件。POC 可驗證 Spanner 的 DR 功能，例如時間點復原和可用性。
遷移可行性：瞭解從目前的資料庫解決方案轉換至 Spanner 的複雜程度。評估結構定義相容性、遷移工具和應用程式變更，有助於量化所需投資，並判斷採用 Spanner 的風險和優點。
評估期間，您可能需要探索 Spanner 的功能集，確保符合應用程式的功能需求。這可能包括測試全域一致性、SQL 查詢功能，或與其他 Google Cloud 服務的整合。
評估作業可突顯 Spanner 的獨特優勢，例如跨區域的一致性，但同時也會揭露潛在風險，例如與現有應用程式架構整合時的困難。
概念驗證活動生命週期
本概念性驗證會逐步引導您完成下列步驟。請按照本文建議設定及評估 Spanner，瞭解是否適合您的特定用途。
規劃概念驗證
成功的 POC 基礎在於定義明確且可評估的目標，這些目標必須符合技術和業務優先事項。請避免使用模糊不清的目標，例如「探索 Spanner 的潛力」，因為這類目標通常會導致工作沒有重點，結果也不明確。請改為將 POC 目標與具體目標連結，例如達到 99.999% 的可用性、減少停機時間，或是擴大規模以處理 200% 的輸送量增幅，同時將交易延遲時間維持在 20 毫秒以下。
Spanner 的獨特架構非常適合需要大規模擴充性的工作負載，因此評估應用情境的擴充性是個不錯的起點。測試情境應包含：
- 處理一般作業負載
- 管理激增的流量
- 有效率地縮減
這些測試可協助您瞭解 Spanner 在不同條件下的效能，以及是否符合可擴充性的技術需求。具體可行的目標不僅有助於建構概念性驗證，也能為評估成效奠定穩固基礎。
定義量化評估標準
明確且可衡量的指標和明確的成功標準是評估 POC 是否達成目標的必要條件。舉例來說，除了測試成效，您也應指定下列目標：
- 提供特定實際工作環境等級的 QPS (每秒查詢次數)
- 在預先定義的尖峰負載下，將延遲時間控制在 20 毫秒以內
- 處理明確定義的流量暴增，且不會降低效能
明確定義的條件有助於客觀評估工作負載的 Spanner，並提供可據以採取行動的洞察資料，以利後續步驟。請具體說明，並定義讀寫作業延遲時間的百分位數目標 (例如 p50 和 p95)。明確定義可接受的延遲時間門檻，有助於設計符合業務需求的 Spanner 效能測試。
評估標準範例如下：
| 評估面向 | 成功標準 |
| 適用範圍： | 99.999% |
| 安全性 | 必須搭配 EKM 使用 CMEK |
| 區域中斷時的復原點目標 (RPO) 保證 | 0 |
| 重要交易的延遲時間上限 | 第 50 個百分位數低於 20 毫秒 |
| 最重要使用者查詢的延遲時間 | 第 50 個百分位數低於 100 毫秒 |
| 擴充性 | 證明在 1 小時內，可將每秒交易數從 10,000 筆擴充至 100,000 筆，且 p50 延遲時間低於 20 毫秒 |
評估案例範圍
概念驗證不應需要大規模遷移。請改為著重於測試代表性工作負載或系統的重要元件。舉例來說，找出對作業至關重要的重要查詢、重要交易形狀或特定資料驅動的工作流程。縮小範圍，降低複雜度，同時確保結果相關且有意義。這種做法可讓您評估 Spanner 的功能，而不必因整個系統遷移的複雜性而感到不知所措。
選擇 Spanner 執行個體設定
建立 Spanner 執行個體進行評估時，請選擇符合業務地理位置 Spanner 提供各種設定，包括單一區域、多區域和雙區域。每種設定都是為了滿足不同的延遲、可用性和備援需求而設計。
- 單一區域設定會將資料儲存在一個 Google Cloud 區域，在該區域內提供低延遲和高成本效益。這些拓撲非常適合需要區域內區域備援的工作負載，可用性高達 99.99%。
- 雙區域設定會在單一國家/地區的兩個區域之間複製資料，且每個區域都有見證備用資源，可供容錯移轉。這項設定提供的可用性 (99.999%) 和容錯能力，都比單一區域設定更高。這些拓撲非常適合有嚴格法規遵循 (例如資料落地) 或地理位置鄰近性要求的工作負載。
- 多區域設定會在多個區域複製資料，確保高可用性，並在區域服務中斷時維持運作。這些拓撲非常適合需要異地備援的應用程式，可用性最高可達 99.999%。
跨區域執行個體的延遲注意事項
在雙區域和多區域設定中，Spanner 副本的地理分布可能會影響延遲時間。寫入延遲時間取決於主要地區的鄰近程度，主要地區會協調讀取/寫入交易，其他地區則會確認每項寫入作業。將應用程式的運算資源放置在靠近主要地區的位置，可減少往返延遲，並將延遲時間降到最低。
您可以修改資料庫的主要區域，以符合應用程式的需求。如果是唯讀作業，Spanner 可以從最接近的副本提供過時讀取，減少延遲時間；但如果是強讀取，則可能涉及領導者區域，進而增加作業延遲時間。如要將多區域設定的延遲時間最佳化，請策略性地選擇主要區域，將服務的運算資源與主要區域共置，並針對密集讀取工作負載善用過時讀取。
符合應用程式需求的設定
為應用程式選取執行個體設定時，請考量可用性、延遲時間和資料落地規定等因素。舉例來說，如果應用程式需要為特定地理區域的使用者提供低延遲回應，則區域執行個體可能就足夠。不過，如果應用程式需要更高的可用性，或是服務對象遍布全球，多區域設定會更適合。
首先，請根據應用程式的生產需求設定最合適的配置，然後評估效能。請注意，延遲時間和費用會因設定而異，因此請根據用途需求調整 POC 環境。如果是多區域部署作業，請模擬地理位置服務分配情形並測試延遲時間，確保設定符合實際工作環境需求。詳情請參閱「Spanner 多區域領導者放置指引」。
Spanner 尺寸
為 Spanner 執行個體佈建初始運算容量，確保執行個體在概念驗證期間能有效處理評估工作負載。初始執行個體大小應與預期工作負載相符，並考量每秒讀取和寫入查詢次數 (QPS)、查詢複雜度和並行層級的組合。
從合理的假設開始，有助於建立基準，並根據觀察到的成效逐步擴大規模。您可以根據 Spanner 的參考基準，建立基準執行個體設定。
POC 期間的調整大小作業應為疊代式。首先進行初始設定，然後監控延遲和 CPU 使用率等重要指標，並視需要調整指派的運算容量。這可確保您在複製類似於實際工作環境的條件時，能夠驗證 Spanner 的擴充性和效能功能。
一般工作負載模式 (例如流量穩定或需求波動) 應會影響大小調整方法。啟用自動調度後，Spanner 會動態調度運算資源容量，以配合工作負載強度。
結構定義設計
結構定義設計是 Spanner POC 的重要環節，因為資料的整理方式會直接影響效能和可擴充性。
設計完善的結構定義是展示 Spanner POC 功能的基礎。負載測試通常會找出潛在的瓶頸或效率不彰之處，有助於進行反覆改良，進而建立最佳結構。
考量擴充性設計
為 Spanner 建立資料庫結構定義時，請務必考量其分散式架構。重要考量事項和最佳化做法包括：
- 主鍵：選擇可將資料平均分配到鍵空間的主鍵，避免使用單調遞增的鍵 (例如時間戳記)，以免在分割時造成熱點。
- 索引：設計索引時，請盡量提升查詢效能，同時留意索引對寫入效能和儲存空間成本的影響。索引過多或規劃不當可能會造成不必要的負擔。
- 資料表交錯：使用資料表交錯功能，針對相關資料最佳化存取模式。這可能會減少跨程序通訊，並提高查詢效率。
請參閱 Spanner 結構定義設計最佳做法，避免常見問題，並設計出可支援高效能和可擴充性的結構定義。
您可以在 Google Cloud 控制台中建立草稿結構定義，如下圖所示。
使用 Spanner 遷移工具遷移結構定義
從 MySQL 或 PostgreSQL 等關聯式資料庫遷移時，Spanner 遷移工具 (SMT) 可簡化結構定義建立程序。SMT 會自動產生結構定義，並提供基本最佳化功能，例如建議索引和結構定義調整項目。雖然 SMT 提供良好的起點，但通常需要手動調整，才能讓結構定義符合特定用途或工作負載模式。
使用疊代式結構定義設計程序
雖然初始架構提供起點，但不太可能完美。 POC 的結構定義建立作業並非一次性任務，而是反覆的過程，會隨著您從測試中獲得洞察而演進。健全的結構定義對應用程式效能至關重要；要達到這個目標，需要經過深思熟慮的初始設計、善用 SMT 等工具，以及根據負載測試結果進行反覆修正。只要遵循這個程序，就能確保結構定義有效滿足應用程式需求。您也會瞭解如何充分運用 Spanner 功能。
載入資料
如要成功進行 Spanner POC，必須將代表性資料載入資料庫，以驗證結構定義設計及模擬應用程式工作流程。我們建議使用幾種工具簡化這項程序。如要載入自己的資料，Spanner 提供下列選項：
- BigQuery 的反向擷取、轉換及載入 (ETL) 至 Spanner 是一項簡單易用的整合式資料載入機制，可讓您使用以 SQL 為基礎的轉換，將資料載入 Spanner。這個方法適用於各種資料格式，包括 JSON 等半結構化資料。
- 對於 MySQL 和 PostgreSQL 等關聯式資料庫，Spanner 遷移工具 (SMT) 可自動建立結構定義、對應資料類型，以及大量載入資料。
- 如果是平面檔案格式，Google 提供 CSV 轉 Spanner 和 Avro 轉 Spanner 的 Dataflow 範本，可為大量資料載入作業建立手動結構定義。對於與 JDBC 相容的資料庫，Google 提供 JDBC 至 Spanner 的 Dataflow 範本。
如要進一步瞭解這些選項，請參閱「自備資料」。
如果沒有可用的樣本資料，可以使用合成資料產生工具 (例如 Machmeter 的 JMeter 和 QuickPerf)，建立符合結構定義和用途的資料集。詳情請參閱產生範例資料。
善用自己的資料
如果您有可用的範例資料，想用於概念性驗證，可以透過幾種方式將資料載入 Spanner。
| 來源 | 工具 | 建立結構定義 | 轉換 | 資料大小 |
| MySQL | SMT | 自動 | 僅轉換資料類型 | small |
| PostgreSQL | SMT | 自動 | 僅轉換資料類型 | small |
| 任何 JDBC | JDBC 至 Spanner | 手動 | 僅轉換資料類型 | large |
| CSV | 將 CSV 匯入 Spanner | 手動 | 僅轉換資料類型 | large |
| BigQuery 反向 ETL | 手動 | 支援複雜的轉換作業 | large | |
| Avro | Avro 到 Spanner | 手動 | 僅轉換資料類型 | large |
| BigQuery 反向 ETL | 手動 | 支援複雜的轉換作業 | large | |
| JSON | BigQuery 反向 ETL | 手動 | 支援複雜的轉換作業 | large |
將 BigQuery 反向 ETL 至 Spanner
BigQuery 反向 ETL 至 Spanner 可讓您快速擷取各種資料來源，並使用 SQL 將資料轉換為 BigQuery 資料表。然後將資料從 BigQuery 資料表匯出至 Spanner 資料表。這項功能特別適合用於半結構化資料 (例如 JSON)，這類資料通常是從 NoSQL 資料來源匯出。BigQuery 具有自動結構定義偵測功能，但 Spanner 結構定義的建立作業是手動進行，因此您必須先定義結構定義，才能載入資料。
Spanner 遷移工具
如要快速啟動 POC，可以使用 Spanner 遷移工具 (SMT)，將資料從 MySQL 和 PostgreSQL 來源遷移至 Spanner。SMT 會自動建立結構定義，並將來源資料庫中的資料類型對應至 Spanner 中等價的類型。此外，還會提供 Spanner 專屬的結構定義最佳化建議。因此，如果遷移作業簡單明瞭，自動轉換結構定義就已足夠，這項功能就特別實用。
SMT 提供使用者介面，引導您完成遷移程序。在此過程中，您會選取來源資料庫，並查看結構定義設計的建議和選項。
Dataflow 範本
Dataflow 是全代管的服務，專為可擴充的資料處理作業而設計，因此適合載入大量資料。
Google 提供下列開放原始碼範本，適用於常見的載入模式：
- CSV 轉 Spanner： 將儲存在 Cloud Storage 中的 CSV 檔案資料載入 Spanner。
- Avro 到 Spanner 從 Cloud Storage 載入現有的 Avro 資料檔案。
- JDBC 至 Spanner 會從支援 JDBC 的資料庫載入資料。
使用這些範本時，您必須先手動建立 Spanner 結構定義，才能開始載入資料。
Dataflow 會自動擴充資源，以處理任何大小的資料集，確保即使是 TB 級的資料集，也能以高效能匯入 Spanner。但這種可擴充性需要付出一些代價：
- 您必須手動設定 Dataflow 管道，定義結構定義、資料對應和執行參數，才能獲得最佳執行效果。
- Dataflow 具有大規模資料遷移作業所需的彈性和效能，但相較於其他工具，設定和管理作業可能需要更多心力。
產生範例資料
如果沒有範例資料，但已規劃好特定用途，可以根據需求建立架構模型，並使用工具產生代表性資料集。您可以使用這些工具，在 Spanner 中填入有意義的資料，驗證結構定義設計和應用程式工作流程。
從 Machmeter 取得 JMeter
Machmeter 的 JMeter 提供使用 JMeter 為 Spanner 產生範例資料的範例。Machmeter 著重於以用途為導向的範例，因此非常適合用來產生與預期實際工作環境結構定義相似的資料模式。提供的範例包括大量插入和其他作業的指令碼。您可以調整指令碼，大規模產生合成資料集。詳情請參閱 Machmeter 存放區或說明文件。
QuickPerf
QuickPerf 隨附於 Spanner JDBC 驅動程式。QuickPerf 提供以 SQL 為基礎的指令碼，可快速建立代表性資料集，用於測試結構定義完整性和資料庫行為。這是輕鬆的選擇，可快速生成中小型資料集，且複雜度較低。
負載測試
負載測試可讓您觀察 Spanner 處理工作負載時的效能，確保資料庫的設定符合實際工作環境需求。先前介紹的兩項工具 (Machmeter 的 JMeter 和 QuickPerf) 特別適合模擬工作負載，以及測量處理量、延遲和資源用量等效能指標。
Apache JMeter 透過 Machmeter 專案強化，為 Spanner 提供強大的分散式負載測試架構。Machmeter 內建專為模擬 Spanner 工作負載設計的 JMeter 設定。您可以根據需求自訂這些設定，執行代表性查詢、交易和批次作業，評估 Spanner 在不同情境下的效能。
JMeter 可模擬並行使用者和交易，因此非常適合用來測試 Spanner 執行個體的擴充性和復原能力。您可以使用 Kubernetes 或代管服務 GKE，以分散式模式部署 JMeter，藉此擴充測試環境。結果可深入瞭解 Spanner 如何管理特定工作負載、在需求增加時擴充規模，以及在尖峰負載期間的效能。
如需更多資訊和設定範例，請參閱 Machmeter 存放區。
QuickPerf 是一款輕量型基準測試工具，專為使用 Spanner 進行效能測試而設計。這項工具著重於以最少的設定產生成效指標，讓您快速疊代最佳化作業。QuickPerf 易於設定，特別適合用於小規模測試，以及想快速評估特定結構定義或查詢最佳化對效能的影響時。
負載測試最佳做法
進行負載測試時，請務必遵循 Spanner 的最佳做法，確保結果準確且可做為行動依據。
- 暖機期：擴充節點或導入新工作負載後，請等待暖機期 (通常為 30 分鐘以上)，讓 Spanner 達到穩定狀態。
- 評估相關指標：著重於輸送量 (每秒作業數)、延遲百分位數 (例如 p50、p95) 和 CPU 使用率等指標，瞭解 Spanner 如何處理工作負載。
- 執行長時間的基準測試：如要取得更具代表性的結果，請長時間執行負載測試 (例如超過一小時)，以考量系統行為，例如重新平衡和背景維護工作。
- 資源調度測試：測試資源調度 (擴充和縮減) 情境，觀察不同節點設定和尖峰負載下的 Spanner 行為。
您可以搭配使用 JMeter Machmeter 和 QuickPerf 等工具，以及負載測試最佳做法，有效評估 Spanner 的效能、找出瓶頸，並根據工作負載需求調整資料庫。
監控
如要在 POC 期間有效展示 Spanner 的效能和擴充性 (特別是在負載下)，您必須深入瞭解其運作特性。Spanner 提供全方位的監控和診斷工具套件，可讓您深入瞭解資料庫效能的各個層面。這套工具提供各種資源，包括指標資訊主頁和詳細的系統資料表，可協助您找出瓶頸、驗證設計選擇，以及提升效能。
系統洞察可深入觀察 Spanner 執行個體的效能和運作健康狀態。這項工具提供多個領域的指標和洞察資訊，包括 CPU 使用率、延遲時間、輸送量等，並可調整精細程度。在 POC 期間，這是觀察測試期間 Spanner 行為的起點。透過系統洞察，您可以快速找出效能瓶頸，例如 CPU 使用率偏高，或是讀取/寫入延遲時間增加。為後續調查奠定基礎。
查詢洞察提供查詢執行作業的由上而下檢視畫面，首先會根據 CPU 時間、執行次數和平均延遲時間等指標，找出最常執行且費用最高的查詢。進一步來說，查詢洞察功能可讓您檢查詳細的執行計畫，包括查詢每個步驟的統計資料，並找出導致速度變慢的特定作業。此外，這項工具還提供多項功能，可調查歷來成效趨勢，以及比較不同時間範圍的查詢成效。這有助於您找出迴歸或結構定義和程式碼變更的影響。其他工具 (例如索引建議工具) 會分析查詢，建議您新增或修改索引，以提升查詢效能。
交易洞察 提供交易成效的相關資訊，包括交易延遲、提交等待時間、讀取和寫入的資料列數和位元組數，以及分散式交易的參與者。這些指標會顯示高延遲或已中止的交易，並提供相關特徵的詳細資料。在概念性驗證 (POC) 負載測試期間，交易洞察資料對於評估系統在壓力下的交易效率至關重要。您可以監控並找出負載增加時的效能下降情形。分析個別交易有助於找出速度變慢的原因，例如長時間執行的交易封鎖其他交易，或是單一交易讀取或寫入過多資料。您可以根據交易洞察資訊進行目標式調整，例如最佳化交易界線、調整交易內的查詢，或是調整結構定義，減少一般交易涉及的資料量。確保 POC 能展現 Spanner 在預期負載量下，維持交易一致性和效能的能力。
鎖定深入分析可提供交易鎖定行為的相關資訊，協助您找出並解決鎖定爭用問題。並顯示鎖定等待的相關資訊，包括造成問題的特定資料列索引鍵範圍。在 POC 負載測試期間，鎖定洞察資料對於判斷交易鎖定衝突是否導致擴充性限制至關重要。隨著並行負載增加，交易可能會開始爭相更新相同資料，導致等待時間增加，總處理量減少。這項資訊可協助您進行結構定義最佳化、修改交易界線，以及調整應用程式邏輯。這些動作可減輕爭用情況，確保 Spanner 資料庫在預估工作負載下維持效能，避免因鎖定機制而效能降低。
資源使用率不均洞察 會找出效能瓶頸，特別是因資源使用率不均情形而導致的延遲時間增加。熱點通常會在負載過高且不均時發生。熱點通常是由下列原因造成：
- 結構定義設計不盡理想
- 選取主鍵
- 存取模式會將作業集中在小型資料子集，而不是平均分配到各個節點
在概念性驗證負載測試期間，您可以參考資源使用率不均的深入分析結果，決定要最佳化哪個結構定義。舉例來說，您可能需要調整主鍵或修改次要索引，避免出現熱點。
Key Visualizer 會以視覺化方式呈現資料庫的使用模式，包括資料表和索引的整個鍵空間，以及一段時間內的使用模式。這項工具會產生熱視圖，顯示讀取和寫入活動，並醒目顯示高強度區域和潛在問題模式。在概念驗證期間，這項工具可協助驗證結構定義設計，並找出潛在的可擴充性限制。隨著負載增加，您可以觀察工作負載在鍵空間和相應表格與索引中的分布情形。
內省資料表 (主要是 Spanner_SYS 資料表系統) 提供豐富的資料庫內部狀態和效能資訊。這些表格會顯示查詢執行、交易行為、鎖定爭用和結構定義詳細資料的詳細統計資料。在 POC 負載測試期間，除了上述洞察工具提供的資訊外，這些內省資料表還提供以資料為依據的效能診斷方法。舉例來說，您可以使用這些記錄檔，找出原本難以偵測到的資料庫鎖定衝突根本原因，並取得可據以採取行動的最佳化洞察資料。
最佳化
負載測試是找出 Spanner 實作項目效能問題和潛在瓶頸的關鍵步驟。從這些測試中獲得的洞察資料，應能引導您在結構定義設計、交易行為和查詢效能方面進行最佳化，確保 Spanner 滿足工作負載的需求。
最佳化結構定義設計
雖然初始結構定義設計會採用可擴充性和效能方面的最佳做法，但在實際情況下執行工作負載時，通常會發現需要改進的區域。負載測試可提供寶貴的深入分析結果，瞭解結構在特定條件下的效能，並突顯熱點、資料分布不均或查詢效能不彰等問題。
最佳化作業的重點在於微調下列區域，以符合應用程式的工作負載特性。
- 調整主鍵：如果負載測試顯示熱點或資料分配不均，請檢查主鍵設計。舉例來說，您可以考慮在索引鍵前置字元中加入隨機性，在節點間更平均地分配資料，同時維持查詢效率。
- 索引調整：負載測試可顯示多餘的索引或過度索引是否對寫入總處理量造成負面影響。移除不必要的索引，或重組現有索引，以提升查詢效能。評估索引選擇性，確保索引符合一般查詢模式。
- 交錯資料表和階層：分析相關資料表是否可透過資料表交錯來減少查詢延遲。根據測試期間觀察到的存取模式，調整交錯決策。反之，如果階層式結構導致非預期的額外負荷，請考慮分別建立這些資料表的模型。
如要瞭解如何建構可擴充的結構定義，請參閱「Spanner 結構定義設計最佳做法」。
最佳化交易語意和查詢
負載測試通常會凸顯交易和查詢執行作業的效率不彰，例如爭用或鎖定問題嚴重。最佳化交易語意和查詢結構，盡可能提高輸送量並縮短延遲時間：
- 交易模式：為每個工作負載作業使用適當的交易模式。舉例來說，如果查詢不會修改資料，請使用唯讀交易；如要大量更新和刪除資料，請使用分區 DML。
- 批次處理：盡可能使用批次寫入作業，減少多次往返造成的額外負擔。
- 查詢最佳化：重構查詢，只納入必要的資料欄和資料列、善用索引，並在應用程式中使用查詢參數，以減少額外負荷。
如要瞭解最佳化策略，請參閱「交易總覽」和「SQL 最佳做法」。
疊代負載測試
最佳化是疊代程序。每次大幅變更結構或查詢後，請執行負載測試，驗證改善成效並確保不會產生新的瓶頸。
模擬各種並行層級、交易類型和資料量的實際應用程式情境，確認 Spanner 在尖峰和穩定狀態條件下都能正常運作。
要監控的重要指標
在最佳化期間，追蹤延遲時間 (p50、p99)、總處理量和 CPU 使用率等重要指標。
後續步驟
- 觀看「如何規劃及執行 Spanner 合作夥伴業務聯絡人」影片，瞭解有效評估 Spanner 功能的必要步驟、最佳做法和工具。